教学课件：《数字图像处理》(第三版)何东健.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 10.3 最小二乘类约束复原 在最小二乘类约束复原中，要设法寻找一个最优估计 ，使得形式为 的函数最小化。求这类问题的最小化，常采用拉格朗日乘子算法。也就说，要寻找一个 ，使得准则函数： 最小。式中：Q为 的线性算子；α为一常数，称为拉格朗日乘子，对上式求导： 10.3 最小二乘类约束复原 求解 得到： 式中：γ=1/α，该常数必须调整到约束被满足为止。求解的关键是选用一个合适的变换矩阵Q。选择Q形式不同，便可得到不同类型的有约束最小二乘类图像复原方法。如果用图像f和噪声的相关矩阵Rf和Rn表示Q，即为维纳滤波复原方法。若选用拉普拉斯算子形式，则可推导出有约束最小平方恢复方法。 10.3 最小二乘类约束复原 维纳滤波 在一般情况下，图像信号可近似为平稳随机过程，维纳滤波将原始图像f和对原始图像的估计 看作为随机变量。假设Rf和Rn为f和n的自相关矩阵，其定义为： 10.3 最小二乘类约束复原 维纳滤波 Rf和Rn均为实对称矩阵，在大多数图像中，邻近的像素点是高度相关的，而距离较远的像素其相关性较弱。通常，f和n的元素之间的相关不会延伸到20～30个像素的距离之外。因此，一般来说，自相关矩阵在主对角线附近有一个非零元素带，而在右上角和左上角的区域内将为零值。如果像素之间的相关是像素之间距离的函数，可将Rf和Rn近似为分块循环矩阵。因而，用循环矩阵的对角化，可写成： 式中：W为一个MN×MN矩阵，包含M×M个N×N的块。M、N含义见二维离散模型部分。 10.3 最小二乘类约束复原 维纳滤波 W的第i,m个分块为： 其中WN为一个N×N矩阵，其第k,n个位置的元素为： A和B的元素分别为Rf和Rn中的自相关元素的傅立叶变换。这些自相关的傅立叶变换被分别定义为fe(x,y)和ne(x,y)的谱密度Sf (u,v)和Sn(u,v)。 10.3 最小二乘类约束复原 维纳滤波 定义， 代入上式得： 进一步可推导出： 式中：D－对角阵；D*－D的共轭矩阵。D的对角元素与he(x,y)中的傅立叶变换有关： 10.3 最小二乘类约束复原 维纳滤波 对上式再进行矩阵变换： 假设M=N，则： 式中： ，u,v分别为0,1,2,…,N-1。 10.3 最小二乘类约束复原 维纳滤波 对上式作如下分析： (1)如果γ=1，称之为维纳滤波器。注意，当γ=1时，并不是在约束条件下得到的最佳解，即并不一定满足 。若γ为变数，此式为参变维纳滤波器。 (2)当无噪声影响时，Sn(u,v)=0，称之为理想的反向滤波器。逆滤波器可看成是维纳滤波器的一种特殊情况。 (3)若不知道噪声的统计性质，即Sf (u,v)和Sn(u,v)未知时，可以用下式近似： 10.3 最小二乘类约束复原 约束最小平方滤波 约束最小平方复原是一种以平滑度为基础的图像复原方法。如前所述，在进行图像恢复计算时，由于退化算子矩阵H[?]的病态性质，多数在零点附近数值起伏过大，使得复原后的图像产生了多余的噪声和边缘。它仍然是以最小二乘方滤波复原公式为基础，通过选择合理的Q，并优化‖Qf‖2，从而去掉被恢复图像的尖锐部分，即增加图像的平滑性。 10.4 非线性复原方法 非约束复原和约束复原方法的共同特点是复原过程可以用矩阵乘法来表示。而且矩阵都是分块循环阵，从而可实现对角化，大大节省运算量。本节要介绍的非线性图像复原方法，它的准则函数不能用W进行对角化，因而不能用线性代数的方法简化运算。 10.4 非线性复原方法 最大后验复原: