基于python-tensorflow的机器视觉学习手札 （1.5）图像处理篇-图像复原技术

图像复原最基本的任务是去除图像中的噪声的同时，不丢失图像中的细节。然而抑制噪声（高频）与保留细节（高频）是一对矛盾的问题。
图像复原与图像增强都是为了改善图像的质量，但本质上有所区别。图像增强不考虑图像是如何退化的，而是试图用各种技术来增强图像的视觉效果；而图像复原需要知道图像退化的机制与过程，找到一种相应的逆处理方法，从而得到恢复后的图像。

1. 噪声

噪声可以分为加性噪声和乘性噪声两种。
细分，可以分为高斯噪声，椒盐噪声，均匀分布噪声，指数分布噪声，gamma分布噪声等。在matlab中，加入噪声只需要imnoise就可以实现。

2. 空域滤波

空域内的滤波复原方法，主要包括均值滤波复原、顺序统计滤波复原、和自适应滤波复原。

2.1 均值滤波复原

均值滤波复原就是用均值滤波算子作为卷积核计算。分为算术均值滤波和几何均值滤波。
在matlab中，算术均值滤波就是直接进行滤波：
A = imfilter(Img, psf);
而几何均值滤波则是对图像取对数，再进行滤波，然后取指数：A=exp(imfilter(log(Img),psf));
python中也可以用filter2d与numpy包来实现类似功能。
此外，还有一个逆谐波均值滤波器，有一个参数Q，用matlab实现的代码为（其实是写公式有些麻烦）：

Q = 1.5;    A = imfilter(img.^(Q+1),psf)./imfilter(img.^Q,psf);

Q为正值时，可以去除椒噪声；Q为负值时，可以去除盐噪声。当Q = -1时，该滤波器为谐波均值滤波器。我也不知道opencv库中有没有这个功能（反正toturial里面没有），不过可以很简单的用numpy与filter2d来实现这个功能(照着公式填就完了)。

2.2 顺序统计滤波复原

顾名思义，顺序统计滤波就是把一个像素值周围的邻域所有元素排序，其最大值/最小值/中值就为该点复原后的值。这种方法可以用于去除椒盐噪声。在matlab中，用函数medfilt（中值滤波）与or