图像去模糊(维纳滤波)

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/bluecol/article/details/46242355

在数学应用上,对于运动引起的图像模糊,最简单的方法是直接做逆滤波,但是逆滤波对加性噪声特别敏感,使得恢复的图像几乎不可用。最小均方差(维纳)滤波用来去除含有噪声的模糊图像,其目标是找到未污染图像的一个估计,使它们之间的均方差最小,可以去除噪声,同时清晰化模糊图像。

定义

给定一个系统

y(t)=h(t)x(t)+n(t)

这里,是卷积符号

  • x(t)是在时间t刻输入的信号(未知)
  • h(t)是一个线性时间不变系统的脉冲响应(已知)
  • n(t)是加性噪声,与x(t)不相关(未知)
  • y(t)是我们观察到的信号
    我们的目标是找出这样的卷积函数g(t),这样我们可以如下得到估计的x(t)
    x^(t)=g(t)y(t)

    这里x^(t)x(t)的最小均方差估计。
    基于这种误差度量, 滤波器可以在频率域如下描述
    G(f)=H(f)S(f)|H(f)|2S(f)+N(f)=H(f)|H(f)|2+N(f)/S(f)

    这里:
  • G(f)H(f)gh在频率域f的傅里叶变换。
  • S(f)是输入信号x(t)的功率谱。
  • N(f)是噪声的n(t)的功率谱。
  • 上标代表复数共轭。
    滤波过程可以在频率域完成:
    X^(f)=G(f)Y(f)

    这里 X^(f)x^(t)的傅里叶变换,通过逆傅里叶变化可以得到去卷积后的结果x^(t)

解释

上面的式子可以改写成更为清晰的形式

G(f)=1H(f)|H(f)|2|H(f)|2+N(f)S(f)=1H(f)|H(f)|2|H(f)|2+1SNR(f)

这里H(f)h在频率域f的傅里叶变换。SNR(f)=S(f)/N(f)是信号噪声比。当噪声为零时(即信噪比趋近于无穷),方括号内各项也就等于1,意味着此时刻维纳滤波也就简化成逆滤波过程。但是当噪声增加时,信噪比降低,方括号里面值也跟着降低。这说明,维纳滤波的带通频率依赖于信噪比。

推导

上面直接给出了维纳滤波的表达式,接下来介绍推导过程。
上面提到,维纳滤波是建立在最小均方差,可以如下表示:

e(f)=E|X(f)X^(f)|2

这里E是期望
如果我们替换表达式中的X^(f),上面可以重新组合成
e(f)=E|X(f)G(f)Y(f)|2=E|X(f)G(f)[H(f)X(f)+V(f)]|2=E|[1G(f)H(f)]X(f)G(f)V(f)|2

展开二次方,得到下式:
e(f)=[1G(f)H(f)][1G(f)H(f)]E|X(f)|2[1G(f)H(f)]G(f)E{X(f)V(f)}G(f)[1G(f)H(f)]E{V(f)X(f)}+G(f)G(f)E|V(f)|2

然而,我们假设噪声与信号独立无关,这样有
E{X(f)V(f)}=E{V(f)X(f)}=0

并且我们如下定义功率谱
S(f)=E|X(f)|2N(f)=E|V(f)|2

这样我们有
e(f)=[1G(f)H(f)][1G(f)H(f)]S(f)+G(f)G(f)N(f)

为了得到最小值,我们对G(f)求导,令方程等于零。
d(f)dG(f)=G(f)N(f)H(f)[1G(f)H(f)]S(f)=0

由此最终推出维纳滤波器。

测试

Matlab自带了示例程序,如下

%Read image
I = im2double(imread('cameraman.tif'));
figure,subplot(2,3,1),imshow(I);
title('Original Image (courtesy of MIT)');

%Simulate a motion blur
LEN = 21;
THETA = 11;
PSF = fspecial('motion', LEN, THETA);
blurred = imfilter(I, PSF, 'conv', 'circular');
subplot(2,3,2),imshow(blurred);
title('Blurred Image');

%Restore the blurred image
wnr1 = deconvwnr(blurred, PSF, 0);
subplot(2,3,3),imshow(wnr1);
title('Restored Image');

%Simulate blur and noise
noise_mean = 0;
noise_var = 0.0001;
blurred_noisy = imnoise(blurred, 'gaussian', ...
                        noise_mean, noise_var);
subplot(2,3,4),imshow(blurred_noisy)
title('Simulate Blur and Noise')

%Restore the blurred and noisy image:First attempt
wnr2 = deconvwnr(blurred_noisy, PSF, 0);
subplot(2,3,5);imshow(wnr2);title('Restoration of Blurred, Noisy Image Using NSR = 0')

%Restore the Blurred and Noisy Image: Second Attempt
signal_var = var(I(:));
wnr3 = deconvwnr(blurred_noisy, PSF, noise_var / signal_var);
subplot(2,3,6),imshow(wnr3)
title('Restoration of Blurred, Noisy Image Using Estimated NSR');

这里写图片描述
维纳滤波需要估计图像的信噪比(SNR)或者噪信比(NSR),信号的功率谱使用图像的方差近似估计,噪声分布是已知的。从第一排中可以看出,若无噪声,此时维纳滤波相当于逆滤波,恢复运动模糊效果是极好的。从第二排可以看出噪信比估计的准确性对图像影响比较大的,二排中间效果几乎不可用。

参考阅读

http://en.wikipedia.org/wiki/Wiener_deconvolution 英文维基百科
http://www.owlnet.rice.edu/~elec539/Projects99/BACH/proj2/wiener.html 莱斯大学的项目资料

转载保留声明

作者 日期 联系方式
风吹夏天 2015年5月29日 wincoder@qq.com
展开阅读全文

没有更多推荐了,返回首页