Matlab-模糊图像恢复-数字图像处理

 模糊图像恢复

一、实验目的

本实验是一个综合性实验，要求学生巩固学习多个知识点和内容，主要有：

1、理解掌握运动图像的退化模型；

2、掌握维纳滤波法的原理和实现方法；

3、在不同的噪声和点扩散函数参数下进行恢复，并比较结果；

4、通过分析和实验得出相应的结论。

二、实验准备

1、运动模糊退化模型：运动模糊是图像退化的一种，可以用数学表达式刻画出来。对线性移（空）不变系统，退化模型可表示为：g(x,y)=h(x,y)*f(x,y)+n(x,y)。对匀速直线运动而言，退化图像为：

           

其中x0(t)和y0(t)分别表示x和y方向的运动分量。并假设退化系统是线性移不变的，光学成像过程是完善的，快门开关是瞬间完成的。

对上式进行傅立叶变换，则得频域表达式为

  

其中

       

假设景物只在x方向匀速运动，在T时间内共移动距离是a，即x0(t)=at/T，y0(t)=0,则

 

在Matlab中可用滤波器卷积的方法仿真出运动模糊图像。

h=fspecial(‘motion’,len,theta),表示在theta方向移动len长度，产生运动模糊的点扩散函数h。

blurred=imfilter(I,h,'circular’,’conv’),产生运动模糊图像。

2、维纳滤波法恢复图像：

此方法也叫最小均方误差滤波法，是建立在图像和噪声都是随机过程，图像和噪声不相关，其中之一的均值为零，灰度估计值与退化图像中的灰度值成线性关系。其基本思想是找到原图像f(x,y)的一个估计

，使得估计与原图像之间的均方误差在统计意义上最小。

      

其中E{.}表示数学期望，当上式取得最小值时，所得到的估计值

在频域的表达式为：

        

其中H(u,v)是点扩散函数h(x,y)的傅里叶变换，H*(u,v)是退化函数H(u,v)的复共轭，Sn (u,v)=|N(u,v)|2、Sf(u,v)=|S(u,v)|2分别是噪声和原图像的功率谱。

而在实际当中，Sn(u,v)、Sf(u,v)未知，特别是Sf(u,v)，上式无法直接运用。解决的方法之一是令Sn(u,v)/ Sf(u,v)等于某个常数k。上式就成了

在Matlab中有专门的函数可以实现维纳滤波法恢复。wn1=deconvwnr(blurred,h)，参数部分有多种选择的方法，这个表示用真实的点扩散函数进行恢复。

为了对比，可取不同的参数，以及加入噪声，再恢复，噪声可用imnoise或randn函数生成。细节可参阅matlab相关资料。

三、实验内容与要求

参照以上知识点和过程仿真一幅运动模糊图像，用不同的参数，不同的噪声等情况下进行恢复，并探讨各量对恢复结果的影响。(可参照教材中插图的参数)

四、实验报告

1、提交经调试正确的程序源代码及相关文档。

2、总结调试程序时遇到的问题及解决方案。

实验程序：

%%%%%两幅图片相加可以使用函数        imadd

I = imread(''); I = imread('');

J = imread('');  Iplus50 = imadd(I,50);

        K = imadd(I,J);

%%%%%%%%

       %h=fspecial(‘motion’,len,theta),表示在theta方向移动len长度，而产生运动模糊的点扩散函数h

       I = imread('I:\');

       subplot(2,2,1);imshow(I);title('Original Image——原始图像');

       H = fspecial('motion',20,45);%定义的运动模型

       MotionBlur = imfilter(I,H,'replicate');

       subplot(2,2,2);imshow(MotionBlur);title('Motion Blurred Image——运动模糊图像');

       H = fspecial('disk',10);

       %blurred=imfilter(I,h,'circular’,’conv’),产生运动模糊图像

       blurred = imfilter(I,H,'replicate');

       subplot(2,2,3);imshow(blurred);title('Blurred Image——模糊图像');

       H = fspecial('unsharp');

       sharpened = imfilter(I,H,'replicate');

       subplot(2,2,4);imshow(sharpened);title('Sharpened Image——锐化图像');

 %%%%%%%%

       I = im2double(imread('I:\'))/255;

       subplot(221)

       imshow(I);

       title('Original Image ——原始图像');

       % Simulate a motion blur.

       LEN = 21;%像素值

       THETA = 11;%角度

       PSF = fspecial('motion', LEN, THETA);%产生运动模糊的点扩散函数PSF

       %blurred=imfilter(I,h,'circular’,’conv’),产生运动模糊图像

       blurred = imfilter(I, PSF, 'conv', 'circular');

       % Simulate additive noise.

       noise_mean = 0;

       noise_var = ;

       blurred_noisy = imnoise(blurred, 'gaussian', ... %高斯噪声

                          noise_mean, noise_var);

       subplot(222), imshow(blurred_noisy)

       title('Simulate Blur and Noise')

       % Try restoration assuming no noise.

       estimated_nsr = 0;

       wnr2 = deconvwnr(blurred_noisy, PSF, estimated_nsr);

       subplot(223), imshow(wnr2)

       title('Restoration of Blurred, Noisy Image Using NSR = 0')

       % Try restoration using a better estimate of the noise-to-signal-power

       % ratio.

       estimated_nsr = noise_var / var(I(:));

       wnr3 = deconvwnr(blurred_noisy, PSF, estimated_nsr);

       subplot(224), imshow(wnr3)

       title('Restoration of Blurred, Noisy Image Using Estimated NSR');