维纳维纳滤波实现模糊图像恢复.pdfVIP

维纳滤波实现模糊图像恢复 摘要 维纳滤波器是最小均方差准则下的最佳线性滤波器， 它在图像处理中有着重要的应用。 本文 主要通过介绍维纳滤波的结构原理， 以及应用此方法通过 MA TLAB 函数来完成图像的复原。 关键词：维纳函数、图像复原 一、引言 在人们的日常生活中， 常常会接触很多的图像画面， 而在景物成像的过程中有可能出现 模糊，失真， 混入噪声等现象， 最终导致图像的质量下降， 我们现在把它还原成本来的面目， 这就叫做图像还原。 引起图像的模糊的原因有很多， 举例来说有运动引起的， 高斯噪声引起 的，斑点噪声引起的，椒盐噪声引起的等等， 而图像的复原也有很多， 常见的例如逆滤波复 原法， 维纳滤波复原法， 约束最小二乘滤波复原法等等。 它们算法的基本原理是， 在一定的 准则下， 采用数学最优化的方法从退化的图像去推测图像的估计问题。 因此在不同的准则下 及不同的数学最优方法下便形成了各种各样的算法。 而我接下来要介绍的算法是一种很典型 的算法， 维纳滤波复原法。 它假定输入信号为有用信号与噪声信号的合成， 并且它们都是广 义平稳过程和它们的二阶统计特性都已知。 维纳根据最小均方准则， 求得了最佳线性滤波器 的的参数，这种滤波器被称为维纳滤波。 二、维纳滤波器的结构 h n 维纳滤波自身为一个 FIR 或 IIR 滤波器，对于一个线性系统，如果其冲击响应为 ， 则当输入某个随机信号 x(n) 时， Y(n)= h(m)x (n m) 式（ 1） n 这里的输入 x(n) s(n) v (n) 式（ 2 ） 式中 s(n)代表信号， v(n) 代表噪声。我们希望这种线性系统的输出是尽可能地逼近 s(n) 的某 种估计，并用 s^(n) 表示，即 ? 式（ 3） y( n) s(n) 因而该系统实际上也就是 s(n) 的一种估计器。这种估计器的主要功能是利用当前的观测值 x(n) 以及一系列过去的观测值 x(n-1),x(n-2), ……来完成对当前信号值的某种估计。维纳滤波 属于一种最佳线性滤波或线性最优估计， 是一最小均方误差作为计算准则的一种滤波。 设信 号的真值与其估计值分别为 s(n)和 ? ，而它们之间的误差 s( n) e( n) s(n) s?(n) 式（ 4 ） 则称为估计误差。 估计误差 e(n) 为可正可负的随机变量， 用它的均方值描述误差的大小显然 更为合理。而均方误差最小，也就是 2 2 ? E[e (n)] E[( s s) ] 式（ 5） 最小。 利用最小均方误差作为最佳过滤准则比较方便， 它不涉及概率的描述， 而且以它导出 的最佳线性系统对其它很广泛的一类准则而言是属最佳。 三、维纳滤波器的局限 维纳滤波复原法存在着几个实质性的局限。第一，最有标准是基于最小均方误差的且对 所有误差等权处理， 这个标准在数学上可以接受， 但却是个不适合人眼的方式， 原因在于人 类对复原错误的感知在具有一致灰度和亮度的区域中更为严重，