机器视觉(第2章)no.3.docxVIP

研究生“机器视觉”课程 §2.4 图像复原 (Image Restoration) 退化图像 复原图像 利用退化现象的某种先验知识来重建或复原被退化的图像 研究生“机器视觉”课程 §2.4 图像复原 (Image Restoration) 主要内容 图像退化/复原过程的模型 噪声模型 仅有噪声时的空间滤波复原 估计退化函数 逆滤波器 最小均方误差滤波（维纳滤波） 几何变换 研究生“机器视觉”课程 一、图像退化/复原过程的模型 ( a Model of the Image Degradation/Restoration Process ) 图像退化过程可以模型化为一个退化函数和一个加性噪声项，处理一幅输入图像f(x,y)产生一幅退化的图像g(x,y),给定g(x,y)和关于退化函数H的一些知识以及外加噪声项，图像复原的目的是获得关于原始图像的近似估计。 g(x, y) ? h(x, y) ? f (x, y) ??(x, y) G(u, v) ? H (u, v)F (u, v) ? N (u, v) 研究生“机器视觉”课程 二、噪声模型 （Noise Models） 数字图像的噪声主要来源于图像的获取和传输过程。 常见的六类噪声： 高斯噪声 瑞利噪声 伽玛噪声 指数分布噪声 均匀分布噪声 脉冲噪声 研究生“机器视觉”课程 1、一些重要噪声的概率密度函数(PDF) 高斯噪声模型 1 2 2 p(z) ? e? (z ?? ) / 2? 2?? z表示灰度值， μ表示z的平均或期望值， 表示z的标准差。 z值有70%落在[(μ－σ)，(μ＋σ)]范围内，有95%落在[(μ－2σ)，(μ＋2σ)]范围内。 研究生“机器视觉”课程 瑞利噪声模型 ?2(z - a)e?(z?a )2 / b ? z ? a b p(z) ? ? ? z ? a ?0， z表示灰度值 均值? ? a ? ?b / 4，方差? 2 ? b(4 ? ? ) 4 距离原点的位移为a 函数曲线向右变形 研究生“机器视觉”课程 伽玛（爱尔兰）噪声模型 ? a b z b-1 e -az z ? 0 ? (b ? 1)! p(z) ? ? ? 0， z ? 0 ? z表示灰度值,a ? 0, b为正整数。 均值? ? b ， 方差? 2 ? b a a2 研究生“机器视觉”课程 指数分布噪声模型 ? -a z p(z) ? ? a e z ? 0 ? 0， z ? 0 z表示灰度值 均值? ? 1 / a， 方差? 2 ? 1 a 2 指数分布的PDF是当b=1时爱尔兰概率分布的特殊情况 研究生“机器视觉”课程 均匀分布噪声模型 ? 1 a ? z ? b ? p(z) ? ? b ? a ? 0， 其他 ? z表示灰度值 均值 ? ? a ? b ， 方差 ? 2 ? (b ? a ) 2 2 12 研究生“机器视觉”课程 脉冲噪声（椒盐噪声）模型 ? P z ? a ? a z ? b p(z) ? ?Pb ? 其他 ?0， z表示灰度值 如果Pa或Pb为零，则脉冲噪声称为单极脉冲 如果Pa、Pb均不为零，则脉冲噪声称为双极脉冲噪声或椒盐噪声脉冲噪声可以为正，也可为负。标定以后，脉冲噪声总是数字化 为最大值（纯黑或纯白） 通常，负脉冲以黑点（胡椒点）出现，正脉冲以白点（盐点）出现 研究生“机器视觉”课程 研究生“机器视觉”课程 几种噪声的运用 高斯噪声源于电子电路噪声和由低照明度或高温带来的传感器噪声。 瑞利概率分布在图像范围内特征化噪声现象时有用。 伽马分布和指数分布用于激光成像噪声。 脉冲噪声用于成像中的短暂停留中，如错误的开关操作。 均匀密度分布实践中描述得最少，但作为模拟随机数产生器的基础是非常有用的。 研究生“机器视觉”课程 用于噪声模型的测试图 由简单、恒定的区域组成 仅仅有3个灰度级的变化 研究生“机器视觉”课程 在测试图中加以上六种噪声信号 研究生“机器视觉”课程 研究生“机器视觉”课程 研究生“机器视觉”课程 结 论 上述噪声图像的直方图和它们的概率密度函数曲线对应相似。 前面5种噪声的图像并没有显著不同，但它们的直方图具有明显的区别 研究生“机器视觉”课程 周期噪声 在图像获取中从电力或机电干扰中产生。 周期噪声可以通过频率域滤波显著减少 研究生“机器视觉”课程 2、噪声参数的估计（Estimation of Noise Parameters） 噪声PDF参数估计的一般方法 1、截取一组“平坦”环境的图像，取出合理的恒定灰 度值的一小部分（如一矩形图像带）。 2、作出矩形图像带的灰度直方图。 3、从直方图的形状判断噪声的类型。 4、求出矩形图像带的基本统计量（均值和方差）。 5、根据噪声类型