第五章 图像复原

于 2022-11-13 15:13:27 发布
阅读量908 收藏 11
点赞数
分类专栏： 数字图像处理（初级学习） 文章标签： 计算机视觉 人工智能 图像处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ZPD010505/article/details/127827676
版权

        本章主要内容为图像退化模型与噪声模型、图像的空域复原和频域复原方法、退化函数的估计方法、逆滤波、维纳滤波、约束最小二乘滤波。

        本章要求重点掌握的内容为四种典型的图像噪声的表现特点；图像退化的数学模型；三种典型的退化函数；退化函数的估计方法。

        本章科普内容为图像退化过程的产生原因；图像退化函数的辨识；Wiener滤波。

5.1 图像噪声

5.1.1 白噪声（White Noise）

        白噪声具有常量的功率谱，其一个特例是高斯噪声（Gaussian Noise），其直方图曲线服从一维高斯模型分布：

\large p(x)=\frac{1}{\sqrt{2\pi}\sigma }e^{-\frac{(x-\mu )^{2}}{2\sigma^{2}}}

        \large \mu,\sigma 为均值与标准差。MATLAB函数为 J=imnoise(I, 'gaussian', M, V)，M,V为均值和标准差。

 5.1.2 椒盐噪声（Pepper & Salt Noise）

        椒盐噪声是一种在图像中产生黑色、白色点的脉冲噪声。该噪声在图像中显现较为明显，对图像分割、边缘检测、特征提取等后续处理具有严重破坏作用。

        MATLAB函数为J=IMNOISE(I, 'salt & pepper', D)，D为噪声密度。

 5.1.3 乘性噪声（Multiplication Noise）

        乘性噪声与加性噪声对应，加性噪声一般指热噪声、散弹噪声等，它们与原始信号的关系是相加，不管有没有原始信号，噪声都存在。而乘性噪声一般由信道不理想引起，它们与信号的关系是相乘，依附于信号而存在。

        MATLAB产生函数为J=imnoise(I, 'speckle', V)，V为噪声方差。

 5.1.4 量化噪声（Quatization Noise）

        在量化级别不同时出现的噪声。例如，将图像的亮度级别减少到1/16时会出现伪轮廓。量化噪声可以从直方图分布予以分析。

5.2 图像退化 

5.2.1 图像退化形式、图像复原目的

        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及传输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。

        退化包括由成像系统光学特性造成的歧变，以及噪声和相对运动造成的模糊等情况。

        图像复原是试图利用退化过程的先验知识，去恢复已被退化图像的本来面目。

        图像复原的基本思路是先建立退化的数学模型，然后根据该模型对退化图像进行拟合。图像复原可以在空域进行处理，也可以在频域进行处理。

5.2.2 图像退化产生原因

        图像退化产生过程包括：光学系统的像差、大气流的扰动效应、摄影胶片的非线性、图像运动造成的模糊、光学系统中的几何畸变、传感器非线性。

 5.2.3 图像退化的数学模型

        设一成像系统的物像映射关系（或说退化图像）为：

\large g(x,y)=T[f(x,y)]

        模型表示为：

\large f(x,y)\rightarrow T[]\rightarrow g(x,y)

        \large T[]可以理解为成像系统作用的运算符，实际成像系统在一定条件下可近似看作线性移不变系统，图像恢复过程中往往使用线性移不系统模型。

        复杂激励f(x, y) 等于无数个\large \delta函数激励之和。   

        \large \delta函数选择性：

\large f(x,y)=\int \int f(\alpha, \beta)\delta(x-\alpha,y-\beta)d\alpha d\beta

\large g(x,y)=\int \int f(\alpha, \beta)h(x,y,\alpha,\beta)d\alpha d\beta

        系统脉冲响应（点扩散函数，PSF: Point-Spread Function）:

\large h(x,y,\alpha, \beta)=T[\delta(x-\alpha, y-\beta)]

        先求出系统对基元函数的响应（输出）表达式（即系统脉冲响应），再乘以相应权重因子后求和，就可以得到退化图像。

        根据移不变性质：

\large h(x,y,\alpha,\beta)=h(x-\alpha,y-\beta)

        近代光学中用成像概念来描述的退化图像（degraded image）的数学表达式。

\large g(x,y)=\int \int f(\alpha, \beta)h(x-\alpha, y-\beta)d\alpha d\beta=f(x,y)*h(x,y)

        图像退化过程一般看作是噪声的污染过程，且假定噪声是加性白噪声，这时退化后的图像为：

\large g(x,y)=H[f(x,y)]+n(x,y)

        模型表示为：

         H[]可理解为综合所有退化因素的函数，实际成像系统在一定条件下可近似看作是线性以不变系统，图像恢复过程中往往使用线性移不变的系统模型，利用矩阵模型表示为：

\large g=Hf+n

        g, f, n为图像排成的列向量。

        图像频域的退化公式：

\large G(u,v)=H(u,v)F(u,v)+N(u,v)

        模型表示为： 

        利用FFT，可以将g, f, n转化到频域：

 5.2.4 常见退化函数

 5.2.4.1 线性运动退化函数

        由于目标与成像系统间的相对匀速直线运动形成的退化。水平方向的线性运动可表示为：

\large h(m,n)= \left\{\begin{matrix} 1/d;0\leqslant m\leqslant d, n=0 & \\ 0\ \ ; \qquad \qquad other & \end{matrix}\right.

 5.2.4.2 焦散退化函数

        几何光学分析表明，光学系统焦散造成的图像退化对应的点扩散函数应该是一个均匀分布的圆形光斑，可表示为：

\large \left \{ \begin{matrix} 1/(\pi R^{2});\qquad u^{2}+v^{2} & \\ 0; \qquad \qquad other& \end{matrix} \right.

 5.2.4.3 高斯退化函数

         高斯退化函数是许多光学测量系统和成像系统最常见的退化函数。在这些系统中，由于决定系统点扩散函数的因素较多，其综合效果往往使最终的点扩散函数趋近于高斯型。

\large \left\{\begin{matrix} K*exp(-s(m^{2}+n^{2})) \qquad (m,n) \leqslant C & \\ 0 \qquad \qquad \qquad \qquad \quad other & \end{matrix}\right.

        其中K是归一化常数，是一个正常数，C是圆形支持域。下图为高斯退化图像。

5.3 图像退化函数的辨识

5.3.1图像观察法

        对于一幅模糊图像，首先提取包含简单结构的一小部分图像，然后根据这部分图像中目标和背景的灰度级，就可以构建一幅不模糊的图像，该图像与观察到的子图像具有相同的大小和特性。

        \large H_{s}(u,v)=\frac{G_{s}(u,v)}{\hat{F}_{s}(u,v)}\rightarrow H(u,v)

5.3.2 试验估计法

        使用与获取退化图像的设备相似的设备，那么利用相同的系统设置，就可以由成像一个脉冲（小亮点）得到退化函数的冲击响应。亮点必须尽可能的亮，达到减少噪声干扰的目的。由于冲激响应的DFT为常量，有：

\large H(u,v)=\frac{G(u,v)}{A}

5.3.3 数学建模法

        利用引起退化的物理环境来建立退化模型，如Hufnagel和Stanley提出的基于大气湍流图例推行的退化模型：

\large H(u,v)=exp{\{-k(u^{2}+v^{2})^{(5/6)}}\}

5.4 图像恢复

5.4.1 无约束恢复和有约束恢复

5.4.1.1 无约束恢复

        从前面建立的模型可知，无约束是令||n||²最小：

\large g=Hf+n \rightarrow n = g-Hf \rightarrow||n||^{2}=||g-H\hat{f}||^{2}

\large J(\hat{f})=||g-H\hat{f}||^{2}

\large \hat{f}=(H^{T}H)^{-1}H^{T}g

\large if \qquad M=N

\large \hat{f}=H^{-1}(H^{T})^{-1}H^{T}g=H^{-1}g

5.4.1.2 有约束恢复

·        令Q是f的线性算子，有约束是令||Qf||²最小：

\large J(\hat{f})=||Q\hat{f}||^{2}+\alpha(||g-H\hat{f}||^{2}-||n||^{2})

\large \hat{f}=(H^{2}H+\frac{1}{\alpha Q^{T}Q})^{-1}H^{T}g

5.4.2 维纳滤波

        令 \large R_{f},R_{n} 是原始图像和噪声的相关矩阵，其中：

\large R_f = E[f,f^{T}]

\large R_n=E[n,n^{T}]

令\large Q^{T}Q=R^{-1}_fR_n

        则原始图像在最小均方误差准则下的最佳恢复解为：

\large \hat{f}=(H^{T}H+\frac{1}{\alpha R^{-1}_f R_n})^{-1}H^{T}g

         维纳滤波的频域表示：

贵贵贵胖
关注
  • 0
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
线性运动滤波器的简易实现以及逆滤波和维纳滤波的效果比较
jianghuliumou的博客
07-04 535
1.实现思路： 利用常见的退化函数模型——线性运动退化函数 说明： 调节a，b可以改变图像分别沿x方向和y方向运动模糊的程度。 增大T将提高图像整体灰度值。 该退化函数模拟了相机线性移动导致的模糊。 操作步骤： 将待处理图片傅里叶变换乘以H(u,v)，再做反变换得到模糊图像。 2.题目： ...
数字图像处理：4第五章 图像复原.pdf
06-12
数字图像处理：4第五章 图像复原.pdf
【数字图像处理】图像复原
weixin_44378835的博客
10-26 2万+
图像复原 图像复原是图像处理重要的研究领域。在成像过程中，由于成像系统各种因素的影响，可能使获得的图像不是真实景物的完善影像。图像在形成、传播和保存过程中使图像质量下降的过程，称为图像退化。图像复原就是重建退化的图像，使其最大限度恢复景物原貌的处理。 图像复原的概念与图像增强相似。但图像增强可以针对本来完善的图像，经过某一处理，使其适合于某种特定的应用，是一个主观的过程。图像复原的目的也是改善图像质量，但图像复原更偏向于利用退化过程的先验知识使已被退化的图像恢复本来面目，更多的是一个客观过程。 引起图像退化
遥感相机在轨点扩散函数高精度测量方法.pdf
05-10
遥感相机在轨点扩散函数高精度测量方法 ，本文深入分析了阶跃图像性质对测量空间相 机在轨点扩散函数的影响，提出了一种提高测量 精度的方法。通过选择合适的阶跃图像，并弱化 采样相位的 影 响，获 得 高 精 度 的 ＰＳＦ 测量 结果。 基于所测 ＰＳＦ对退化图像进行了复原，复原后图 像细节信号能量提升９２％，灰度平均梯度上提升 １０４％，拉普拉斯能量和提升１７３％。试验结果表 明，该测量方法可获得高精度的在轨点扩散函数， 为分析遥感系统成像质量和进一步的图像复原提 供了重要依据
高斯模糊图像的复原处理
08-20
分析了几种经典图像复原算法, 在已知图像退化函数的情况下, 对高斯模糊图像分别使用逆滤 波、维纳滤波、有约束的最小二乘方滤波算法进行了复原, 在这几种算法的参数选取上得到了丰富的经 验数据。仿真结果表明, 在高噪声环境下, 维纳滤波抑制噪声的能力较强, 有约束最小二乘方滤波复原 方法保持细节效果最好。
第五章 图像复原 数字图像处理课件（冈萨雷斯）.rar
06-18
图像复原所包含的课件，适用于学习书籍图像处理冈萨雷斯版本的同学。
数字图像的退化模型及原理
zssyu0416的博客
05-22 2万+
图像复原的一般那过程：分析退化原因——建立退化模型——反映推演——恢复图像。退化模型：恢复模型：现实中，造成图像退化的种类很多，常见的图像退化模型即点扩散函数（PSF）有如下情形：1、线性移动退化      线性运动退化是由于目标与成像系统间的相对匀速直线运动造成的退化。水平方向的均匀移动退化可以用一下的退化函数来描述：其中，d是退化函数的长度。实际情况中，如果线性运动的方向不是水平方向运动，可以...
数字图像处理——图像退化与复原
Lavendelion的博客
09-29 2万+
图像退化与复原内容简介1.图像退化与复原的原理1.1 图像退化的数学模型1.2 图像退化的原理1.3 图像复原的原理2. 图像去噪2.1 噪声模型2.2 噪声参数的估计2.3 针对噪声的图像复原——空间、频域滤波 内容简介   图像复原和图像增强两者有较大的重合部分。但图像增强更多的是主观过程，是人们希望通过某种方法加强图像特定信息或细节的操作。而图像复原可以说是客观过程，是因为在使用设备拍照过程...
论文总结（二）—图像复原
张文龙的博客
03-07 9704
图像复原概述
点扩散函数 PSF（point spread function）
热门推荐
荒野孤舟的博客
11-26 8万+
*持续性补充拓展，以下部分来自wiki：https://en.wikipedia.org/wiki/Point_spread_function   点扩展函数(point spread function PSF)描述了成像系统对点源或点对象的响应。PSF更一般的术语是一个系统的脉冲响应（impulse response），PSF是聚焦光学系统的脉冲响应。PSF 在许多情况下可以被当作是图像中表...
匀速直线运动模糊图像的退化数学模型试验研究
06-24
匀速直线运动模糊图像的退化数学模型试验研究
数字图像处理与通信：第5章 图像复原.ppt
09-17
数字图像处理与通信：第5章 图像复原.ppt
数字图像处理第五章_图像复原_噪声去除.zip
10-22
(冈萨雷斯)数字图像处理第五章（第三版）部分内容、图像复原、滤波器噪声去除，PPT说明（自己学校上图像处理课老师给的课件，用于自己上台内容的讲解，包括注解，翻译等）
( 第5章 图像复原(13).ppt
10-21
该课件详细讲解了：图像退化与复原模型 、 无约束图像复原 、 有约束图像复原 、 图像的几何校正等，是一个很好的参考文件
数字图像处理之图像复原
执剑者罗辑的博客
02-26 4万+
一、图像复原与图像增强的区别图像的增强是一个主观的过程，其目的是改善图片的质量，对感兴趣的部分加以增强，对不感兴趣的部分予以抑制。而图像复原是一个客观的过程，针对质量降低或失真的图像，试图恢复其原始的内容或质量。复原技术是面向退化模型的，并且采用相反的过程进行处理，以便恢复出原图像。在进行图像复原之前要先建立起其退化模型，根据该模型进行图像复原。课本中的图像退化过程建模为一个退化函数和一个加性噪声...
基于Matlab退化图像的逆滤波处理
zswzjl2009的博客
06-11 1011
点击查看：基于Matlab退化图像的逆滤波处理 文件大小：3.1M 操作系统：Windows10旗舰版 开发工具：Matlab2016、2018、2020 开发语言：.m 简要概述： 这段代码提供了一个matlab程序来实现R.C.Gonzalez所描述的逆滤波。该程序基于一幅500*500像素的图像，该图像受大气湍流的影响，其退化模型为高斯或类高斯。在程序中可以改变两个参数，即H（i，j）“exp”表达式中的第一个浮点数，它决定了高斯或类高斯退化模型函数——H的方差。另一个参数是threshold，它可以
图像复原原理及实现
Hello World
09-02 3万+
图像复原原理及实现
退化函数及多种复原方法【Matlab】
WeisongZhao
11-03 4603
退化函数建模   通过点扩散函数 PSF 进行图像复原的实验，添加适当的噪声。   fspecial函数中，’motion’指的是运动模糊算子。     代码示例 % checkerboard产生测试板图像，第一个参数是每个正方形一边的像素数，第二个参数行数，第三为列数（缺省则等于行数） f = checkerboard(8); ...
图像复原
revitalise的博客
01-09 4066
目的：利用退化过程的先验知识，去恢复图像原本的面目 图像复原的基本思路：先建立退化的数学模型，然后根据该模型对退化图像进行拟合。建模。 图像复原模型可以用连续数学和离散数学处理，处理项的实现可在空间域卷积，或在频域相乘。 原理：模拟图像降质的过程并且逆着退化过程复原图像。 图像降质原因： 光传感器的非线性 圆孔衍射 物体运动 叠加随机噪声 例如：由图像运动引起的模糊 一...
用C语言进行图像复原
最新发布
06-02
图像复原是一项复杂的任务，C语言作为一种高效的编程语言，也可以用于图像处理。这里我为您提供一个基于C语言的图像复原示例代码，实现的是维纳滤波算法，该算法可以用于去除图像中的模糊和噪声。 示例代码如下： ```c #include <stdlib.h> #include <stdio.h> #include <math.h> #define PI 3.14159265358979323846 // 定义一个结构体，用于表示图像 typedef struct { int width; int height; float *data; } Image; // 读取图像函数 Image *readImage(const char *filename) { FILE *file; int width, height; Image *image; file = fopen(filename, "rb"); if (!file) { fprintf(stderr, "Error: unable to open %s\n", filename); return NULL; } // 读取图像宽度和高度 fscanf(file, "%d %d", &width, &height); // 创建图像结构体 image = (Image *) malloc(sizeof(Image)); image->width = width; image->height = height; image->data = (float *) malloc(sizeof(float) * width * height); // 读取图像数据 for (int i = 0; i < width * height; i++) { fscanf(file, "%f", &image->data[i]); } fclose(file); return image; } // 保存图像函数 void saveImage(const char *filename, Image *image) { FILE *file; file = fopen(filename, "wb"); if (!file) { fprintf(stderr, "Error: unable to open %s\n", filename); return; } // 写入图像宽度和高度 fprintf(file, "%d %d\n", image->width, image->height); // 写入图像数据 for (int i = 0; i < image->width * image->height; i++) { fprintf(file, "%f ", image->data[i]); } fclose(file); } // 维纳滤波函数 Image *weinerFilter(Image *input, float k, float l) { int width = input->width; int height = input->height; Image *output = (Image *) malloc(sizeof(Image)); output->width = width; output->height = height; output->data = (float *) malloc(sizeof(float) * width * height); float *tmp = (float *) malloc(sizeof(float) * width * height); for (int i = 0; i < width * height; i++) { tmp[i] = pow(input->data[i], 2.0) / l; } float *h = (float *) malloc(sizeof(float) * width * height); for (int i = 0; i < width * height; i++) { h[i] = exp(-k * tmp[i]); } float *g = (float *) malloc(sizeof(float) * width * height); for (int i = 0; i < width * height; i++) { g[i] = h[i] / (h[i] + 1.0 / l); } for (int i = 0; i < width * height; i++) { output->data[i] = g[i] * input->data[i]; } free(tmp); free(h); free(g); return output; } int main(int argc, char *argv[]) { if (argc < 4) { printf("Usage: %s input output k l\n", argv[0]); return 1; } // 读取输入图像 Image *input = readImage(argv[1]); if (!input) { return 1; } // 解析参数 float k = atof(argv[3]); float l = atof(argv[4]); // 进行维纳滤波 Image *output = weinerFilter(input, k, l); // 保存输出图像 saveImage(argv[2], output); // 释放内存 free(input->data); free(input); free(output->data); free(output); return 0; } ``` 在这个代码中，首先定义了一个结构体 `Image`，用于表示图像。然后定义了读取图像函数 `readImage()` 和保存图像函数 `saveImage()`，这两个函数分别用于读取图像和保存处理后的图像。接着定义了维纳滤波函数 `weinerFilter()`，用于进行图像复原。最后在 `main()` 函数中读取输入图像，解析参数，进行维纳滤波，并保存输出图像。 需要注意的是，这个代码中的图像数据类型是 `float`，而不是常见的 `unsigned char`。这是因为在进行维纳滤波时需要对图像像素进行平方运算，而这个运算可能导致数据溢出，因此需要使用浮点数类型来避免这个问题。另外，这个代码只是一个示例，实际使用时还需要进行一些改进，比如增加图像处理的鲁棒性和效率等。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值