数字图象处理-Chapter5 图像复原与重建.ppt

关于s的估计 含s自动估计约束最小平方图像恢复算法步骤 有约束最小二乘方恢复 维纳滤波： 基于图像和噪声的相关矩阵 恢复图像在平均意义最优 有约束最小平方恢复： 基于噪声均值和方差 对每个给定的图像得到最优恢复结果 有约束最小二乘方恢复 实例：维纳波与有约束最小二乘方滤波的比较 维纳滤波 有约束 最小二 乘方滤波 Matlab IP Toolbox Image restoration – deblurring deconvwnr() - Wiener deconvreg() - Regularied deconvlucy() - Lucy-Richardson nonlinear deconvblind() – Blind deconvloution 退化函数估计 1-D 退化模型的估计 1-D A=4 B=3 退化模型的估计 2-D 退化模型和对角化 轮换矩阵对角化 1. 轮换矩阵的对角化 轮换矩阵对角化 2. 块轮换矩阵的对角化 轮换矩阵对角化 3. 退化模型对角化的效果（1-D） 轮换矩阵对角化 3. 退化模型对角化的效果(2-D) 关于恢复的讨论 实恢复函数的确定 实恢复函数的确定 几种特殊情况： （1）无噪声 实恢复函数的确定 几种特殊情况： （2）信号和噪声不相关 8.3.3 实恢复函数的确定 几种特殊情况： （3）噪声正比于信号 8.3.3 实恢复函数的确定 几种特殊情况： （4）三角转移函数 重要结论 无噪声时的恢复 关于恢复的讨论 有误差时的恢复 图像恢复问题可以表示为：设计一个恢复滤波器h (x) ，他能最优地从测量中估计 f(x) 有误差时的恢复 Motion Bluring How to acquire H(u,v)? Estimation by Modeling How to acquire H(u,v)? Estimation by Modeling - Uniform linear motion If the motion is not Uniform Linear， How to acquire H(u,v)? How to simulate motion-degraded images I = imread(Fig526.jpg);figure;imshow(I); I = double(I); a = 80; b = 80; N = 80; da = a / N; db = a / N; J = zeros(size(I)); for i = 1:N x_shift = da * i; y_shift = db * i; xform = [ 1 0 0; 0 1 0; x_shift x_shift 1 ]; tform_translate = maketform(affine,xform); J = J + imtransform(I,tform_translate,XData, … [1 size(I,2)],YData,[1 size(I,1)]); end 退化模型 图像恢复 无约束恢复 假定退化图象遵从以下模型 在不考虑噪声的情况下 逆滤波模型 该恢复方法取名为逆滤波。 H(u,v) M(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，那么G(u,v)的值也为零，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 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， 与 就不再相象 。 （2）有噪声情况 逆滤波改进 逆滤波恢复效果 逆滤波改进 逆滤波 退化图 滤波器 除去零点 减少振铃 逆滤波消除匀速直线运动模糊 I = imread(Fig526.jpg); figure; imshow(I); title(Original Image); LEN = 30; THETA = 135; PSF = fspecial(motion,LEN,THETA); % create PSF figure;imshow(P