[管理学]北京交通大学图像处理--第6章 图像复原1.pptVIP

数字图像处理学 第6章 图像复原(第一讲) 噪声干扰可以由电子成像系统传感器、信号传输过程或者胶片颗粒性造成的。各种退化图像的复原都可归结为一种过程，具体的说就是把退化模型化，并且采用相反的过程进行处理，以便恢复出原图像。本章将主要讨论代数复原技术。 图6—1 图像退化模型 基于这样的数学表达式，可建立退化模型如图6—1所示的形式。由图6—1的模型可见，一幅纯净的图像 是由于通过了一个系统Ｈ及加入外来加性噪声 而使其退化为一幅图像 的。 系统的分类方法很多。例如，系统可分为 线性系统和非线性系统； 时变系统和非时变系统； 集中参数系统和分布参数系统； 连续系统和离散系统等等。 图6—1 图像退化模型 如果暂不考虑加性噪声 n (x, y) 的影响，而令 时，则 n (x, y)=0 那么，系统 H 是一个线性系统。其中 为一常数。如果 ，则 是空间不变系统（或称为位置不变系统），式中的 和 分别是空间位置的位移量。这说明了图像中任一点通过该系统的响应只取决于在该点的输入值，而与该点的位置无关。 因此，在图像复原处理中，往往用线性和空间不变性的系统模型加以近似。这种近似的优点是使线性系统理论中的许多理论可直接用来解决图像复原问题，所以图像复原处理特别是数字图像复原处理主要采用线性的，空间不变的复原技术。 根据 的关系, 如果令 , 则有下式成立 式(6—13)就是线性系统理论中非常重要的费雷德霍姆(fredholm)积分。式(6—13)指出，如果系统 对冲激函数的响应为已知，则对任意输入 的响应可用式(6—13)求得。换句话说，线性系统 完全可由其冲激响应来表征。 (6—26) 式中：x=0,1,2,…M-1 ； y=0,1,2,…N-1 ，卷积函数 ge(x,y) 也为周期函数，其周期与 fe(x,y) 和 he(x,y) 一样。 其矩阵形式如下 例如，对于一般精度的图像来说 M=N=512 ， 此时 的大小为 262144×262144。 因此，要直接得到 [f] 则需要求解 262144个联立方程组。其计算量之浩大是不难想象的。为了解决这样的问题，必须研究一些简化算法，由于 [H] 的循环性质，使得简化运算得以实现。 (6—46) 这意味着，如果已知退化图像的傅立叶变换和“滤波”传递函数，则可以求得原始图像的傅立叶变换，经反傅立叶变换就可求得原始图像 f(x,y)。这里 G(u,v) 除以 H(u,v) 起到了反向滤波的作用。这就是逆滤波法复原的基本原理。 另外，在 有 噪 声 存 在 时 ，在 H(u,v) 的领域内， H(u,v) 的值可能比 N(u,v) 的值小的多，因此由式（6—50）得到的噪声项可能会非常大，这样也会使 f(x,y) 不能正确恢复。 在空间位置不变的情况下 (6—14) 在这种情况下，显然 (6—15) 这说明，系统 加入输入信号的响应就是系统输入信号与冲激响应的卷积积分。 在有加性噪声的情况下，前述的线性退化模型可表示为 (6—16) 当然，在上述情况中，都假设噪声与图像中的位置无关。 式(6—16)就是我们主要研究的连续函数的退化模型。 6.1.1 系统 的基本定义 6.1.2 连续函数退化模型 6.1.3 离散的退化模型 连续函数的退化模型是由输入函数 和点扩散函数相乘后再积分来表示的。如果把 和 进行均匀取样后就可引伸出离散的退化模型。为了研究离散的退化模型，不妨用一维函数来说明基本概念，然后再推广至二维情况。 假设有两个函数 f(x) 和 h(x) ，它们被均匀取样后分别形成 A 维和 B 维的阵列。在这种情况下，f(x) 变成在x=0,