![](https://img-blog.csdnimg.cn/20201014180756926.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
第5章 图像复原与重建
文章平均质量分 81
本章主要讲图像复原与重建,首先是了解一下各种噪声的特点与模型,还有形成的方法。一些重点的噪声,如高斯噪声,均匀噪声,伽马噪声,指数噪声,还有椒盐噪声等。
本章主要的噪声研究方法主要是加性噪声。
jasneik
虽然快奔4了,但抵挡不信对图像处理与人工智能的技术狂热的追求。
不在工作中暴发,就是学习中暴发。
展开
-
第5章 Python 数字图像处理(DIP) - 图像复原与重建17 - 由投影重建图像、雷登变换、投影、反投影、反投影重建
标题瑞利噪声爱尔兰(伽马)噪声指数噪声均匀噪声椒盐噪声周期噪声估计噪声参数只存在噪声的复原 - 空间滤波均值滤波器算术平均滤波器几何均值滤波器谐波平均滤波器反(逆)谐波平均滤波器统计排序滤波器中值、最大值、最小值、中点 滤波器修正阿尔法均值滤波器自适应滤波器自适应局部降噪滤波器自适中值滤波器使用频率域滤波降低周期噪声陷波滤波深入介绍最优陷波滤波线性位置不变退化估计退化函数采用观察法估计退化函数采用试验法估计退化函数采用建模法估计退化函数运动模糊函数OpenCV Motion Blur逆滤波逆滤波最小均方误差原创 2021-04-17 16:41:16 · 2715 阅读 · 4 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建16 - 约束最小二乘方滤波、几何均值滤波
标题约束最小二乘方滤波几何均值滤波约束最小二乘方滤波F^(u,v)=[H∗(u,v)∣H(u,v)∣2+γ∣P(u,v)∣2]G(u,v)(5.89)\hat{F}(u,v) = \bigg[\frac{H^*(u,v)}{|H(u,v)|^2 + \gamma |P(u,v)|^2} \bigg]G(u,v) \tag{5.89}F^(u,v)=[∣H(u,v)∣2+γ∣P(u,v)∣2H∗(u,v)]G(u,v)(5.89)P(u,v)为函数p(x,y)=[0−10−14−10−10]P(u,v原创 2021-04-17 16:33:30 · 1608 阅读 · 0 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建15 - 最小均方误差(维纳)滤波
标题最小均方误差(维纳)滤波最小均方误差(维纳)滤波目标是求未污染图像fff的一个估计f^\hat{f}f^,使它们之间的均方误差最小。e2=E{(f−f^)2}(5.80)e^2 = E \big\{(f - \hat{f})^2 \big\} \tag{5.80}e2=E{(f−f^)2}(5.80)误差函数的最小值在频率域中的表达比如下:F^(u,v)=[H∗(u,v)Sf(u,v)Sf(u,v)∣H(u,v)∣2+Sη(u,v)]G(u,v)=[H∗(u,v)∣H(u,v)∣2+Sη(原创 2021-04-17 16:30:39 · 1552 阅读 · 3 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建14 - 逆滤波
标题逆滤波逆滤波逆滤波逆滤波图像的退化函数已知或者由前面的方法获取退化函数,则可以直接逆滤波F^(u,v)=G(u,v)H(u,v)(5.78)\hat{F}(u,v) = \frac{G(u,v)}{H(u,v)} \tag{5.78}F^(u,v)=H(u,v)G(u,v)(5.78)F^(u,v)=F(u,v)+N(u,v)H(u,v)(5.79)\hat{F}(u,v) = F(u, v) + \frac{N(u,v)}{H(u,v)} \tag{5.79}F^(u,v)=F(u,v)+原创 2021-04-17 16:24:54 · 2338 阅读 · 4 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建13 - 空间滤波 - 线性位置不变退化 - 退化函数估计、运动模糊函数
标题线性位置不变退化估计退化函数采用观察法估计退化函数采用试验法估计退化函数采用建模法估计退化函数运动模糊函数OpenCV Motion Blur在这一节中,得到的结果,有些不是很好,我需要再努力多找资料,重新完成学习,如果大佬有相关资料推荐,不胜感激。线性位置不变退化# 巴特沃斯带阻陷波滤波器 BNRFimg_temp = np.zeros([512, 512])BNF_1 = butterworth_notch_resistant_filter(img_temp, radius=20, uk=原创 2021-04-11 08:26:31 · 1702 阅读 · 0 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建12 - 空间滤波 - 使用频率域滤波降低周期噪声 - 陷波滤波、最优陷波滤波
标题使用频率域滤波降低周期噪声陷波滤波深入介绍最优陷波滤波本章陷波滤波器有部分得出的结果不佳,如果有更好的解决方案,请赐教,不胜感激。使用频率域滤波降低周期噪声陷波滤波深入介绍零相移滤波器必须关于原点(频率矩形中心)对称,中以为(u0,v0)(u_0, v_0)(u0,v0)的陷波滤波器传递函数在(−u0,−v0)(-u_0, -v_0)(−u0,−v0)位置必须有一个对应的陷波。陷波带阻滤波器传递函数可用中心被平移到陷波滤波中心的高通滤波器函数的乘积来产生HNR(u,v)=∏k=1QHk原创 2021-04-11 08:11:03 · 2432 阅读 · 2 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建11 - 空间滤波 - 自适应滤波器 - 自适应局部降噪、自适应中值滤波器
标题自适应滤波器自适应局部降噪滤波器自适应中值滤波器自适应滤波器自适应局部降噪滤波器均值是计算平均值的区域上的平均灰度,方差是该区域上的图像对比度g(x,y)g(x, y)g(x,y)噪声图像在(x,y)(x, y)(x,y)处的值ση2\sigma_{\eta}^2ση2 为噪声的方差,为常数,需要通过估计得到zˉSxy\bar{z}_{S_{xy}}zˉSxy 为局部平均灰度σSxy2\sigma_{S_{xy}}^2σSxy2 为局部方差f^(x,y)=g(x,y)−ση2σ原创 2021-04-05 16:59:31 · 1862 阅读 · 1 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建10 - 空间滤波 - 统计排序滤波器 - 中值、最大值、最小值、中点、修正阿尔法均值滤波器
标题统计排序滤波器中值、最大值、最小值、中点 滤波器修正阿尔法均值滤波器统计排序滤波器中值、最大值、最小值、中点 滤波器f^(x,y)=median{g(r,c)}(5.27)\hat{f}(x, y) = \text{median} \{g(r,c)\} \tag{5.27}f^(x,y)=median{g(r,c)}(5.27)f^(x,y))=max{g(r,c)}(5.28)\hat{f}(x, y)) = \text{max} \{g(r,c)\} \tag{5.28}f^(x,y))原创 2021-04-05 16:49:35 · 1579 阅读 · 2 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建9 - 空间滤波 - 均值滤波器 - 算术平均、几何平均、谐波平均、反谐波平均滤波器
标题只存在噪声的复原 - 空间滤波均值滤波器算术平均滤波器几何均值滤波器谐波平均滤波器反(逆)谐波平均滤波器只存在噪声的复原 - 空间滤波仅被加性噪声退化g(x,y)=f(x,y)+η(x,y)(5.21)g(x, y) = f(x, y) + \eta(x, y) \tag{5.21}g(x,y)=f(x,y)+η(x,y)(5.21)和G(u,v)=F(u,v)+N(u,v)(5.22)G(u, v) = F(u, v) + N(u, v) \tag{5.22}G(u,v)=F(u,v)+N(原创 2021-04-05 16:43:57 · 1834 阅读 · 1 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建8 - 估计噪声参数
标题估计噪声参数估计噪声参数周期噪声的参数通常是通过检测图像的傅里叶谱来估计的。只能使用由传感器生成的图像时,可由一小片恒定的背景灰度来估计PDF的参数。来自图像条带的数据的最简单用途是,计算灰度级的均值和方差。考虑由SSS表示的一个条带(子图像),并令PS(zi)P_{S}(z_i)PS(zi),i=0,1,2,…,L−1i = 0, 1, 2, \dots, L-1i=0,1,2,…,L−1表示SSS中的像素灰度的概率估计(归一化直方图值),其中LLL是整数个图像中的可能灰度(对8比特而言,原创 2021-04-05 16:36:25 · 916 阅读 · 1 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建7 - 周期噪声 余弦噪声生成方法
标题周期噪声周期噪声周期噪声通常是在获取图像期间由电气或机电干扰产生的def add_sin_noise(img, scale=1, angle=0): """ add sin noise for image param: img: input image, 1 channel, dtype=uint8 param: scale: sin scaler, smaller than 1, will enlarge, bigger than 1 will shrink原创 2021-04-05 16:33:45 · 2084 阅读 · 5 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建6 - 椒盐噪声
标题椒盐噪声椒盐噪声如果kkk是一幅数字图像中表示灰度值的比特数,则灰度值可能是[0,2k−1][0, 2^k -1][0,2k−1]。椒盐噪声的PDF为:P(z)={Ps,z=2k−1Pp,z=01−(Ps+Pp),z=V(5.16)P(z) = \begin{cases} P_s, & z = 2^k -1 \\ P_p, & z=0 \\ 1-(P_s + P_p), & z=V \end{cases} \tag{5.16}P(z)=⎩⎪⎨⎪⎧Ps,Pp,1−(Ps原创 2021-03-22 21:36:55 · 874 阅读 · 0 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建5 - 均匀噪声
标题均匀噪声均匀噪声均匀噪声的PDF为P(z)={1b−a,a≤z≤b0,other(5.13)P(z) = \begin{cases}\frac{1}{b-a}, & a\leq z \leq b \\ 0, & \text{other}\end{cases} \tag{5.13}P(z)={b−a1,0,a≤z≤bother(5.13)均值和方差为zˉ=a+b2(5.14)\bar{z} = \frac{a + b}{2} \tag{5.14}zˉ=2a+b(5.14)原创 2021-03-22 21:36:07 · 971 阅读 · 0 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建4 - 指数噪声
标题指数噪声指数噪声指数噪声的PDF为P(z)={ae−az,z≥00,z<0(5.10)P(z) = \begin{cases} ae^{-az}, & z\geq 0 \\ 0, & z < 0 \end{cases} \tag{5.10}P(z)={ae−az,0,z≥0z<0(5.10)均值和方差为zˉ=1a(5.11)\bar{z} = \frac{1}{a} \tag{5.11}zˉ=a1(5.11)σ2=1a2(5.12)\sigma^2 =原创 2021-03-22 21:35:22 · 766 阅读 · 0 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建3 - 爱尔兰(伽马)噪声
标题爱尔兰(伽马)噪声爱尔兰(伽马)噪声爱尔兰噪声的PDF是P(z)={abzb−1(b−1)!e−az,z≥00,z<0(5.7)P(z) = \begin{cases} \frac{a^bz^{b-1}}{(b-1)!}e^{-az}, & z\geq 0 \\ 0, & z < 0 \end{cases} \tag{5.7}P(z)={(b−1)!abzb−1e−az,0,z≥0z<0(5.7)a>ba > ba>b, bbb是一个正整原创 2021-03-22 21:34:40 · 955 阅读 · 2 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建2 - 瑞利噪声
标题瑞利噪声瑞利噪声瑞利噪声的PDF为P(z)={2b(z−a)e−(z−a)2/b,z≥a0,z<a(5.4)P(z) = \begin{cases} \frac{2}{b}(z-a)e^{-(z-a)^2/b}, & z \ge a \\ 0, & z < a\end{cases} \tag{5.4}P(z)={b2(z−a)e−(z−a)2/b,0,z≥az<a(5.4)均值和方差为zˉ=a+πb/4(5.5)\bar{z} = a + \sqrt{\原创 2021-03-22 21:32:02 · 1864 阅读 · 12 评论 -
第5章 Python 数字图像处理(DIP) - 图像复原与重建1 - 高斯噪声
本章主要讲图像复原与重建,首先是了解一下各种噪声的特点与模型,还有形成的方法。一些重点的噪声,如高斯噪声,均匀噪声,伽马噪声,指数噪声,还有椒盐噪声等。本章主要的噪声研究方法主要是加性噪声。标题图像退化/复原处理的一个模型噪声模型噪声的空间和频率特性一些重要的噪声概率密度函数(PDF)高斯噪声import sysimport numpy as npimport cv2import matplotlib import matplotlib.pyplot as pltimport PILfro原创 2021-03-22 21:30:38 · 1750 阅读 · 3 评论