第六章 图像复原(1)数字图像处理阮秋琦.ppt

图6—4 对几种基本信号中值滤波的结果的例子 中值滤波的概念很容易推广到二维，此时可以利用某种形式的二维窗口。设 表示数字图像各点的灰度值，滤波窗口为A的二维中值滤波可定义为： (6—148) 二维中值滤波的窗口可以取方形，也可以取近似圆形或十字形。 图6—5是二维中值滤波的实例。图中(a)是原始图像，图(b)是混有高斯白噪声的图像，(c)是3×3窗口中值滤波结果图像，(d)是5×5窗口中值滤波结果图像，(e)是3×3窗口均值滤波结果图像，(f)是5×5窗口均值滤波结果图像， (g)是加有椒盐噪声的图像，(h)是3×3窗口中值滤波结果图像，(i)是5×5窗口中值滤波结果图像，(j)是3×3窗口均值滤波结果图像，(k)是采用5×5窗口均值结果图像。 二维中值滤波及均值滤波实例 (a) 原像 (b)加有高斯白噪声图像 (c)中值滤波图像 (d) 均值滤波图像 (e) 加有椒盐噪声图像 (f) 中值滤波图像 (g) 均值滤波图像 中值滤波可有效地去除脉冲型噪声，而且对图像的边缘有较好的保护。但是它也有其固有的缺陷，如果使用不当，会损失许多图像细节。例如，采用3×3窗口对图6—6(a)所示的原始图像滤波。 滤波结果如图(b)所示，其结果不但削去了方块的4个角，而且把中间的小方块也滤掉了。因此，中值滤波在选择窗口时要考虑其形状及等效带宽，以避免滤波处理造成的信息损失。 图6—6 中值滤波的实例一 图6—7是中值滤波的另一实例。图(a)是一条细线条图像，经3×3窗口滤波后，图像中的细线条完全滤掉了，如图(b)所示。 图6—7 中值滤波的实例二 以上两例可以直观地看到，中值滤波对图像中的细节处很不理想，所以，中值滤波对所谓的椒盐噪声(pepper salt Noise)的滤除非常有效，但是它对点、线等细节较多的图像却不太适用。 上述离散退化模型都是在线性的空间不变的前提下推出的。目的是在给定了 g(x,y) 并且知道 h(x,y) 和 n(x,y) 的情况下，估 计 出 理 想 的 原 始 图像 f(x,y) 。但是，要想从式(6—33)得到 f(x,y) ，对于实用大小的图像来说，处理工作是十分艰巨的。 例如，对于一般精度的图像来说 M=N=512 ， 此时 的大小为 262144×262144。 因此，要直接得到 [f] 则需要求解 262144个联立方程组。其计算量之浩大是不难想象的。为了解决这样的问题，必须研究一些简化算法，由于 [H] 的循环性质，使得简化运算得以实现。 6.2 逆滤波 6.2.1 逆滤波的基本原理 逆滤波复原法也叫做反向滤波法。 如果退化图像为 g(x,y)，原始图像为 f(x,y) ，在不考虑噪声的情况下，其退化模型用下式表示 (6—45) 这显然是一卷积表达式。由傅立叶变换的卷积定理可知有下式成立 式中 G(u,v) ， H(u,v) ， F(u,v) 分别是退化图像 g(x,y) ，点扩散函数 h(x,y) ，原始图像 f(x,y) 的傅立叶变换。 (6—46) 由式(6—46)，可得 (6—47) (6—48) 这意味着，如果已知退化图像的傅立叶变换和“滤波”传递函数，则可以求得原始图像的傅立叶变换，经反傅立叶变换就可求得原始图像 f(x,y)。这里 G(u,v) 除以 H(u,v) 起到了反向滤波的作用。这就是逆滤波法复原的基本原理。 在有噪声的情况下，逆滤波原理可写成如下形式 (6—49) (6—50) 式中 N(u,v) 是噪声 n(x,y) 的傅立叶变换。 利用式(6—47)和式(6—50)进行复原处理时可能会发生下列情况，即在 u,v 平面上有些点或区域会产生 H(u,v)=0 或 H(u,v) 非常小的情况，在这种情况下，即使没有噪声，也 无 法 精 确 恢复 f(x,y) 。 另外，在 有 噪 声 存 在 时 ，在 H(u,v) 的领域内， H(u,v) 的值可能比 N(u,v) 的值小的多，因此由式（6—50）得到的噪声项可能会非常大，这样也会使 f(x,y) 不能正确恢复。 一般来说，逆 滤 波 法 不 能 正 确 地估计 H(u,v) 的零点，因此必须采用一个折衷的方法加以解决。实 际 上 逆 滤 波 不 是用1 / H(u,v)，而是采用另外一个关于 u,v 的函数 M(u,v) 。它的处理框图如图6—2所示。 在没有零点并且也不存在噪声的情