数字图像处理——第五章（图像复原与重建）

一、图像退化与复原

1.1 概念

退化：成像过程中的“退化”是指由于成像系统各种因素的影响，使得图像质量降低。如，图像的模糊、有外界干扰等。
引起图像退化的原因：

• 成像系统的散焦
• 成像设备与物体的相对运动
• 成像器材的固有缺陷
• 外部干扰等

图像复原：是图像退化的逆过程。以预先确定的目标来改善图像。是一个客观过程。试图利用退化线性的某种先验知识来复原被退化的图像。换句话说，复原的过程为：找图像退化的原因 -> 建立退化模型 -> 反向推演 -> 恢复图像。

• 在图像退化确知的情况下，图像退化的逆过程是有可能进行的
• 实际情况经常是退化过程并不知晓，这种复原称为盲目复原。

1.2 退化/复原过程的模型

退化过程被建模为一个退化函数和一个加性噪声。给定退化图像g(x,y)和关于退化函数H及加性噪声η(x,y)的一些相关知识后，复原图像就是获得原始图像的一个估计f ̂(x,y)。知道的关于H和η信息越多，f ̂(x,y)就会越接近f(x,y)。
如果H是一个线性的、位置不变的过程。空间域的退化图像如下：

对应的，频域的退化图像如下：

二、噪声模型

噪声来源：图像的获取（数字化过程）和传输过程。
噪声分类：根据如何添加进信号中的 可分为加性噪声和乘性噪声。

• 加性噪声：加性噪声一般指热噪声、散弹噪声等，它们与信号的关系是相加，不管有没有信号，噪声都存在。是一种线性变化。
• 乘性噪声：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，信号在它在，信号不在他也就不在。是一种非线性的变换方式，属于非线性系统。

2.1 噪声的空间和频率特性

空间特性：定义噪声空间特性的参数，及噪声是否与图像相关。
频率特性：傅里叶域中噪声的频率内容（即相对于电磁波谱的频率）。
白噪声：噪声的傅里叶谱是常量。
本章中，假设噪声与空间坐标无关，并且噪声与图像本身不相关（即像素值与噪声成分的值之间不相关，加性噪声）。

2.2 一些重要的噪声概率密度函数（PDF）

2.2.1 高斯噪声（电路噪声，由低照明度或高温带来的传感器噪声）

在空间域和频率域中，高斯噪声在数学上具有易处理性，故实践中常用该噪声模型，以至于高斯模型常用于在一定程度上导致最好结果的场合。
高斯随机变量z的PDF如下：

2.2.2 瑞利噪声（距离成像噪声）

瑞利噪声的PDF如下：

概率密度的均值和方差为：

a为距离原点的距离。密度的基本形状向右变形。瑞利密度对于近似歪斜的直方图十分适用。

2.2.3 爱尔兰噪声（又称为伽马噪声，是激光成像噪声）

伽马噪声的PDF如下：

其中，a>0，b为正整数。其概率密度的均值和方差为：

2.2.4 指数噪声（激光成像噪声）

指数噪声的PDF如下：

其中a>0。概率密度的均值和方差如下：

当爱尔兰噪声PDF中的b = 1时，就变成了指数噪声PDF。故指数噪声PDF是爱尔兰噪声PDF的特殊情况。

2.2.5 均匀噪声（仿真中产生随机数）

均匀噪声的PDF如下：

均值和方差如下：

2.2.6 脉冲（椒盐）噪声（成像中的暂态，如错误开关操作）

（双极）脉冲噪声的PDF如下：

在图像中 b 和 a， 一个是白点，一个是黑点。如果 P_a 或P_b 为零，则脉冲噪声称为单脉冲噪声；如果 P_a 和 P_b 均不为0，且大致相等的时候，脉冲噪声值将类似于在图像上随机分布的胡椒和盐粒，故双极脉冲噪声也称为椒盐噪声。
实际上在椒盐噪声中，噪声的值未必都是图像可取值范围中的最大值和最小值。但是与图像信号的强度相比，脉冲污染通常比较大，所以在一幅图像中脉冲噪声通常被数字化为最大值（纯黑或纯白）。

直观来看，前五种噪声很难通被污染的图像本身进行区别，但是椒盐噪声是可以被区分出来的。虽然前五种图像不好区分，但是它们的直方图却很容易区分。所有在后面确定噪声参数的时候，往往首先根据噪声的直方图来确定噪声的种类，再计算该类噪声所对应的参数。

使用函数imnoise对图像添加噪声。基本语法如下：
g=imnoise(f,type,parameters)
f是输入图像，type是噪声类型，parameters指一些参量。函数 imnoise在给图像添加噪声之前，将图像转换为范围 [0,1] 内的double类图像。指定噪声参数时，必须考虑这一点。例如，要将均值为64，方差为400的高斯噪声添加到一幅uint8类图像上，需要将均值标度为64/255并将方差标度为400/（255^2）后，作为imnoise的输入。

g=imnoise(f,‘gaussian’,m,var) ：将均值m,方差为var的高斯噪声添加到原图像上。默认值是均值m为0，方差var为0.01的噪声。
保持均值不变（0），方差增加，噪声干扰更大，分辨率降低，图像更加模糊。保持方差不变（0.01），均值增加，图像更白。

g=imnoise(f,‘localvar’,v)： 将均值为0，局部方差为v的高斯噪声添加到原图像上。其中V是一个大小与f相同的数组，它在每个点包含了期望的方差值。
g=imnoise(f,‘localvar’,image_intensity,var)：将均值为0的高斯噪声添加到图像f中，其中噪声的局部方差var是图像f的灰度值的函数。image_intensity和var是大小相同的向量。
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），默认值为0.05。