图像复原模型及PSF与OTF

我们使用退化函数对退化过程建模，它和附加噪声选项一起，作用于输入图像f(x, y),产生一副退化的图像g(x, y):

g(x,y) = H(f(x, y)) + n(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n(x,y)的知识，图像复原的目的是得到原始图像的估计f1(x,y).我们要使这个估计尽可能接近原始输入图像。通常，我们对H和n（x）知道的越多，f1(x,y)就越接近于f(x, y)。

 

如果H是线性的，空间不变的过程，退化图像在空间域由下面的式子给出：

g(x, y) = h(x, y) * f(x, y) + n(x, y);

其中，h(x, y) 是退化函数的空间表示，*表示卷积。

已知，空间域的卷积和频域的乘法组成了傅里叶变换对，我们可以用等价的频域表示来写出前面的模型：

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

其中，大写字母表示的是空间域相应项的傅里叶变换。退化函数H(u,v)有时候称为光传递函数（OTF）,该名词源于光学系统傅里叶分析。在空间域中，h(x, y) 被称为点扩散函数(PSF).

对于任何种类的输入，让h(x, y)作用与点光源得到退化的特征。

OTF与PSF是傅里叶变换对，工具箱提供了两个函数otf2psf和psf2otf，用于otf和psf之间的转换。

由于退化是线性的，因此空间不变的退化函数H可以由卷积来建模，有时退化过程归诸于“PSF与图像卷积”。类似地，复原处理有时候也称为反卷积。

 

矩阵表示：

g(x, y) = h(x, y) * f(x, y) + n(x, y); 表示为向量矩阵形式是：

g = Hf + n;

其中g， H，f ， n 都是向量。

假设g(x,y) 的大小为M*N。然后我们使用g(x,y)的第一行中的图像元素构成向量g的第一组N个元素，第二行构成下一组N个元素，依次类推，结果向量将有MN*1维。这也同样是f ， n的维数，因为这些向量是以同样的方式构成的。矩阵H的维数是MN*MN,其元素由卷积元给出。