第六章 图像复原课件.ppt

**第六章图像复原4.图像滤波复原法用拉格朗日法求微分，γ可以用来调节以满足约束条件。**第六章图像复原4.图像滤波复原法设Rf和Rn为f和n的相关矩阵：它们是对称矩阵。对于大多数图像而言，相邻象素之间相关性很强，在20个象素之外，趋于零。在此条件下，Rf和Rn可以近似为分块循环矩阵：其中A和B为对角阵，W为酋阵。若QTQ用Rf－1Rn来代替**第六章图像复原4.图像滤波复原法当D为对角阵，分块循环矩阵因此：写成频域形式为：其中Sff(u,v),Snn(u,v)分别是f(x,y)和n(x,y)的谱密度。**第六章图像复原4.图像滤波复原法卡尔曼滤波维纳滤波是对图像为平稳过程且已知相关函数情况下再假定为白噪声条件下的最有线性滤波。维纳滤波提供了一种频域滤波，显然用频域方法时，计算机的存储量、计算量大而且不能向非平稳过程推广。为了克服维纳滤波的上述不足，卡尔曼等人在20世纪60年代初提出了一种递归滤波算法，即卡尔曼滤波。由于空间技术的需要推动了卡尔曼滤波的发展。它虽然也是根据随机过程统计的观点，但它可以在时域进行。卡尔曼滤波的另一个优点是它用递归滤波的方法，节约了存储量，减少了计算量。卡尔曼滤波也是求最小方差意义上的最优解，但它可以从某一点为起点去观测，用递归方法计算，有利于计算机实时求解。**第六章图像复原4.图像滤波复原法卡尔曼离散状态方程和观测方程卡尔曼离散滤波的两个方程为状态方程和观测方程状态方程观测方程设Wk和观测噪声Vk为两两互不相关的零均值正态白噪声系列**第六章图像复原4.图像滤波复原法根据Y1,Y2,…,Yk去估计xk称为卡尔曼滤波，根据Y1,Y2,…,Yk去估计xk＋1称为卡尔曼预测或外推。问题：无偏估计值：观测数据的估值：以下差称为新息，包含了从tk-1到tk时刻的随机干扰的影响：新息可以乘以一个增益系数矩阵Kk，来修正对xk的预测即为tk时刻的最佳线性估计。第六章图像复原第五章：图像复原第六章图像复原第六章图像复原第六章图像复原**第六章图像复原第五章图像复原**第六章图像复原本章主要内容：1.概述2.图像的退化模型3.退化参数的估计4.图像滤波复原法5.图像代数复原法**第六章图像复原1.概述什么是图像退化图像的质量变坏叫做退化。退化的形式有图像模糊、图像有干扰等图像退化的处理方法无论是由光学、光电或电子方法获得的图像都会有不同程度的退化；退化的形式多种多样。如传感器噪声、摄像机未聚焦、物体与摄像设备之间的相对移动、随机大气湍流、光学系统的相差、成像光源或射线的散射等；如果我们对退化的类型、机制和过程都十分清楚，那么就可以利用其反过程来复原图像。**第六章图像复原1.概述典型的图像复原方法是根据图像退化的先验知识建立一个退化模型，以此模型为基础，采用滤波等手段进行处理，使得复原后的图像符合一定的准则，达到改善图像质量的目的。**第六章图像复原2.图像的退化模型f(i,j)：原始图像g(i,j)：降质图像T(·)：成像系统的作用，则：设T是线性的。一幅连续的图像f(x,y)可以用抽样函数的二维卷积表示：因此，，则有：**第六章图像复原2.图像的退化模型为点扩散函数(PSF)或系统冲击响应。多数情况下它表现为时不变的，反映在图像中为位移不变的，则可以表示为其中*表示卷积运算。如果T(·)是一个h可分离系统，即称则二维运算可以分解为列和行两次一维运算来代替。在加法噪声情况下，图像退化模型可以表示为其中n(x,y)为噪声图像**第六章图像复原2.图像的退化模型线性位移不变的图像退化模型则表示为：f(x,y)Hn(x,y)g(x,y)**第六章图像复原2.图像的退化模型—离散图像退化模型对于图像降质过场进行数学建模f(i,j)：原始图像y(i,j)：降质图像h(i,j;k,l)：点扩散函数图像为M×N维假设为空间不移变h(i,j;k,l)，则：**第六章图像复原2.图像的退化模型—离散图像退化模型用矩阵形式表示上式：y、f和n分别表示M×N的函数矩阵y(i,j)、f(i,j)和n(i,j)的各行或各列前后相连而成的