第十一讲 图像复原.pptVIP

第十一讲 图像复原 第一页，共三十七页，2022年，8月28日 Explain Content 图像恢复的概念、模型与方法Purpose 熟悉线性平移不变系统图像退化模型，掌握逆滤波、维纳滤波恢复方法 第二页，共三十七页，2022年，8月28日 一、Examples of Image Degradation 运动模糊图像 噪声图像 离焦模糊图像 畸变图像 第三页，共三十七页，2022年，8月28日 二、 Basic Conception 图像的退化: 是指图像在形成、传输和记录过程中，由于成像系统、传输介质和设备的不完善，使图像的质量变坏。 图像复原:是在研究图像的退化原因基础上，以退化图像为依据，根据一定的先验知识，建立一个退化模型然后用相反的运算，以恢复原始景物图像。 找退化原因→建立退化模型→反向推演→恢复图像 可见，图像复原主要取决于对图像退化过程的先验知识所掌握的精确程度，体现在建立的退化模型是否合适。 第四页，共三十七页，2022年，8月28日 图像增强和图像复原的差别 图像增强不考虑图像是如何退化的，而是试图采用各种技术来增强图像的视觉效果。因此，图像增强可以不顾增强后的图像是否失真，只要看得舒服就行 而图像复原就完全不同，需知道图像退化的机制和过程等先验知识，据此找出一种相应的逆处理方法，从而得到复原的图像。 如果图像已退化，应先作复原处理，再作增强处理。 二者的目的都是为了改善图像的质量。 第五页，共三十七页，2022年，8月28日 三 The Math Model of Image Degradation f (x, y)——原始图像 h (x, y)——退化函数 n (x, y)——外加噪声 g (x, y)——退化图像 退化的图像是由成像系统的退化加上额外的噪声形成的 所以说关于退化函数和外加噪声的信息知道得越多就越容易使得恢复的图像逼近原图像 第六页，共三十七页，2022年，8月28日 一幅连续的图像以用下式表示 事实上，一幅图像可以看成由无穷多极小的像素所组成，每一个像素都可以看作为一个点源成像，因此，一幅图像也可以看成由无穷多点源形成的。 对一线性空不变系统而言，经退化函数作用时 第七页，共三十七页，2022年，8月28日 简记为 上式表明，线性位移不变系统的输出等于系统的输入和系统脉冲响应（点扩散函数）的卷积。 第八页，共三十七页，2022年，8月28日 三、退化的数学模型 若受加性噪声的影响，则图像可表现为： 则退化图像可表示为： 若等价在频域中 ，上式可表达为： 公式中大写的项是相应的傅立叶变化项 第九页，共三十七页，2022年，8月28日 四 The Models of Noise 噪声: 妨碍人们感觉器官对所接收的信源信息理解的因素。不可预测，只能用概率统计方法认识的随机误差。 图像的噪声分类： 按产生的原因分类：外部噪声和内部噪声 按统计特征分类：平衡噪声和非平衡噪声 平衡噪声 按直方图形状划分 高斯噪声 瑞利噪声 伽马噪声 指数分布噪声 均匀分布噪声 脉冲噪声（椒盐噪声） 第十页，共三十七页，2022年，8月28日 高斯噪声(Gaussian Noise) 高斯噪声的概率密度函数由下式给出： 第十一页，共三十七页，2022年，8月28日 瑞利噪声(Rayleigh Noise) 瑞利噪声的概率密度函数由下式给出： 第十二页，共三十七页，2022年，8月28日 伽马噪声(Gamma Noise) 伽马噪声的概率密度函数由下式给出： 第十三页，共三十七页，2022年，8月28日 指数分布噪声 (Exponential Noise) 指数噪声的概率密度函数由下式给出： 第十四页，共三十七页，2022年，8月28日 均匀分布噪声 (Uniform Noise) 均匀噪声的概率密度函数由下式给出： 第十五页，共三十七页，2022年，8月28日 脉冲噪声（椒盐噪声）(Salt Pepper Noise) 脉冲噪声的概率密度函数由下式给出： 第十六页，共三十七页，2022年，8月28日 使用函数imnoise添加噪声 工具箱采用函数imnoise来使用噪声污染一幅图像。该函数的基本语法为： g=imnoise(f, type, parameters) 也可编写M函数imnoise2产生噪声模式本身。 详见数字图像处理（MATLA