f[x,y]原始图像g[x,y](最新整理版).pptxVIP

第5章 图像复原;图像复原－又称为图像恢复;图像恢复的内容;退化模型和循环矩阵对角化;定义： ?f[x,y]: 原始图像 ?g[x,y]: 退化图像 ?n[x,y]: 加性噪声 g[x,y] = H{f[x,y]} + n[x,y] ?H{ }: 系统或操作 图像恢复就是在给定g(x,y)和代表退化的H的基础上，得到对f(x,y)的某个近似的过程;H{.};线性： – H{k1f1 + k2f2} = k1H{f1} + k2H{f2};常见具体退化模型示例;退化模型的计算;H称为M×M循环矩阵;如果直接对式(1)进行计算求解f，计算量达，如 M=N=512 ,则H的尺寸为262144×262144，可以 通过对角化H来简化 当k=0,1…M-1时，循环矩阵H(设为M×M)的特征矢量和特征值分别为;将H的M个特征矢量组成1个M×M的矩阵W W = [w(0) w(1) w(2) … w(M-2) w(M-1)];复原的代数方法;无约束复原方法;或 nTn = (g – Hf^)T(g – Hf^) 实际上是求J(f^)的极小值问题，除了要求J(f^)为最小外，不受任何其它条件约束，因此称为无约束复原;约束复原方法;处理过程 寻找一个f^，使下述准则函数为最小 J(f^) = ||Qf^||2 + α{||g – Hf^||2 - ||n||2}拉各朗 日系数 dJ(f^ )/df^ = 0 f^ = (HTH + γQTQ)–1 HTg α=1/λ;逆滤波;在有噪声的情况下 F^(u,v) = F(u,v) + N(u,v)/H(u,v) 从上面两式可以看出，在进行复原处理时可能会发生下列情况： H(u,v)=0或H(u,v)非常小，在这种情况下，即使无噪声，也无法精确恢复f(x,y) 在有噪声存在时，在H(u,v)的邻域内，H(u,v)的值可能比N(u,v)的值小的多，由上式得到的噪声项可能会非常大，不能使f(x,y)正确恢复;一般说，逆滤波不能正确估计H(u,v)的零点;例子;消除匀速直线运动引起的模糊;只考虑x方向的运动情况，即 x0(t)=ct/T，y0(t)＝0，则;假设L = Kc, 其中K使整数. 变量x为：;为了估计f(x): f(x-mc) = f(x) – f^(x). 对每个kc x (k+1)c计算，并将k = 0, 1, …, K-1 的结果加起 ，得到 Kf(x) = Sk=0 f(x+kc) – Sk=0 f^(x+kc), 0 x c K-1 K-1 f(x) A – (1/K) Sk=0 f^(x+kc), 0 x c K-1;最小二乘方滤波;讨论一下上式的几种情况 如果s=1，方括号中的项就是维纳滤波器 如果s是变量，就称为参数维纳滤波器 当没有噪声时，Sn(u,v)=0，维纳滤波器就退化为理想的逆滤波器 当Sn(u,v)和Sf(u,v)未知时，用常数K可代替;逆滤波和维纳滤波恢复比较;原始图像;交互式恢复;这里退化仅由噪声造成，所以有： G(u,v)=F(u,v)+N(u,v);例子;干涉模式;空间复原技术;空间变换;校正过程;设原图为f(x,y)，受到几何形变得影响变成 g(x’,y’)，这里(x’,y’)表示失真图像的坐标 x’=s(x,y) y’=t(x,y);在实际中，通常不知道解析表达，需要在恢复过程中的输入图象(失真图)和输出图(校正图)上找一些其位置确切知道的点(称为约束对应点)，然后利用这些点建立2幅图像间其它象素空间位置的对应关系;灰度插值;实例