图像分析与处理图象恢复二演示文稿.pptVIP

最大后验法 约束PSF解卷法 h(x,y)-----成象系统的PSF。 p(x,y)-----恢复滤波器的冲激响应或PSF。 等效PSF：c(x,y)= h(x,y) * p(x,y)。 (1)无噪声情况 沉鱼落雁 约束PSF解卷法 (2)有噪声影响 约束PSF解卷法 约束PSF解卷法 约束PSF解卷法框图 h(x,y) + p(x,y) f(x,y) f(x,y)+ n0(x,y) n(x,y) 约束PSF解卷法 方法 Terms Image restoration:图象恢复 Degrade: 退化 Autocorrelation:自相关 Convolution:卷积 Row stacking:堆叠 Pad:补零 Period:周期 Linear algebra:线性代数 Terms Circulant matrix:循环矩阵 Transpose:转置 Block matrix:分块矩阵 Block circulant matrix:分块循环矩阵 Impulse: 冲激函数 Dirac delta function: 狄拉克?函数 Impulse response:冲激响应 Point spread function (PSF):点扩展函数 Terms Pseudoinverse:伪逆 图象恢复的滤波方法 逆滤波 维纳滤波 等功率谱滤波 逆滤波 假定退化图象遵从以下模型 在不考虑噪声的情况下 写成 逆滤波 该恢复方法取名为逆滤波。 逆滤波 逆滤波模型 H(u,v) P(u,v) F(u,v) F(u,v) G(u,v) 逆滤波 实际应用时的缺点： （1）无噪声情况 若在频谱平面对图象信号有决定影响的点或区域上，H(u,v)的值为零，故不能确定这些频率处的F(u,v)值，也就难以恢复原始图象f(x,y)。 逆滤波 （2）有噪声情况 G(u,v) =F(u,v) H(u,v)+N(u,v) 仍采用逆滤波器P(u,v)=1/H(u,v)作恢复滤波器 (a) H(u,v)=0, 没有定义。 (b) H(u ,v)=0附近， H(u ,v)较小，N(u,v)/H(u,v)会非常大，结果 与 大不相同， 就不再象 。 维纳滤波器 逆滤波复原方法对噪声极为敏感，要求信噪比较高，通常不满足该条件。因此希望找到一种方法，在有噪声条件下，从退化图像g(x,y)复原出f(x,y)的估计值，该估计值符合一定的准则。 用向量f, g, n来表示f(x,y), g(x, y), n(x,y)，Q为对f的线性算子，在约束条件 下求Qf的最小化而得到f的最佳估计。 基本原理 用拉格朗日法求 微分， γ可以用来调节以满足约束条件。 设Rf和Rn为f和n的相关矩阵： 它们是对称矩阵。对于大多数图像而言，相邻象素之间相关性很强，在20个象素之外，趋于零。在此条件下， Rf和Rn可以近似为分块循环矩阵： 其中A和B为对角阵，W为酋阵。 若QTQ用Rf－1Rn来代替 当D为对角阵，分块循环矩阵 因此： 写成频域形式为： 其中Sff(u,v), Snn(u,v)分别是f(x,y)和n(x,y)的谱密度。 等功率谱滤波 先验假设：图象和噪声均属均匀随机场，噪声的均值为零，且与图象不相关。 令Sff(u,v)为信号的功率谱密度，它是信号的自相关函数的傅立叶变换。 等功率谱滤波 方法： （1）退化模型 等功率谱滤波 等功率谱滤波 图象恢复的代数方法 伪逆法 投影迭代法 伪逆法 图象退化的离散模型： 当没有噪声时，在平均误差最小的意义上，f的最佳估计 为： H+是H的伪逆。 伪逆法 当没有噪声时，若H是方阵，且存在逆矩阵，则： 若H不是方阵，不能求逆。但根据伪逆矩阵理论： 伪逆法 H+称为H的伪逆矩阵。 H+由下列四个条件唯一确定： （1） HH+H=H （2） H+HH+= H+ （3） (HH+)T= HH+ （4） (H+H)T= H+H 这四个条件也可看成伪逆矩阵的定义。 伪逆法 １．对Ｍ＊Ｎ的矩阵，如Ｍ＞Ｎ，即线性方程组中方程组的数目多于未知量的个数，属“超定”（overdetermined） 伪逆法 ２、对Ｎ＞Ｍ，称为“欠定”（underdetermined） ３、对Ｍ＝Ｎ时，伪逆＝逆矩阵。 投影迭代法 不考虑噪声时，g=Hf 投影迭代法 投影迭代法 表示成下列方程组： 投影迭代法 令f(0)为f的初始值，下一个估值f(1)