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');