数字图像处理课程.pdfVIP

图像质量提升关键技术 1. 图像去噪 图像去噪的目标是给定的含有噪声的退化图像， 能够有效地将图像中的原始信号和噪声 信号进行分离，使得处理后的图像逼近未受噪声干扰的原始图像，使其符合人眼视觉特性， 从而有助于对图像的进一步的后续分析与处理。 自然图像的噪声主要包括加性高斯噪声和脉 冲噪声， 其产生原因主要有两方面： 一方面是在图像采集过程中， 由光学或电子系统的误差 引起的；另一方面是图像在传输信道过程中，受外界干扰而引起的。去噪过程如图 1 所示。 图 1 图像混合高斯和脉冲噪声去除问题 Fig.1 Image mixed Gaussian and impulse noise removal 通常， 自然图像在采集和传输过程中， 都会受到混合高斯和脉冲噪声的影响， 即噪声图 像成像模型可以表示为： y x （1） y Nimp ( y ) 其中， x 表示原始的未加噪声图像； 表示符合均值为零，方差为 的高斯分布加性噪声； y 为中间过程产生的含有高斯噪声的图像； Nimp 表示加入脉冲噪声的污染算子； y 表示最终 观测得到的含有两种噪声的图像。根据上述噪声图像成像模型，图像混合噪声去除问题可 以描述为从给定的噪声图像 y ，设计图像模型和处理算法从噪声图像中重建出原始图像 x 。 针对加性噪声问题， 主要有空域滤波方法与变换域方法 （小波变换、稀疏冗余表示模型） 等。特别是，目前主流的三种方法是建立在稀疏表示模型的基础上，分别是 BM3D 算法、 LSSC 算法与 CSR 算法， 将图像自相似性和稀疏性相结合。 针对脉冲噪声问题， 主要有中值 滤波算法，以及保持图像边缘结构的变分方法。 图像去噪的主要任务： 利用图像去噪算法， 对典型噪声图像进行去噪实验对比， 并利用 均方误差、峰值信噪比、结构相似度（ SSIM ）与特征相似性的索引测度（ FSIM ）等评价方 法比较去噪效果，并深入分析现有去噪算法的优劣。 2. 图像超分辨率重建 图像超分辨率重建的基本思想是把同一场景中的低分辨率退化图像序列重建出一幅 （或 序列） 高分辨率清晰图像的复原技术， 将稀疏性作为先验信息正则化超分辨率重建问题， 解 决固有的传感器阵列排列密度限制引起的图像分辨率低的问题， 弥补传感器硬件方面的不足。 如 2 图所示，图像超分辨率重建结果。 图 2 图像的超分辨率重建 Fig.2 Image super-resolution reconstruction 在运动变形、光学模糊、运动模糊、低采样率、随机噪声等多种退化因素影响下，图像 采集系统往往获取的是具有混叠效应的低分辨率噪声模糊图像。 目前，现有的超分辨率重建 方法存在不适定、 计算复杂度高等问题， 因此，低分辨率退化图像与高分辨率图像间的数据 退化模型对重建至关重要。基于稀疏表示理论的超分辨率图像重建的退