图像处理-第五章 图像复原.pptVIP

模型估计法 （3）照相机与景物相对运动 令： 则前式为： 假设当前图像只在x方向以给定的速度x0(t)=at/T做均匀直线运动。当t=T时，图像由总距离a取代。 5.6.3 模型估计法(8) Estimation by Modeling （3）照相机与景物相对运动 令y0(t)=0，式(5.6.8)导出： 第5章 图像复原Image Restoration (5.6.10) (5.6.11) 若允许y方向按y0(t)=bt/T运动。则退化函数为： 5.6.3 模型估计法(9) Estimation by Modeling 由于运动而引起的图像模糊如图5.25所示。 第5章 图像复原Image Restoration k是常数，它与湍流的性质有关。 逆滤波 本节研究复原由退化函数H退化的图像的第一步。最简单的方法是直接逆滤波： 上式说明即使知道退化函数，也不能准确地复原未退化的图像。因为噪声是一个随机函数，其傅氏变换未知。并且，实际应用逆滤波复原方法时存在病态的问题，即如果退化为零或非常小的值，则N(u,v)/H(u,v)之比很容易决定复原函数的值。 随机函数，其傅里叶变换未知 逆滤波 实验证明，当退化图像的噪声较小，即轻度降质时，采用逆滤波复原的方法可以获得较好的结果。通常，在离频率平面原点较远的地方数值较小或为零，因此图象复原在原点周围的有限区域内进行，即将退化图象的傅立叶谱限制在没出现零点而且数值又不是太小的有限范围内。 逆滤波结果 剧烈湍流图像的复原结果 a)用全滤波的复原结果 b)半径为40时的结果 c)半径为70时的结果 d)半径为85时的结果 半径为70时效果最好， 大于70时产生退化， 小于70时变得模糊。 这个例子的结果说明 直接进行逆滤波的结 果是较差的。 最小均方误差滤波(维纳滤波)  最小均方误差滤波是综合退化函数和噪声统计特征两方面进行复原处理的方法。 目标是找一个未污染图像f的估计值，使它们之间的均方误差最小。误差度量由下式给出： 假定：噪声和图像不相关；其中一个有零均值；估计的灰度级是退化图像灰度级的线性函数。 最小均方误差滤波(维纳滤波) 上式中误差函数的最小值在频域用下列表达式计算： 最小均方误差滤波(维纳滤波)  当处理白噪声时，谱|N(u,v)|2是一个常数，大大简化了处理过程。然而，未退化图像的功率谱很少是已知。当这些值未知或不能估计时，经常使用的方法是用下面的表达式近似： 维纳滤波器的复原过程 (1)计算图像g（x,y）的二维离散傅立叶变换得到G(u,v)。 (2)计算点扩散函数h(x,y)的二维离散傅立叶变换。 (3)估算图像的功率谱密度Pf和噪声的谱密度Pn。 (4)由公式计算图像的估计值 。 (5)计算逆付氏变换，得到恢复后的图像。 逆滤波与维纳滤波的比较 这一方法有如下特点： （1）当H（u,v）→0或幅值很小时，分母不为零，不会造成严重的运算误差。 （2）当Pn→ 0时，维纳滤波复原方法就是前述的逆虑波复原方法。 (3)当Pf→ 0时，这表示图像无有用信息存在，因而不能从完全是噪音的信号中来“复原”有用信息。 对于噪声功率谱Pn(u,v)，可在图像上找一块恒定灰度的区域，然后测定区域灰度图像的功率谱作为Pn(u,v)。 逆滤波与维纳滤波的比较 a)用全滤波的复原结果 b)半径受限的逆滤波结果 c)维纳滤波结果 可见维纳滤波的效果最好，接近于原图像 逆滤波与维纳滤波的比较 (a)由运动模糊及均值为0方差为650的加性高斯噪声污染的图像 (b) 逆滤波的结果 (c) 维纳滤波的结果 (d)-(f) 噪声幅度的方差比(a)小一个数量级 (g)-(i) 噪声方差比(a)小5个数量级 约束最小二乘方滤波器 噪声方差和均值经常能从一个给定的退化图像计算出来，这是一个很重要的优点。 维纳滤波建立在最小化统计准则的基础上，在平均意义上它是最优的。 约束最小二乘方滤波器对于处理的每一幅图像它都能产生最优结果。 将退化函数写成一维向量的形式， ，如g(x,y)为 大小尺寸，则g就为 维向量，同样，H为 维矩阵，f为 维向量，由此，我们可以采用约束最小二乘法求解该方程。这里，由于噪声的干扰，求解问题成为病态问题，因此，为减少噪声的敏感性，我们采用了以平滑措施的最佳复原为基础参量约束，我们期望最小准则函数为C 约束为 约束最小二乘滤波器 约束最小二乘滤波器 约束最小二乘方滤波器 约束最小二乘方意义下的最佳复原在视觉效果上并不意味着最好。根据退化和噪声的性质及大小，算法中交互地确定最佳估计的其他参数，在最终结果中也起到很