图像复原ppt课件.pptVIP

行业处理客户投诉的技巧课件神经内科医疗质量及管理规范神经疾病病情观察及能力培养社区老年痴呆的全科诊疗身边的侵害和保护少先队礼仪文化知识培训 第三章 图像的预处理 3.1 像元亮度的变换 3.2 几何变换 3.3 局部预处理 3.4 图像恢复 3.5 小结 3.2.1 像元坐标变换 3.2.2 灰度级插值 图像预处理—图像复原 原始图像f, 退化图像g，退化过程可以如下描述[1]： g(x,y) = (f h)(x,y) + n(x,y) * 这时，图像复原等于去卷积 h(x,y) f(x,y) W(x,y) n(x,y) g(i,j) f(x,y) 线性操作 复原滤波器 写成富立叶变换[2] ： G(u,v)=F(u,v)H(u,v) + N(u,v) 3.4.2 去卷积（反向滤波、逆滤波） 图像预处理—图像复原 去卷积（逆滤波）技术在六十年代中期开始被广泛用于 数字图像处理[1]。是图像复原的一种标准技术。 逆响应 理论上的响应 校正后的响应 实际的响应 用一个反转的退化函数（逆向滤波器）消除退化。 其富立叶变换表示为： H-1(u,v) 从退化的图像g复原出未退化的原始图像f： F(u,v) = G(u,v) H-1(u,v) – N(u,v)H-1(u,v) 如果图像中噪声不严重，逆滤波可以很好的工作。 如果噪声严重，会遇到一下问题： 在H(u,v)的幅度很小的频率上， 噪声的影响会 很严重[1]。 对待噪声自身的频谱还没有很好的办法。 图像预处理—图像复原 图像预处理—图像复原 3.4.3 维纳滤波 维纳滤波考虑了关于噪声特性的先验知识。 用维纳滤波给出原始图像 f 的估计 f ： e2 = E{ f(x,y) – f(x,y) 2 } 只有噪声和描述图像的随机过程是同一类型， 它们的概率密度都是高斯分布，才有最佳估计[1]。 前提条件： 图像预处理—图像复原 用HW代表维纳滤波器的富立叶变换, F代表原始图像 f 的富立叶变换, F代表对F的估计， G代表退化 图像 g 的富立叶变换, HW = H*(u,v) H (u,v) 2 + [Pn(u,v)/Pf (u,v)] H是退化过程的传递函数，*代表复数共扼， Pn(u,v)是噪声的功率谱密度， Pf (u,v)是原始 图像的功率谱密度。 F(u,v) = HW(u,v)G(u,v) 图像预处理—图像复原 3.4.4 功率谱均衡化(PSE滤波器） Canon证明，如下形式的滤波器可将退化图像的功率谱 复原至其原来的幅度： Hp(u,v)= 1/2 Pf (u,v) H (u,v) 2 Pf (u,v) + Pn(u,v) [ ] PSE滤波器也叫同态滤波器。和维纳滤波器一样， 在无噪声时，都简化为去卷积。 PSE滤波器，在某些情况下图像复原的能力优于维纳 滤波器。 图像预处理—图像复原 3.4.5 几何均值滤波器 Hg(u,v)= H*(u,v) H (u,v) 2 [ ] α 1- α [ ] H*(u,v) H (u,v) 2 + γPn(u,v)/Pf (u,v) 几何均值滤波器的传递函数形式： α 和γ 为正的实常数。 α = 1，为 去卷积滤波器 α = 1/2， γ=1 为PSE滤波器 α = 0， γ=1 为维纳滤波器 α = 0， γ=0 为去卷积滤波器 图像预处理—图像复原 几何均值滤波器是一个一般形式的复原滤波器， 可用于具有线性、空间不变的模糊函数和加性、 不相关噪声的情况。 在轻微模糊和适度噪声的条件下，对几何均值滤 波器的复原能力研究的结果表明： 单纯去卷积效果最差； γ＜1 的参数化维纳滤波器和几何均值滤波器效果最好。 图像预处理—限制较少的图像复原 3.4.6 随空间改变的模糊[1] 光学离焦和线性运动模糊是具有空间不变性的操作。 g(x,y) = (f h)(x,y) + n(x,y) * 这时，图像复原等于去卷积 代表退化过程的响应函数h (x,y)不随图像中的位置而变化 慧差、像场弯曲、旋转运动等造成的模糊是随空间 改变的[2]。 图像预处理—限制较少的图像复原 这时，图像复原不能简单的用去卷积 代表退化过程的响应函数h (x,y) 随图像中的位置而变化 纠正退化的基本思想： 设法得到模糊函数具有空间不变性； 用空间不变复原方法进行复原； 用逆变换将图像复原为原来的格式。 图像预处理—限制较少的图像复原 图像预处理—时变模糊图像复原 3.4.7 时变模糊 一个5m焦距的望远镜，衍射极限分辨率为0.05 大气扰动会使分辨率下降到 2 长时间曝光使星像“跳舞”、“游动” 变成一个模糊斑点。 基本