[英语学习]IP-5-Restoration.ppt

估计退化函数H 估计退化函数的三个准则 观察 实验 数学建模 估计退化函数H 图像观察 假设图像信号足够强，使得噪声信号可忽略，且H是位不变的 步骤： Select a subimage in which the signal content is strong (e.g. an area of high contrast) Process the subimage to arrive at a result that is as unblurred as possible (e.g. sharpening it with a filter or even with hand) Calculate Deduce H(u, v) based on our assumption of position invariance. 估计退化函数H 实验：用获取退化图像相似的设备，并进行适当的设定，以获得相似退化程度的图像，例如一个亮斑的图像，由此获得模型 退化前图像 退化后图像 估计退化函数H 由模型估计 Hufnagel and Stanley的大气湍流模型 估计退化函数H 图像做平面移动 设 可导出 估计退化函数H 数学模型 逆向滤波 如果噪声可忽略，并且退化函数已知或已经获得，那么我们可以直接将退化函数除掉： 由于： 逆向滤波 注意：当H(u,v)为零，或者接近零时，噪声将占主导地位 解决策略是忽略掉H接近零的部分，即高频部分 如：大气湍流滤波器逆向滤波 最小均方误差滤波器（维纳滤波器） 将图像模型和噪声看作随即模型，则我们的目标定义为： 寻找最优的f(x,y)的估计，使其均方误差最小，得到： 图像的功率谱 最小均方误差滤波器（维纳滤波器） 用常数来近似信噪比 最小均方误差滤波器（维纳滤波器） 带约束的最小二乘滤波器 一般的说，我们总是需要知道一些关于退化函数H的信息 维纳滤波器的缺点是还需要退化前的原图像与噪声的功率谱。采用常数来代替的方法，有时候并不合适 如果我们仅用噪声的方差，能否很好的恢复图像呢？ 带约束的最小二乘滤波器 退化图像模型 图像尺寸：MxN 写成矩阵形式 矩阵g,f,n：MNx1, 矩阵H: (MN)x(MN) 带约束的最小二乘滤波器 函数H是对噪声极度敏感的 建立约束 由于噪声是高频向量，因此对二阶导敏感 可以约束二阶导的能量 最小化能量函数： 约束： 解为： 其中： 带约束的最小二乘滤波器 结果 需要选择参数 带约束的最小二乘滤波器 进一步寻找最优的参数 建立残差方程： 残差的模是参数 的函数： 我们需要做的是，调整参数 ，使下式成立： Newton-Raphson 优化方法获取参数 ： 是?的单调递增函数 Hunt[1973] 带约束的最小二乘滤波器 调整参数 ，使下式成立： Specify an initial value of Compute Stop if the above equation is satisfied; otherwise return to step 2 after increasing if or decreasing if . Use the new value of to recompute the optimum estimate 带约束的最小二乘滤波器 残差模的计算 这说明：仅依赖于噪声的方差和均值，我们就可以获得最优的恢复效果 带约束的最小二乘滤波器 * Although there are areas of overlap, image enhancement is largely a subjective process, while image restoration is for the most part an objective process. Restoration attempts to reconstruct or recover an image that has been degraded by using a priori knowledge of the degradation phenomennon. 只存在噪声的空间域图像复原 均值滤波 Mean Filters Arithmetic mean filter: Geometric mean filter: Harmonic (谐波) mean filter: Contra-harmonic (逆谐波) mean filter: (Q=0,Q=-1) 只存在噪声的空间域图像复原 Mean F