图像复原第二次课.pptxVIP

图像的无约束恢复第*页在这一节我们要利用线性代数的方法，根据退化模型，在假定具备关于g、H和n的某些知识的情况下，寻求估计原图像f的某些方法。这种方法应在预先选定的最佳准则下，具有最优的性质。12

我们将集中讨论在均方误差最小意义下，原图像f的最佳估计，因为它是各种可能准则中最简单易行的（其他准则例如：图像g和原图像f的最大绝对误差max|f-g|最小；平均绝对误差最小；f和g互相关为最大等等）。

由退化模型g=Hf+n，其中f,g为堆叠向量。如果关于n我们一无所知，那么我们寻找f的一个估计值，使在最小二乘意义上近似于g。在无约束条件下，就是n无条件的小。这一问题等效地看为求准则函数：为最小0102

注②：）（注①：若a(x),b(x)为m维列向量，X为n维列向量，那么：01若H已知，则可根据上式求出。那么：02

1对取傅立叶反变换，就可求出恢复后的图像。32这就是逆滤波法。所以逆滤波法是无约束最小二乘法的频域解。可以证明，对两边分别取傅立叶变换，可以得出：

两边取傅立叶变换,有（根据图像退化模型：在噪声未知和不可分离的情况下，可近似取)由此可得：

对，若H(u,v)在uv平面上取零或很小，就会带来计算上的困难。另一方面，噪声还会带来更严重的问题。

若H(u,v)在uv平面上取零或很小，N(u,v)/H(u,v)就会使恢复结果与原图像有较大的差距。实际中，H(u,v)随u，v与原点距离的增加而迅速减小，而噪声N(u,v)却一般变化缓慢。在这种情况下，恢复只能在与原点较近（接近频域中心）的范围内进行。即H(u,v)具有低通滤波的性质：

换句话说，一般情况下，逆滤波器并不正好是1/H(u,v)，而是u和v的某个函数，可记为P(u,v)。P(u,v)常称为恢复转移函数。

使用逆滤波法时的注意事项：（1）在H(u,v)=0的点不做计算，即（2）当H(u,v)非常小时，N(u,v)/H(u,v)对复原结果起主导作用，而多数实际应用系统中，|H(u,v)|离开原点衰减很快，故复原应局限于离原点不太远的有限区域进行。（3）为避免振铃影响，一种改进的方法是取恢复的反向滤波器P(u,v)为:其中k和d均为小于1的常数，且d选得较小为好。H1(u,v)表示理想低通滤波器,缺点是会出现振铃效应。

（a）（d）（c）（b）图5.3.1不同滤波半径下反向滤波的结果比较（a）直接由反向滤波恢复的图像；（b）、（c）、（d）分别为半径30、50、70的二阶Butterworth滤波器（代替理想低通滤波器）作用后的结果。可以看到，逆滤波的结果还是不能令人满意。

由退化模型可知，影响图像恢复的因素包括噪声干扰n，成像系统的传递函数H,后者包含了图像传感器中光学和电子学的影响。先抛开噪声，要恢复原图像f，需要对矩阵H求逆，即：01数学上要求这个逆阵存在并且唯一。如果H－1不存在，但还存在和f十分近似的解，这称为恢复问题的奇异性。02恢复问题的病态性与奇异性3.有约束恢复方法

事实上，由于在模糊图像上存在非常小的扰动时，在恢复结果的图像中，都会产生不可忽视的强扰动。用公式表示为：ε为任意小的扰动，δε。无论是成像系统还是数字化器，对采集到的图像产生一些扰动，几乎是不可避免的。这就是恢复问题的病态性。至于噪声，由于其随机性，造成模糊图像g有无限的可能情况，也导致了恢复问题的病态性。

1为克服恢复问题的病态性质，常常需要在恢复过程中对运算施加某种约束，从而在一族可能结果中选择一种，这就是有约束的恢复。2有约束的最小二乘方复原3能量约束恢复4平滑约束恢复5均方误差最小滤波（维纳滤波）

约束复原方法

处理过程01拉各朗日系数02α=1/λ03

寻找点扩散函数hw(x,y)，使得图像恢复准则：f(x,y)和的之间的均方误差e2达到最小，即维纳滤波复原法

由Andrews和Hunt推导满足这一要求的传递函数为：Sf(u,v):为f[x,y]的功率普，Sh(u,v)为n[x,y]的功率普最小二乘方滤波

讨论一下上式的几种情况（1）如果s=1，方括号中的项就是维纳滤波器（2）如果s是变量，就称为参数维纳滤波器（3）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（4）当Sn(u,v)和Sf(u,v)未知时，用常数K可代替因此必须调节s以满足f^=(HTH+sQTQ)–1HTg

5.4图像的有约束最小二乘恢复=1时，该滤波器称为标准维纳滤波器，但不能说可以利用上式在约束条件下得到最