数字图像处理与图像通信 Part3.2.ppt

3. 大气湍流造成的图像降质 在航空图片、卫星图片、天文图中，由于受大气湍流的影响，使图像产生退化。要全面地考虑每时每刻对退化的影响，是一个相当复杂的问题。在此只给出在长时间作用的情况下，大气湍流降质图像的系统传递函数为： 式中C为与湍流性质有关的常数。 5.1.3 离散图像退化的数学模型 1. 一维离散情况退化模型 设f(x)为具有A个采样值的离散输入函数，h(x) 为具有B个采样值的退化系统的冲激响应，则经退化系统后的离散输出函数g(x)为输入f(x)和冲激响应h(x)的卷积。即 为了避免上述卷积所产生的各个周期重叠（设每个采样函数的周期为M），分别对f(x)和h(x)用添零延伸的方法扩展成周期M=A+B-1的周期函数。 此时输出： 用矩阵表示为 M×M阶矩阵H可写为 2. 二维离散模型 上述讨论的一维退化模型不难推广到二维情况。则输出的降质数字图像为 对于一个更加完整的离散图像退化模型可以写成如下形式： 写成矩阵形式为： 上述离散退化模型都是在线性空间不变的前提下得出的，这种退化模型已为许多恢复方法所采用，并有良好的复原效果。 5.1.4 循环矩阵的对角化 1. 循环矩阵的对角化 对于式(5.27)的循环矩阵，我们选用标量函数λ(k)和w(k)，由矩阵乘法运算可以得到 由矩阵理论可知，式(5.40)中的λ(k)和w(k)就是循环矩阵H所对应的的特征值和特征向量。 将H的M个特征向量组成一个M × M的矩阵W： 这样可把H写成： 这里D是一个对角矩阵，其元素正是H的本征值，即 2. 分块循环矩阵的对角化 可以将上述结论推广到二维离散退化模型，同样可以使得块循环矩阵对角化。 定义一个M N × M N （包含M × M个N × N的块）的矩阵W ，借助上面的讨论结果可知，分块循环矩阵H可以写成： 式中D为对角矩阵，它的M × N个对角元素是H的特征值。 实际上，H的转置矩阵 可用D的复共扼 来表示，即 5.1.5 对角化在降质模型中的应用 先考虑一维情况。把式(5.42)中的 代入到式(5.29)可以得到： 用 左乘上式两边，得 可将式(5.52)简化成一维傅立叶变换序列的对应项之积，即 将上述讨论过程推广到二维退化情况。考虑到噪声项，有g=H f+n，用 左乘得 此式即为 的傅立叶变换。同样，F(u,v)， N(u,v) ， H(u,v)分别对应于 的傅立叶变换。 MN×MN维的对角矩阵D，其MN个对角元素可用下式表示 综合利用上述关系，可得 式(5.62)的意义在于：包含在式(5.37)中给定退化模型的庞大方程组可简化为计算大小为M×N的离散傅立叶变换，如用FFT算法，可方便地实现。 5.2 无约束图像复原 5.2.1 逆滤波 由式(5.37)退化模型可知： 可以根据这样的最优准则，即寻找一个 ，使得g与 之偏差，即在最小二乘方意义上最小，也就是使得 的范数的平方最小，这等效于噪声项的范数最小。该准则函数用 表示： 根据范数的定义可知： 为使得准则函数 最小，实际上就是求它的极小值。在求极小值的过程中，不受任何其它条件的约束，因此也称为无约束复原。 根据向量微分的性质，可以得出： 两边乘上 ，可得： 式(5.70)和式(5.71)表明在最小二乘方准则下寻找出的最优估计图像 可由降质图像g和降质系统的冲激响应的逆矩阵 或者其对角化矩阵D得出。 复原后的图像在考虑噪声的情况下为： 这种逆滤波（有些书称为去卷积）是最早应用于数字图像复原的一种方法。 5.2.2 无约束图像复原的病态性质 实际使用逆滤波式进行图像复原时，由于H(u,v)出现在分母，当在(u,v)平面某些点上或区域上H(u,v)很小或等于零，即出现了零点，就会导致不定解。因此，即使没有噪声，一般也不可能精确地复原f(x,y)。如果考虑噪声项N(u,v) ，则出现零点时，噪声项将被放大，零点的影响将会更大，对复原的结果起主导地位，这就是无约束图像复原模型的病态