图像的恢复与重构.ppt

第五章 图像的恢复与重构 一、图像退化模型 二、离散图像退化模型 三、循环矩阵及傅立叶化 一个一维离散序列通过一个系统发生失真的过程可用下图表示 由于离散卷积的周期性，有he(x)=he(x+M)，H可以写成 1、一维信号序列循环矩阵的对角化和傅立叶化 解矩阵方程： f= H-1[g- n] 最简单的计算方法就是对角化，H → H-1也是对角阵。 对角化H的方法——求取其特征值和特征矢量。 对循环矩阵而言，设：其有M个特征值和特征矢量。 用特征矢量组成的矩阵：W=[w(0),w(1)…w(M-1)] 生成对角矩阵D：D=W -1HW；且D(k,k)=λ(k)。而 对g=Hf+n而言，可以写成g=WDW-1f+n ，有W－1g=DW-1f+ W－1n；其中对 W-1g列矢量的每一行G(k)而言，有 2、二维信号序列块循环矩阵的对角化和傅立叶化 如果图像的g、f、n采用堆叠矢量的方法构成， g=Hf+n。同一维的情况类似，不同的地方是H为块循环矩阵，以及其中的傅立叶变换是二维的，但最后结论是一样的。 G(u)=MH(u)F(u)+N(u) ——一维情况下的结论 G(u,v)=MNH(u,v)F(u,v)+N(u,v)——二维情况下的结论 在实际应用中，认为f(x,y)、h(x,y)、g(x,y)、n(x,y)的维数是相等的。 F(u,v) =[G(u,v)-N(u,v)]/ MNH(u,v) f(x,y) =F-1[F(u,v)] 3、H(u,v)的获取 要知道一个图象降质系统的H(u,v)是一件非常困难的事情。但因为f(x,y)*h(x,y)=g(x,y)，有 F(u,v)H(u,v)=G(u,v) 如果f(x,y)=δ(x,y)，F[δ(x,y)]=1则H(u,v)=G(u,v) 所以，可以用实验的方法得到h(x,y)和H(u,v)；H(u,v)可用点源的输出图像的傅立叶变换来近似。 另外，有一些图象降质系统的H(u,v)有固定的或近似的数学模型。 四、常见的线性移不变降质算子 运动模糊：通常在拍摄过程中，相机或物体移动造成的运动模糊可以用一维均匀邻域像素灰度的平均值来表示： 大气扰动模糊：这种模糊经常出现在遥感和航空摄影中，由于曝光时间过长引起的模糊可用高斯点扩散函数来表示： 式中K是一个归一化常数，保证模糊的大小为单位值，σ2可以决定模糊的程度。 均匀不聚焦模糊 这是由于相机聚焦不准确引起的，虽然不聚焦由许多参数决定，如相机的焦距、相机光圈的大小、形状、物体和相机之间的距离等，但在研究中为了简单起见，我们用下列函数表示聚焦不准引起的模糊： 均匀二维模糊 这是最常见的一种模糊，可以用来近似聚焦不准引起的模糊： 其中L是奇数。 五、无约束恢复 逆滤波 对于图像退化模型： g(x,y)=f(x,y)*h(x,y)+n(x,y) 两边取傅立叶变换：G(u,v)= F(u,v) H(u,v) +N(u,v) H(u,v)又称为系统的转移函数(或滤波函数)，它使图像退化。 在无噪声的情况下，上式可以简化为： G(u,v)= F(u,v) H(u,v) F(u,v) =G(u,v)/H(u,v) 这种1/H(u,v)的形式称为逆滤波。再进行傅立叶逆变换就可以得到f(x,y)。 什么是无约束恢复 当对噪声一无所知时，使n无约束的小。 由于g=Hf+n，假设通过恢复可以得到一个不错的f的估计f’。显然，f’应满足关系g－Hf’＝n，我们希望n尽可能的小。于是问题转化为f’在什么情况下n最小——对矩阵而言就是它的迹(对角线之和)的平方最小。 实际情况中，噪声是不可避免的，因而只能求F(u,v)的估计值： 如果H(u,v)有许多零点，必然使得复原的结果受到极大影响。 或者如果H(u,v)不为零但是有非常小的值，也即病态条件，也会使复原效果受到影响。 解决这个问题的方法是避开H(u,v)的零点。 幸好一般的H(u,v)在低频附近的有限区域内不为零。 因此逆滤波可以在原点附近进行，相当于在频域乘上一低通窗口函数W(u,v)。 为了防止随着u、v的增大H(u,v)的迅速减小而增设一些条件 由于截断地原因，被恢复的图象振铃较大。一种改进的方法是取(?) 六、有约束恢复(某种准则)的一般公式 对降质图像g=Hf+n而言，所谓恢复可以看成是对g通过某种线性变换L而得到原图像的估计值f’。其中，L是H的某种逆过程。如果f’与f之间的差满足某些条件——约束条件，例如：满足给定的均方误差，则称该图像被恢