MATlAB图像复原.pptVIP

MATLAB 图像复原 丁言虎 09S021062 图像处理基本内容 完整的数字图像处理工程大体上可分为：图像 信息的获取、图像信息的存储、图像信息的传 送、数字图像处理、图像的输出和显示。 常见的处理有图像获取、图像数字化、图像 编码、图像增强、图像复原、图像分割、图 像分析和图像理解等。 授课框架 图像复原基本概念 退化模型 复原方法 MATLAB实现 图像复原基本概念 图像复原是早期图像处理的主要内容之一，目的在于消除或减轻在图像获取、传输及保存过程中造成的图像品质下降，即退化现象，恢复图像的本来面目。 退化的主要原因： ①光学系统离散的几何畸变 ②摄像系统与被摄物之间的相对运动 ③电子或光学系统的噪声和介于摄像系统与被摄像物间的 大气湍流 。 ④图像远距离传输产生的加性噪声 ⑤图片（照片）保存不当，引起纸质的变化等 退化模型 退化函数 H 一幅纯净的图像f(x,y)是由于通过一个系统H及加入外来加性噪声n(x,y)而退化为一幅图像g(x,y)的。 对于线性系统，上图模型可以表示为： 不妨令n(x,y)=0，若系统为线性时不变系统，有： 注）实际中，系统多为非线性时变系统，为便于计算机处理，采用近似方法，近似为线性时不变系统，应用线性系统理论解决图像复原问题。 利用信息光学所学知识，输入信号可以分解为一些‘基元’函数的加权叠加： 则有以下方程成立： 1）连续退化模型 在有加性噪声的条件下，线性退化模型可表示为： 2）离散退化模型 如果把 和 进行均匀采样，就可以引出离散的退化模型。 假设有两个函数， 图像大小为 , 的点扩散函数大小为 。先作成大小为 的周期延拓图像： 经过这样的延拓后， 分别成为二维周期函数，在x和y方向周期为M和N。由此得到二维离散退化模型为： 含有加性噪声的离散退化模型为： 用矩阵来表示： 复原方法 逆滤波复原 不考虑噪声时的退化模型，由傅里叶变换的卷积定理得： 从而： 这就是逆滤波法复原的基本原理。 有噪声时写为： 维纳滤波复原 寻找一个使统计误差函数 最小的估计 。其中E是期望值操作符，f是未退化的图像。在频域可表示为： 表示噪声的功率谱 表示未退化图像的功率谱 我们感兴趣的两个量为平均噪声功率和平均图像功率，分别定义为： 其中，M和N表示图像和噪声数组的垂直和水平大小，都是标量常量，它们的比率 也是标量，有时用来代替 ，以便产生一个常量数组。在这种情况下，即使真实的比率未知，交互式地变化常量并观察复原的结果的实验也是简单的。 图像退化/复原处理模型 退化函数H + 复原滤波器 退化 复原 MATLAB实现 1）图像模糊化 A=checkerboard(8); PSF=fspecial(motion,9,45); B = imfilter(A,PSF,circular); noise = imnoise(zeros(size(f)),gaussian,0.1,0.1); C = B + noise; subplot(2,2,1);imshow(pixeldup(A,8),[]);title(‘原图像 ); subplot(2,2,2);imshow(pixeldup(B,8),[]);title(‘模糊图像); subplot(2,2,3);imshow(pixeldup(noise,8),[]);title(‘噪声图像); subplot(2,2,4);imshow(pixeldup(C,8),[]);title(‘模糊噪声图像); 维纳滤波MATLAB语句实现的三种形式： (1) fr=deconvwnr(g,PSF); 这种形式假设信噪功率比为零，从而维纳滤波退化为直接逆滤波 (2) fr=deconvwnr(g,PSF,NSPR); 这种形式假设信噪功率比已知，或是个常量或是个数组。而实际中，由于不知道原图像，故一般不知道退化图像的信噪功率比，且实际情况下这个比值不是简单的常数。 (3) fr=deconvwnr(g,PSF,NACORR,FFACORR) 这种形式假设噪声和未退化图像的自相关函数NACORR和FFACORR是已知的。这种形式使用 和 的自相