图像复原与重建（二）——逆滤波

图像复原基本思路：弄清退化原因，建立退化模型，反向推演，恢复图像。

由于

所以估计F为

（这里的相除是像素之间的相除）

然而存在

而且?(?,?)未知，退化函数有可能很小或者为0，所以直接计算会出现问题。

所以常常限制在原点?(?,?)附近进行分析，减少遇到零值的概率。（记住这是在频率域的操作）

由于逆滤波存在的一些问题，之后在逆滤波的基础上进行讨论

最小均方误差（维纳）滤波

该方法建立在图像和噪声都是随机变量的基础上，找出未污染图像?的一个估计?,使他们之间的均方误差最小。

假设噪声和图像不相关，其中一个或另一个有零均值，且估计中的灰度级是退化图像中灰度级的线性函数。误差函数的最小值在频率域表示：

一个复向量与其共轭的乘积等于该复数量幅度的平方。维纳滤波。 

噪声的功率谱

未退化图像的功率谱

当我们处理白噪声时，谱??,?2是个常数，未退化图像的功率谱很少是已知的。经常用下式近似表达：

PSNR是最普遍和使用最为广泛的一种图像客观评价指标，然而它是基于对应像素点间的误差，即基于误差敏感的图像质量评价。由于并未考虑到人眼的视觉特性（人眼对空间频率较低的对比差异敏感度较高，人眼对亮度对比差异的敏感度较色度高，人眼对一个区域的感知结果会受到其周围邻近区域的影响等），因而经常出现评价结果与人的主观感觉不一致的情况。

MSE表示当前图像X和参考图像Y的均方误差（Mean Square Error），H、W分别为图像的高度和宽度：

PSNR的单位是dB，数值越大表示失真越小。n为每像素的比特数，一般的灰度图像取8，即像素灰阶数为256。