冈萨雷斯Matlab版第五章（图像复原）知识点要点记录

前言

复原的目的是在预定义的意义上改善给定的图像。尽管图像增强与图像复原之间有重叠的部分，但前者主要是主观的处理。图像复原大部分是客观的处理。复原通过使用退化现象的先验知识试图重建或回复一幅退化的图像。因此，复原技术趋向于将退化模型化并用相反的处理来回复原图像，考虑用去模糊函数来消除图像的模糊。

5.1 图像退化/复原处理的模型

本章中用退化函数把退化过程模型化，它和加性噪声项一起，作用于输入图像f(x, y)，产生一幅退化的图像g(x, y):
g(x, y) = H[f(x, y)] + η(x, y)
给定g(x, y)，一些关于退化函数H的知识以及一些关于加性噪声η(x, y)的知识，复原的目标就是得到原图像的一个估计f‘，并使得这个估计尽可能接近原始的输入图像。

若H是线性、空间不变的过程，则退化图像在空间域通过下式给出。
g(x, y) = h(x, y) * f(x, y) + η（x, y）
其中，h(x, y)是退化函数的空间表示，*表示卷积。由于空间域的卷积和频域的乘法组成了一个傅里叶变换对，所以用等价的频域表示有：
G(u, v) = H(u, v)F(u, v) + N(u, v)
其中，大写字母表示的项是卷积方程式中对应项的傅里叶变换。
退化函数H(u, v)有时称为光学传递函数（OTF），在空间域，h(x, y)称为点扩散函数（PSF）。对于任何种类的输入，让h(x, y)作用于光源上的一个点来得到退化的特征，点扩散函数就是来源于此。MATLAB工具箱提供两个函数：otf2psf和psf2otf用于OTF和PSF之间的转换。有时退化过程称为“用PSF或OTF对图像进行卷积”，复原过程称为反卷积。

5.2 噪声模型

模拟噪声 的行为和影响的能力是图像复原的核心。

5.2.1 使用函数imnoise添加噪声

工具箱采用imnoise来使用噪声污染一幅图像，基本语法为：
g = imnoise(f, type, parameters)
其中，f是输入图像，type和parameters使用如下。
函数imnoise在给图像添加噪声之前，将它转换为范围[0, 1]内的double类图像。

• g = imnoise(f, 'gaussian', m, var)将均值为m，方差为var的高斯噪声加到图像f上，默认值m = 0, var = 0.01。
• g = imnoise(f, 'localvar', V)将均值为0、局部方差为V的高斯噪声添加到图像f上，其中V是与f大小相同的一个数组，它包含了每个点的理想方差值。
• g = imnoise(f, 'localvar', image_intensity, var)将均值为0的高斯噪声添加到图像f上，其中噪声的局部方差var是图像f的亮度值的函数，参量image_tensity和var是大小相同的向量，plot(image_intensity, var)绘制出噪声方差与图像亮度的函数关系，向量iamge_intensity必须包含范围在[0, 1]内的归一化亮度值。
• g = imnoise(f, 'salt & pepper', d)用椒盐噪声污染图像f，其中d是噪声密度（即包含噪声值的图像区域的百分比）。因此，大约有d * numel(f)个像素受到了影响，默认噪声密度为0.65。
• g = imnoise(f, 'speckle', var)用方程g = f + n * f将乘性噪声添加到图像f上，其中n是均值为0、方差为var的均匀分布的随机噪声。var的默认值是0.04。
• g = imnoise(f, 'poisson')从数据中生成泊松噪声，而不是将人工的噪声添加到数据中。为了遵守泊松统计，uint8类和uint16类图像的亮度必须和光子的数量相符合。当每像素的光子数量大于65535但小于10¹²时，就要使用双精度图像。亮度值在0~1之间变化，并且对应于光子的数量除以10¹²。

5.2.2 使用指定的分布产生空间随机噪声

先验知识：若w是一个在区间(0, 1)内均匀分布的随机变量，则可以通过求解下面的方程来得到具有指定CDF（累积分布函数）和F_z的一个随机变量z：
z = F_z^-1(w)
即，寻找方程F_z(z) = w的解。
例5.1 使用均匀随机数生成具有批定分布的随机数
假设我们有一个其均匀随机数w在区间(0, 1)内的随机数生成器，并假设我们要用它来生成具有瑞利CDF的随机数z，它具有如下形式：

为得到z，可解方程

或

由于平方根项是非负的，所以可以确定不会产生值小于a的z，正如瑞利CDF所定义要求的那样，因此，我们的生成器产生的均匀随机数w可以用在前面的方程中，以便用来生成一个参数为a和b的瑞利分布的随机变量z。
在MATLAB中很容易推广到一个M * N的随机数数组R：
R = a + sqrt(b * log(1 - rand(M, N)))
其中，log是自然对数，rand生成一个大小为M * N的数组，数组的元素为（0， 1）区间内均匀分布的随机数。
TIPS：

• 随机数生成器方差
  表达式
  
  有时称为随机数生成器方程，因为它确定了如何生成需要的随机数。

• randn(M, N)
  生成一个大小为M*N的数组，它的元素是零均值、单位方差的正态（高斯）数。

• find(A)
  I = find(A)返回数组A中所有非零元素的索引，若一个也没有，返回空矩阵，以格式A(:)处理数组A，所以I是一个列向量。
  [r, c] = find(A)返回矩阵A的非零元素的行和列索引。
  [r, c, v] = find(A)除了返回行索引和列索引外，还以列向量v返回A的非零值。

• 随机变量的生成表
  

• imnoise2函数
  R = imnoise2(type, M, N, a, b)
  产生一个大小为