图像复原技术及其MATLAB实现 - 副本

实际上，图像复原设计三个方面的内容：退化图像的成像模型，图像复原算法和复原图像的评价标准。不同的成像模型、问题空间、优化规则和方法都会导致不同的图像复原算法，适用于不同的应用领域。现有的复原方法概括为以下几个类型：去卷积复原算法、线性代数复原、图像盲反卷积算法等，其他复原方法多是这三类的衍生和改进。其中，去卷积方法包括维纳去卷积、功率谱平衡与几何平均值滤波等，这些方法都是非常经典的图像复原方法。但是需要有关于原始图像、降质算子较多的先验信息和噪声平衡性的假设只适合于不变系统及噪声于信号不相关的情形，特别是降质算子病态的情况下，图像复原结果还不太理想。

由于图像复原技术在图像处理中占有重要的地位，已经形成了一些经典的常用图像复原算法，如无约束最小二乘法、有约束最小二乘方法、逆滤波、维纳、最大熵复原等，至今还被广泛使用。但这些复原算法都是假设系统的点扩散函数PSF(即系统对图像中点的脉冲响应，是导致图像退化的原因)为已知，实际情况是系统的点扩散函数由于大气扰动、光学系统的相差、相机和对象之间的相对运动等多种因素的影响，往往是未知的。这就需要人们用某种先验知识在系统的点扩散函数未知时进行估计，然而这种先验知识并不容易取得也不够精确，这就需要我们在对己模糊图像分析和处理的基础之上估计最逼近的PSF。

在运动模糊方向的鉴别方面，由于匀速直线运动的点扩散函数是矩形函数，其模糊图像对应的频域上有周期性的零值条纹，运动方向与零值条纹方向相垂直，本文就是借用此法获取模糊图像的PSF参数。本文主要针对运动模糊图像的复原进行研究，讨论分析了匀速直线运动模糊的退化模型，研究了运动方向和模糊尺度的估计，介绍了常用的几种图像复原方法。对模糊图像用几种复原算法分别进行了复原，根据复原结果，讨论分析了各算法的优缺点及适用的恢复环境。

第1章绪论

1.1 研究背景

图像复原是数字图像处理中的一个重要课题。它的主要目的是改善给定的图像质量并尽可能恢复原图像。图像在形成、传输和记录过程中，受多种因素的影响，图像的质量都会有不同程度的下降，典型的表现有图像模糊、失真、有噪声等，这一质量下降的过程称为图像的退化。图像复原的目的就是尽可能恢复被退化图像的本来面目。

在成像系统中，引起图像退化的原因很多。例如，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以及外部干扰等。成像目标物体的运动，在摄像后所形成的运动模糊。当人们拍摄照片时，由于手持照相机的抖动，结果像片上的景物是一个模糊的图像。由于成像系统的光散射而导致图像的模糊。又如传感器特性的非线性，光学系统的像差，以致在成像后与原来景物发生了不一致的现象，称为畸变。再加上多种环境因素，在成像后造成噪声干扰。人类的视觉系统对于噪声的敏感程度要高于听觉系统，在声音传播中的噪声虽然降低了质量，但时常是感觉不到的。但景物图像的噪声即使很小都很容易被敏锐的视觉系统所感知。图像复原的过程就是为了还原图像的本来面目，即由退化了的图像恢复到能够真实反映景物的图像。

在交通系统、刑事取证中图像的关键信息至关重要，但是在交通、公安、银行、医学、工业监视、军事侦察和日常生活中常常由于摄像设备的光学系统的失真、调焦不准或相对运动等造成图像的模糊，使得信息的提取变得困难。但是相对于散焦模糊，运动模糊图像的复原在日常生活中更为普遍，比如高速运动的违规车辆的车牌辨识，快速运动的人群中识别出嫌疑人、公安刑事影像资料中提取证明或进行技术鉴定等等，这些日常生活中的重要应用都需要通过运动模糊图像复原技术来尽可能地去除失真，恢复图像的原来面目。因此对于运动模糊图像的复原技术研究更具有重要的现实意义。

1.2 相关领域的研究现状及存在的问题

图像恢复是数字图像处理中的一个重要分支，它研究的是如何从所得的退化图像中以最大的保真度复原出真实图像。成像系统的缺陷，传播媒介中的杂质，以及图像记录装置与目标之间的相对运动等因素，都不可避免地造成了图像的某些失真和不同程度的降质。然而在众多的应用领域中，又需要清晰的、高质量的图像，因此，图像恢复问题具有重要的意义。

与图像增强相似，图像复原的目的也是改善图像的质量。图像复原可以看作图像退化的逆过程，是将图像退化的过程加以估计，建立退化的数学模型后，补偿退化过程造成的失真，以便获得未经干扰退化的原始图像或图像的最优估计值，从而改善图像质量。图像复原是建立在退化的数学模型基础上的，且图像复原是寻求在一定优化准则下的原始图像的最优估计，因此，不同的优化准则会获得不同的图像复原，图像复原结果的好坏通常是按照一个规定的客观准则来评价的。

运动模糊图像的恢复是图像恢复中的重要课题之一，随着科学技术的不断发展，它在各个领域中的应用越来越多，要求也越来越高，可广泛应用于天文、军事、道路交通、医学图像、工业控制及侦破领域，具有重要的现实意义。

图像复原作为图像处理的一个重要领域，对于该问题国内外展开了诸多关键技术的研究。实际上，图像复原涉及三个方面的内容：退化图像的成像模型，图像复原算法和复原图像的评价标准。不同的成像模型、问题空间、优化规则和方法都会导致不同的图像复原算法。适用于不同的应用领域。现有的复原方法概括为以下几个类型：去卷积复原算法、线性代数复原、图像盲反卷积算法等，其他复原方法多是这三类的衍生和改进。其中，去卷积方法包括维纳去卷积、功率谱平衡与几何平均值滤波等，这些方法都是非常经典的图像复原方法。但是需要有关于原始图像、降质算子较多的先验信息和噪声平衡性的假设只适合于不变系统及噪声于信号不相关的情形，特别是降质算子病态的情况下，图像复原结果还不太理想。

线性代数复原技术是基于已知降质算子和噪声的统计特征，从而利用线性代数原理的复原技术，它为复原滤波器的数值提供了一个统一的设计思路和较透彻的解释。但是当降质函数有接近零的特征值时，复原的结果对噪声特别敏感，且该方法是把整幅图像一并处理，计算量大，同时也没有考虑纹理、边界等高频信号与噪声的区别，这将使纹理、边界等重要特征在图像复原过程中被破坏。针对这些问题，国外主要在改进算法的效率上做了许多工作，如全局最小二乘法、约束总体最小二乘法和正则化约束总体最小二乘法。

图像盲反卷积是图像复原的另一个重要的手段，它针对没有或少有关于降质函数和真实信号灯先验知识的复原问题，直接根据退化图像来估计降质函数和真实信号。目前有以下几种算法：零叶面分离法、预先确定降质函数法、三次相关法、迭代盲反卷积法等。这些算法在先验信息不足的情况下对降质图像进行复原，由于原始图像以及点扩展函的先验知识只是部分已知的，造成图像复原的解往往不唯一，而且解的好坏与初始条件的选择以及附加的图像假设等直接有关。同时，由于加性噪声的影响使得图像的盲目复原成病态。即若对点扩展函数直接求逆进行复原，通常会带来高频噪声放大的问题导致算法性能的恶化，所以当图像的信噪比水平较低时获得的结果往往不太理想。

正则化方法作为一种解决病态反问题的常用方法，通常用图像的平滑性作为约束条件，但是这种正则化策略通常导致复原图像的边缘模糊。为了克服边缘退化问题，最近几年，不少学者对各种“边缘保持”的正则化方法进行了比较深入的研究，提出了一些减少边缘退化的正则化策略，这些策略通常需要引入非二次正则化泛函，从而使问题的求解成为一个非线性问题。沿着这一思路，Geman和Yang提出了“半二次正则化”的概念来解决这种策略中出现的非线性优化问题。其后，Charbonni等人在此基础上研究了一种新的半二次正则化方法。从而可以利用确定性算法来得到问题的最优解。另一个较新的发展使Vogel等人提出的基于全变差模型的图像复原算法。尽管这些算法都在一定意义上提高了复原图像的质量，但边缘模糊的问题并未得到理想的解决。

另外，近年来小波的理论得到迅速发展，并光法应用于图像复原中。基于小波变换的迭代正则化图像复原算法，兼顾抑制噪声的增长和保留图像的重要边界。具有噪声估计能力的图像恢复正则化方法。Belge等人以广义高斯模型作为小波系数的先验分布，提出了一种小波域边缘保持正则化的方法。同时给出了小波域图像复原的一般框架，但其复原方法相对于传统复原方法提高的并不显著，赵书斌等人以混合高斯模型逼近小波系数的分布，并引入小波域隐马尔可夫模型作为自然图像的先验概率模型对图像超分辨率复原问题进行正则化，复原效果不错，但该方法还是不能避免计算量过大的缺点。从图像复原的Bayesian框架出发，小波域局部高斯模型的线性图像复原方法，该方法较好的再现了图像的各种边缘信息，取得不错的复原效果。

第2章图像复原技术的一般原理

本章主要阐述在图像复原技术中用到的一些基本原理和本文所涉及到的图像复原的基本概念和技术。

2.1 成像系统的数学描述

为了刻画成像系统的特征，通常将成像系统看成是一个线性系统，从中推导出物体输入与图像输出关系的通用数学表达式，从而建立成像系统的退化模型，在此基础上研究图像复原技术。事实上，成像系统总是存在一定的非线性性质的，但是如果这些非线性性质不至于引起严重的误差，或者是当成像系统在小范围内满足线性性质时，一般仍将成像系统看成是线性的。这是因为线性系统已经有了完整的理论体系，而且能够反映系统的主要特性。

由成像系统的线性性质可知，系统中的物函数(即系统输入激励)

可以分解为无数个基元函数之和，最简单的基元物函数就是脉冲函数，因此物函数可以表示为：

(2-1)

式(2-1)表明，物函数可以看成是带有权因子

的δ函数的线性组合。因此，只要求出成像系统对δ函数的响应表达式，将其与每一个基元物函数的权因子进行相乘、求和，就可以得到像平面上的像函数

，

的表达式如下：

(2-2)

式(2-2)中的

表示成像系统的传递函数。如果用符号

表示系统对万函数的响应，即：

(2-3)

则称函数为成像系统的脉冲响应，有时也称为点扩散函数，这是因为物体上的点经过成像系统后将不是一个点，而是一个扩散的同心圆的缘故(经夫琅和费衍射实验验证可得)。系统的输入、输出关系可以表示为：

(2-4)

由于光学成像系统的脉冲响应仅依赖于

和

，即物平面的点光源在场景中移动时，点光源所成的像也只是改变位置而函数形式不变，这样就有：

(2-5)

于是式(2-1-5)变为：

(2-6)

其中，符号*表示卷积。满足式(2-6)的点扩散函数称为空不变的点扩散函数，在几何光学中称为等晕条件，表示轴外光线造成的焦散误差应与轴上光线具有同样性质。上述方程就是近代光学中用来描述成像系统的数学表达式，这些表达式说明，物函数与系统脉冲响应的卷积结果就是考虑了衍射效应后系统所成的像，衍射效应越强，退化越严重。由此可见，点扩散函数决定了系统的成像质量。有了以上的成像系统数学描述形式，下一步就可以推断出图像的退化模型，然后按照某种标准尽可能地恢复场景的原始面貌。从退化图像中较为精确地找出真实图像是一个估计问题，是退化过程的逆向估计，是一个去卷积的过程。对于退化的复原，一般采用两种方法，一种方法适用于对图像缺乏先验知识的情况，此时可对退化过程(模糊和噪声)建立模型，进行描述，进而寻找一种去除或削弱其影响的过程。另一方面，若对于原始图像有足够的先验知识，则对原始图像建立一个数学模型，并根据它对退化图像进行恢复会更有效。本文采用的是已知退化模型和噪声的情况下，对图像复原的常用方法进行研究。

2.2 图像的退化模型

图像复原处理是建立在图像退化的数学模型基础上的，这个退化数学模型应该能够反映图像退化的原因。由于图像的退化因素较多，所以图像处理过程中是把退化原因作为线性系统退化的一个因素来对待，从而建立系统退化模型来近似描述图像函数的退化模型。

（1）连续退化模型

假设，

代表一幅退化图像，

为原图像(真实场景的描述)，

为退化的点扩散函数，退化模型可以用图2-1来描述：

图2-1 图像连续退化模型

图中

表示系统噪声，由图2-1建立的图像退化模型的一般表达式为：

(2-7)

从式(2-7)可以看出，图像的退化就是成像系统的退化加上额外的系统噪声而形成的。根据这个模型可知，图像复原就是在已知

和

的基础上，对退化图像进行反演运算，得到一个

的最佳估计

。其中点扩散函数

与运动模糊方向和长度有关，本文主要研究匀速直线运行情况下的退化图像。

（2）离散退化模型

由于数字图像都是离散形式的，所以在实际应用中都是采用式(2-8)的离散形式进行计算的，其表达式如下：

(2-8)

式中

=0，1，2，…，

；

=0，1，2，…，

。函数

和

分别是周期为M和N的函数。注意，如果这两个函数的周期不是M和N，那么必须对它们进行补零延拓，避免卷积周期的交叠。

是与

和

具有相同周期的函数。

（3）图像复原评价标准

图像复原是使重构图像与原始图像更接近，其实质就是恢复图像的质量。在目前的图像复原的衡量标准中，用得较多的有均方误差测试、信噪比改善量等多种测试方法。

2.3 图像点扩展函数的估计方法

在图像复原中，点扩展函数的获取意义重大，通常有3种主要的估计退化函数的方法即观察法、试验法和模型估计法。本文选用模型估计法构建退化模型，用以获取点扩展函数。

由于退化模型可解决图像复原闯题，因此多年来一直在应用。在某些情况下，模型的构建要把引起退化的环境因素考虑在内。当用光学系统观测物体时，在空域中常用点扩展函数来描述观测系统对信号的变换规律，如果系统是空间移不变的，也可用其频域所对应的转移函数来表示，几种典型的点扩展函数模型如下。

（1）运动模糊的点扩散函数：假设图象是通过一个具有机械快门的摄像机获得的。摄像机和拍摄物体在快门打开期间T的相对运动引起物体在图象中的平滑。假设v是沿x轴方向的衡常速度，时间T内PSF的傅里叶变换

由下式（2-9）给出：

(2-9)

（2）离焦模糊的点扩散函数：由于焦距不当导致的图象模糊可以用如下函数(2-10)表示：

(2-10)

其中

是一阶Bessel函数，

，a是位移。该模型不具有空间不变性。

（3）大气扰动的点扩散函数：大气的扰动造成的图象模糊在遥感和天文中是需要复原的。它是由大气的不均匀性使穿过的光线偏离引起的，以下给出了数学模型，其表达式为（2-11）：

(2-11)

其中c是一个依赖扰动类型的变量，通常通过实验确定。幂5/6有时用1代替。当我们得到一幅退化图像的时候。首先要判断其退化类型，然后通过已知的先验知识进行恢复。以下的讨论主要针对运动模糊的PSF进行。

构建好退化图像的模型且获得点扩展函数后，对于退化的复原，一般采用两种方法，一种方法适用于对图像缺乏先验知识的情况，此时可对退化过程(模糊和噪声)建立模型，进行描述，进而寻找一种去除或削弱其影响的过程。由于这种方法试图估计图像被一些特性相对来说为已知的退化过程影响以前的情况，所以是一种估计方法。另一方面，若对于原始图像有足够的先验知识，则对原始图像建立一个数学模型，并根据它对退化图像进行拟合会更有效。例如假设已知图像中仅含有确定大小的圆形物体(如星辰、颗粒、细胞等)，这样，由于仅是原始图像很少的几个参数(数目、位置、幅度等)未知，因此这是一个检测问题。在进行图像复原时，既可以用连续数学，也可以用离散数学进行处理，处理既可以在空间域，也可以在频率域进行。此外，当复原必须用数学方法来进行处理时，处理既可以通过空间域的卷积，也可以通过频域的相乘来实现。这样，我们就可以在明确所作假设的情况下，根据具体问题的具体要求和约束来选择最适合的复原方法。

匀速直线运动模糊图像恢复技术的研究具有一般性和普遍意义，因为非匀速直线运动在某些条件下可以近似视为匀速直线运动或者可以是看作是多个匀速直线运动的合成。而在匀速直线运动模糊的所有模型中，水平方向的匀速直线运动模糊更具有代表性和简单性，因为其它方向上的匀速直线运动模糊可以由解决水平方向上模糊的方法推广得到，或者直接将图像旋转就可以把其它方向的匀速直线运动模糊转化为水平方向上的匀速直线运动模糊。

第3章匀速直线运动模糊图像的复原技术

运动模糊现象在数字图像处理实践中经常遇到，在照片曝光期间相机与景物之间的相对运动形成了运动模糊，其中以匀速直线运动最为常见。对于运动模糊图像的复原方法研究非常具有现实意义。因为运动模糊图像在日常生活中普遍存在，给人们的实际生活带来了很多不便甚至危及到安全保障体系。一个典型的例子就是现在很多城市的一些重要交通路口都设置了交通监视系统，它能及时拍摄车辆图像并从图片中分析出该车车牌号。由于车辆在行进中速度较快，所以摄取的画面有时是模糊不清的，这就需要运用运动模糊图像复原技术来进行图像复原，来得到可辨认的车牌图像。运动模糊图像复原技术在银行监视系统中识别经济犯罪、在路况监视系统中监控超速行驶、在刑事侦破中提供线索等方面也发挥着重要的作用。

运动模糊图像的点扩散函数(PSF)为未知的，因此要根据模糊图像的各种统计信息和物理特性来估测PSF，对于PSF的估计，在运动模糊图像的复原中，就是对于运动模糊长度和角度的估计。本文在研究了模糊长度和模糊方向参数鉴别的现有方法后，对采用的自动鉴别算法进行了描述，给出了具体的实现方法。并基于MATLAB编程环境实现并验证了相关算法。

在实际应用中，匀速直线运动造成的模糊图像的复原问题更具有一般性和普遍性，并且，变速的、非直线运动在某些条件下可以被分解成分段匀速直线运动。因此，我们提出了只要解决匀速直线运动模糊图像的复原问题，变速的、非直线运动造成的模糊图像的复原问题就相对容易解决的思想。对于任意方向的运动模糊图像复原的方向鉴别问题，虽然从物理学角度来讲，任意方向的直线运动总可以分解为相互垂直的X方向和Y方向的独立运动，而任意直线方向的运动模糊图像却并不能先按X方向进行恢复然后再按Y方向进行恢复。由于任意方向的运动模糊复原问题不能简单的分解成X方向一维复原和Y方向一维复原，因此任意方向的运动模糊复原问题只能直接进行二维复原。

图像复原的关键在于建立正确的退化模型。因为图像复原处理可看成是一个估计过程，如果已经给出了退化图像

并估计出点扩散函数PSF的参数：运动模糊方向和运动模糊长度，那么任意方向的匀速直线运动模糊图像的点扩散函数也就可以根据任意方向匀速直线运动模糊的退化模型而惟一确定，进而由最小二乘准则使用参变维纳滤波来近似复原出

。因此，运动模糊图像的复原，首先要确定运动模糊图像的退化模型，再根据退化模型和原始图像估计出PSF的参数，最后由相应的复原方法进行完成图像的复原工作。

3.1 匀速直线运动模糊图像的退化模型

在所有的运动模糊中，由匀速直线运动造成的模糊图像的复原问题更具有一般性和普遍意义。因为变速的、非直线运动在某些条件下可以被分解为分段匀速直线运动。

将退化的点扩散函数记作

，在不考虑噪声干扰的情况下，由目标与摄像机相对运动造成的图像模糊模型可以用图3-1来描述：

图3-1匀速直线运动模糊图像的退化模型

其中，原始图像

在图像平面上做匀速直线运动，在x方向和y方向上的运动变化分量分别为

和

，在快门打开期间T内，底片上的像素

的总曝光量是图像在运动过程中照到该点的像点亮度作用的总和，即匀速直线运动模糊图像的连续函数模型为：

(3-1)

式中

为模糊后的图像。

如果模糊图像是由景物在X方向上作匀速直线运动造成的，则模糊后图像任意点的值为：

(3-2)

式中

是景物在X方向上的运动分量，若图像总的位移量为a，总的时间为T，则运动的速率为

，则上式(3-2)变为：

(3-3)

以上讨论的是连续图像，对于离散图像来说，对上式进行离散化得：

(3-4)

其中L为照片上景物移动的像素个数的整数近似值。Δt是每个像素对模糊产生影响的时间因子。由此可知，运动模糊图像的像素值是原图像相应像素值与其时间的乘积的累加。

从物理现象上看，运动模糊图像实际上就是同一景物图像经过一系列的距离延迟后再叠加，最终形成的图像。所以，如果我们要由一幅清晰图像模拟出水平匀速运动模糊图像，可按下式进行：

(3-5)

也可用卷积的方法模拟出水平方向匀速运动模糊。其过程可表示为：

(3-6)

(3-7)

其中

称为模糊算子或点扩散函数，*表示卷积，

表示原始(清晰)图像，

表示观察到的退化图像。

3.2 任意方向和水平方向运动模糊图像复原的关系

对水平方向运动模糊图像进行恢复的方法很多，如：谱插值和像素微分插值方法等。这些方法对各自适用领域的模糊图像复原效果都很好，但这些一维复原方法并不能方便地推广到任意方向从而实现任意方向运动模糊图像的复原。从物理学角度来讲，任意方向的直线运动总可以分解为相互垂直的X方向和Y方向的独立运动，而任意直线方向的运动模糊图像却不能先按X方向进行恢复然后再按Y方向进行恢复。

图3-2为运动模糊方向示意图，其中D是二维模糊范围，即在曝光瞬间内图像在运动方向上行色移动的像素数。PSFH和PSFV分别为D在X方向和Y方向上分解得到的分量。

图3-2运动模糊方向示意图

设原图像为

，匀速直线运动模糊图像为

，点扩展函数为

，x方向的点扩展函数为

，Y方向的点扩展函数为

：

(3-8)

(3-9)

则若将原图像先按x方向进行运动模糊，有：

(3-10)

再按Y方向进行运动模糊，则有：

(3-11)

然而匀速直线运动的二维点扩散函数应为一条线段。例如：：若PSFH≥PSFV，则

(3-12)

可得任意方向直线运动模糊图像的复原只能直接进行二维复原，不可以先进行x方向的一维复原再进行y方向的一维复原。

3.3 模糊长度和方向参数鉴别的基本方法

时域卷积运算通过二维离散傅立叶变换转化为频域乘法运算。前人的很多鉴别方法都是通过对运动模糊图像的频域幅度图的黑带条纹(即图像零点个数)分析来读取出运动模糊PSF的参数(运动模糊方向和运动模糊长度)的，其过程如下：

由于水平方向的匀速直线运动模糊最具代表性，其它方向的运动模糊可以通过图像旋转将其转化为水平方向的匀速直线运动模糊进行类似处理，因此这里以水平方向的匀速直线运动模糊为例。假设图像退化的模型为：

(3-13)

其中

，

和

分别是

、

和

的二维傅立叶变换。在不考虑噪声的情况下，式(3-13)可简化为：

(3-14)

在成像过程中，假定景物在水平方向由左到右运动了L个像素，则模糊算子为：

(3-15)

对

进行傅立叶变换：

(3-16)

其中，H(u)的幅值是一个形如

的函数，也就是通信理论中所谓的采样函数。当

(n=1，2，3，…)时

。根据式(3-14)，假设

是m*n像素，那么

也是m*n像素，

要能和

进行点乘，则

和

也必须是m*n像素大小。由式(3-15)可知，实际上h(x，y)是1*L大小，那么必须先对

进行扩充，方法是在扩充后的位置补0，然后再进行离散傅立叶变换，即

应扩充为下式：

(3-17)

写成矩阵形式为：

(3-18)

第一行共有L个1／L，其它位置均补零。对式(3-18)中矩阵进行二维离散傅立叶变换，得：

(3-19)

式(3-19)说明

与v无关，仅与u有关。即当u一定时，V的变化对

没有影响，即

在每一列中的v个值是相等的。先不考虑v，只考虑u，令：

(3-20)

则：

(3-21)

总共有(L一1)个零点，且零点间的间隔是相等的。而

有(L一1)个值为0的列，如果用灰度图进行显示则有(L-1)条竖直的黑带，并且黑带间的距离相等。

很多的鉴别方法都是通过观察

的幅值即采样函数

的等间距平行黑带来实现的。

的作用使得

的频谱为与运动方向垂直的平行条带，因而通过判断

的频谱的平行条带的方向即可得知运动模糊的方向。采样函数的第一个极值点位于横坐标为零处，当u=0时，所对应的亮带通过

的中心，当

时，对应与中心亮带平行且相邻的黑带。该黑带与图像中心的距离

模糊范围D成反比。频谱图中间部分较暗，这是因为

随着

增大而逐渐衰弱的缘故，并且与具体的图像灰度分布有关。可以适当调节频谱图的范围到0到255以便观察，或者采取边缘检测的方法检测出黑条个数而得到L值，即模糊长度。图3-3为运动模糊角度和长度不同时的运动模糊图像的频谱图，从中可以读取出相关的PSF参数。

3.4 模糊方向和长度的获取

3.4.1 模糊方向的获取

对图(a)所示的原始图像‘车牌’图像做方向

，长度L=20像素的匀速直线运动模糊，得到退化图像如图(b)。

（a）车牌图像（b）退化图像

图3-3 原图像和退化图像

图(c)和(d)分别为原图像和模糊图像的二次傅里叶变化后的图像:

图3-4 二次傅里叶变换后的原图像及退化图像

利用图(d)粗略的计算模糊的方向，可以通过matlab自带的画线工具，选取如下图

所示的三角形，计算a与c之间的夹角。

图3-5模糊方向的获取

Matlab命令窗口输入：ginput，选中三个顶角后回车，可得：

ans =

136.6009 146.3977

137.4205 166.8895

145.2074 166.8895

粗略取值后，经Matlab计算得：

atan(20/9)*180/pi

ans = 65.7723

则运动方向为90-ans≈25（误差为5）。

3.4.2 模糊长度的估计

运动模糊图像中，在运动方向上大多数模糊图像的背景像素点具有很强的相关性，即沿着运动模糊的轨迹，背景像素点的灰度值逐渐变化或者不变。通过文献的学习，先对模糊图像进行一阶微分，然后进行自相关运算，可得到一条鉴别曲线，曲线上会出现对称的相关峰，峰值为负，两相关峰之间的距离等于运动模糊长度。

把模糊图像转换为灰度图像，采用Sobel算子对其进行一阶微分运算，Sobel算子

其自相关曲线如图3-6所示。利用matlab的Data Cursor可以测得两负峰之间的距离为20个像素点，此为运动模糊的长度，与理论值吻合（比较精确）。由于长度的测量较为精确，可以根据长度对运动模糊方向进行不同的取值，达到最好效果。

图3-6 sobel算子的自相关曲线

第4章匀速直线运动模糊图像的几种复原方法

图像恢复也称图像复原是指根据相应的退化模型和先验知识，把品质下降了的图像加以重建．从退化图像中重构出原始图像。匀速直线运动模糊图像恢复技术的研究具有一般性和普遍意义，因为非匀速直线运动在某些条件下可以近似地视为匀速直线运动或者可以看作是多个匀速直线运动的合成。而在匀速直线运动模糊的所有模型中，水平方向的模糊更具有代表性和简单性，因为其它方向上的模糊可以由水平方向上的恢复方法推广得到，或者直接将图像旋转就可以把其它方向的运动模糊转化为水平方向上的匀速直线运动模糊。

对于退化的复原，一般采用两种方法，一种方法适用于对图像缺乏先验知识的情况，此时可对退化过程(模糊和噪声)建立模型，进行描述，进而寻找一种去除或削弱其影响的过程。另一方面，若对于原始图像有足够的先验知识，则对原始图像建立一个数学模型，并根据它对退化图像进行恢复会更有效。本文采用的是已知退化模型和噪声的情况下，对图像复原的常用方法进行研究。

下面介绍逆滤波、有约束的最小二乘方滤波、维纳滤波和Richardson-Lucy迭代算法进行图像复原，并进行讨论分析。

4.1 逆滤波复原

逆滤波复原法也叫做反向滤波法，其主要过程是首先将要处理的数字图像从空间域转换到频域中，进行反向滤波后再由频域转换到空间域，从而得到复原的图像信号。

如果退化图像为

，原始图像为

，在不考虑噪声的情况下，其退化模型用式（4-1）表示，现在将其重写如下：

(4-1)

上式两边进行傅里叶变换得式（4-2）

(4-2)

式中

，分别是退化图像

，点扩散函数

，原始图像

的傅里叶变换。

由式子（4-2）以及傅里叶逆变换公式可得式（4-3）和式（4-4）

(4-3)

(4-4)

式中，

可以理解为成像系统的“滤波”传递函数。在频域中系统的传递函数与原图像信号相乘实现“正向滤波”，这里

除以

起到了“反向滤波”的作用。这意味着，如果已知退化图像的傅里叶变换和“滤波”传递函数，则可以求得原始图像的傅里叶变换，经反傅里叶变换就可求原始图像

。这就是逆滤波复原的基本原理。前面为了分析问题的简化，没有考虑噪声的影响，在有噪声的情况下，逆滤波复原的基本原理可以写成如（4-5）和（4-6）形式：

(4-5)

(4-6)

式中，

是噪声

。

由于在逆滤波复原公式（4-4）中，

处于分母的位置上，利用式（4-4）和（4-6）进行图像复原处理可能会发生下列情况：即在

平面上有些点或域会产

=0或

非常小的情况，在这种情况，即使没有噪声，也无法精确的恢复

。另外，在有噪声存在时，在

的领域内,

的值可能比

的值小得多，因此有式（4-6）得到的噪声项可能会非常大，这样也会使

不能正确恢复。一般来说，逆滤波复原法不能正确地估计

的零点，因此必须采用一个折中的方法进行解决。实际上，逆滤波不是用

，而是采用另外一个关于

的函数

。它的处理框图如图4-1所示：

图4-1 实际的逆滤波处理框图

在没有零点并且也不存在噪声的情况，有式（4-7）：

(4-7)

图4-1的模型包括了退化和恢复运算。退化和恢复总的传递函数可以用

，

来表示。此时有式（4-8）

(4-8)

一般情况，可以将图像的退化过程视为一个具有一定带宽的带通滤波器，随着频率的升高，该滤波器的带通特性很快下降，即

的幅度随着

平面原点的距离的增加而迅速下降，而噪声项

的幅度变化是比较平缓的。在远离

平面的原点

的值就会变得很大，而对于大多数图像来说，

却变小，在这种情况下，噪声反而占优势，自然无法满意的恢复出原图像。这一规律说明，应用逆滤波时仅在原点领域采用

方能有效。换句话说，应使

在下述范围内选择式（4-9）

(4-9)

式中，

的选择应该将

的零点排除在此领域之外。

4.2 有约束最小二乘方复原

为了在数学上更容易处理，通常在无约束复原的基础上附加一定的约束条件，从而在多个可能结果选择一个最佳结果，这便是有约束复原方法。

最小二乘方约束复原是指除了要求了解关于退化系统的传输函数H之外，还需要知道某种噪声的统计特性和噪声与图像的某些相关情况。根据所了解的噪声先验知识的不同，应该采用不同的约束条件，可得到不同的图像复原技术。

在最小二乘约束复原中，复原问题表现为在满足约束条件下，对于这类问题的有约束最小化问题，通常采用拉格朗日乘法进行处理。即寻找一个

，使得如下准则函数（4-10）最小。

(4-10)

式中，

为

的线性算子，

为一个常数（称为拉格朗日乘子）。对式（4-10）求导，可得式（4-11）和（4-12）

(4-11)

(4-12)

令

，得式（4-13）

(4-13)

常数

必须反复迭代齐整，直到满足约束条件。求解（4-12）的关键就是如何选用一个合适的变换矩阵

。

相对于无约束问题，有约束条件的图像复原更符合图像退化的实际情况，因此其适应面更加广泛。对式（4-13），若选择不同形式的矩阵

，则可得到不同类型的有约束最小二乘方类图像的复原方法。

4.3 维纳滤波复原

一般地，噪声源往往具有平坦的功率谱，即使不是如此，其随着频率的升高而下降的趋势也要比典型图像的功率谱慢得多。因此，可以认为功率谱的低频部分以信号为主，而高频部分则主要被噪声所占据。由于逆滤波滤波器的幅值通常随着频率的升高而升高，会增强高频部分的噪声。因此，为了克服以上缺点，提出了采用最小均方误差的方法(维纳滤波)进行模糊图像恢复。

维纳(wiener)滤波可以归于反卷积(或反转滤波)算法一类，它是由Wiener首先提出的，并应用于一维信号，取得了很好的效果。此后算法又被引入二维信号处理中，也取得了相当满意的效果，尤其是在图像复原领域，由于维纳滤波器的复原效果良好，计算量较低，并且抗噪性能优良，因而在图像复原领域得到了广泛的应用，并不断得到改进发展。

如果取式（4-14）为：

(4-14)

和

分别是图像和噪声的自相关矩阵，即得式（4-15）和式（4-16）：

(4-15)

(4-16)

并且它们都是正定对称矩阵，则根据约束条件有式（4-17）：

(4-17)

实际上就意味着使噪声与信号的比对复原图像的影响最小。图像和噪声的相关矩阵都是把图像当作随机过程来研究，从而描述其统计特性的量，在这里最小二乘方的最佳已经演变成均方误差最小准则下的最佳。

根据式(4-17)可求得频域维纳滤波公式（4-18）如下：

(4-18)

其中，

表示退化函数，

表示噪声功率谱，

表示为退化函数的噪声功率谱。

=1时，为标准维纳滤波器；

时，为含参数维纳滤波器。当没有噪声时，维纳滤波器则退化成理想反滤波器。

因此可以用一个比值K代替两者之比，从而得到简化的维纳滤波公式（4-19）如下：

(4-19)

维纳滤波是一种综合考虑了退化函数和噪声统计特征两个方面进行恢复处理的方法，它建立在认为图像和噪声是随机过程的基础上，而目标是找一个未污染图像

的估计值

，使它们的均方误差最小。维纳滤波复原法不存在极点，即当很小或变为零时，分母至少为K，而且

的零点也转换成了维纳滤波器的零点，抑制了噪声，所以它在一定程度上克服了逆滤波复原方法的缺点。

虽然维纳滤波避免了频域处理的病态问题，对噪声放大有自动抑制作用，且噪声越强，作用越明显，但是对具体问题，有时得到的结果不能令人满意。这是因为

（1）维纳滤波假设是线性系统，但实际上图像的记录和评价图像的人的视觉系统往往都是非线性的。

（2）维纳滤波是根据最小均方误差准则设计的最佳滤波器。这个准则不见得与人类视觉判断准则相符合。均方误差(MSE)准则对所有的误差，不管其处在图像中的位置如何，都赋以同样的权值。由于使均方误差最小化，图像进行了平滑。而人眼对暗处和高梯度区域的误差具有较大维纳滤波以一种并非最适合人眼的方式对图进行评价。

（3）维纳滤波基于平稳随机过程模型。但实际存在的图像并不一定都符合这个模型，大多数图像都是高度非平稳的，而且它只利用了图像的协方差信息，可能还有大量的有用信息没有充分利用。

4.4 Lucy-Richardson复原

Lucy-Richardson算法能够按照泊松噪声统计标准求出给定的PSF卷积后，最有可能成为输入模糊图像的图像。当PSF已知，但图像噪声信息未知时，也可以使用这个函数进行有效的工作。

从成像方程和poissian统计可以有（4-20）推导：

(4-20)

式中，

是原始图像；

是PSF()函数；

是无噪声模糊图像。在已知

时，在每个像素点估计

的联合似然函数为式（4-21）：

(4-21)

当式(4-21)存在时，最大联合似然函数的解存在。解为式（4-22）：

(4-22)

则可以得到Lucy-Richardson迭代式，得式（4-23）：

(4-23)

可以看出每次迭代时，都可以提高解的似然性，随着迭代次数的增加，最终会收敛在具有最大似然性的解处。

MATLAB提供的deconvlucy( )函数，就是利用加速收敛的Lucy-Richardson算法对图像进行复原。deconvlucy( )函数还能够用于实现复杂图像重建的多钟算法中。这些重建算法都是基于原始Lucy-Richardson最大化可能性算法。

deconvlucy( )函数的调用方式如下：

J=deconvlucy( I，PSF，NUMIT, DAMPAR, WEIGHT, READOUT, SUBSMPL)

其中，I表示输入图像。PSF表示点扩散函数。其他参数都是可选参数：NUMIT表示算法的重复次数，默认值为10；DAMPAR表示偏差阈值，默认值为0（无偏差）；WEIGHT表示像素加权值，默认值为原始图像的数值；READOUT表示噪声矩阵，默认值为0；SUBSMPL表示子采样时间，默认值为1。

噪声痕迹是最大化可能性数据逼近算法的常见问题。经过多次重复处理，尤其是在低信噪比条件下，重建图像可能会出现一些斑点，这些斑点并不代表图像的真实结构，是输出图像过于逼近噪声所产生结果。要有效控制这些痕迹，可以使用deconvlucy( )函数的收敛参数DAMPAR，该参数指定了收敛过程中结果图像与原始图像背离程度的阈值。对于那些超过阈值的数据，将不再允许进行反复计算。

如果对采样不足的数据进行重建，而重建过程建立在一个较好的网格操作基础上，则重建效果就可以大大提高。如已知PSF具有较高的分辨率，则deconvlucy( )函数使用SUBSMPL参数指定采样不足的比例。另外，PSF还可以通过观察像素偏移或者光学模型技术获得。

第5章几种复原方法的MATLAB实现及评价

本文利用MATLAB软件对运动模糊和复原进行仿真，研究使用MATLAB把退化现象模糊化及将复原的解决方案公式化。实验证明该软件功能强大，语言简洁易学，人机界面友好，具有丰富的技术支持，应用简单而效果良好。

5.1 图象质量评价

图像质量评价方法总体上可以分为主观评价和客观评价两类。尽管主观质量评价结果比较可靠，但是它实现起来昂贵而枯燥，这使得我们希望用客观评价方法代替主观评价方法。传统的估计方法对图像质量的评价并不能很好的符合主观评价。这些激发了人们对图像质量评价的深入研究，学者们提出了各种图像质量的评价方法。

质量测量一般用于评价图像处理的算法或者图像编码的质量。假定精确的原始图像是

，图像处理是从与

相关的数据D出发（这里D可以是图像

的模糊版本，或者是

的压缩码流等），按照某种准则或者算法推断（或者译码）出图像

的一个估计

。最常用的客观评价方法是计算图像的平均平方误差（5-1）（mean square error，MSE），并计算图像的峰值信噪比（5-3）（peak signal-to-noise ratio，PSNR），这里

(5-1)

平均平方误差是越小表示图像质量越好，为了便于比较，这里采用均方误差的倒数（5-2）式作为评价测度：

(5-2)

M越大表示恢复凸显质量越好。

峰值信噪比是以分贝（dB）为计量单位的

(5-3)

通常，在8位量化的灰度图像中，取Peak=255，这就给出了通常的计算公式（5-4）

(5-4)

归一化互相关（5-5）（normalized cross-relation，NCR）也可以用来作为图像评价

(5-5)

用来作为客观评价定的计算方法很多，本文主要采用以波形为基础的图像评价，虽然是一种最经常使用的失真测量方法，但它仅仅是把图像看作一个数学的函数（波形），进行的是函数逼近意义下的失真测量。这种测量方法主要是围绕随机误差进行测量的，忽略了图像的认识特点，从而忽略了认知意义下的图像失真。

5.2 逆滤波复原

图5-1逆滤波复原过程图，图(a)是选取的原始图像，图(b)是利用MATLAB对原始图像进行运动模糊和加噪声仿真而生成的仿真图像，模糊长度为10个像素。经过逆滤波复原图像为图（c）。

（a）原图像（b）模糊加噪图像

（c）复原图像

图5-1 逆滤波复原过程

从恢复出来的图5-1（c）可以看出复原效果不理想，出现较大的振铃现象。从理论分析上看是由于一般情况下，逆滤波复原不能正确估计退化函数

的零点，因此必须采用一个折中的方法进行解决。实际上，逆滤波不用

，而是采用另外一个关于

的函数

。函数

称为转移函数。改进方法为

(5-1)

式中K和d均为小于1的常数。

采用逆滤波对运动模糊加噪图像进行复原。在噪声相同情况下，参数K分别选取0.0001、0.001、0.005、0.01、0.1和0.9。图中（a）-（f）为对应参数下的复原图像。通过转移函数替代原退化模型得到图5-2逆滤波减小振铃现象复原图像。

（a）k=0.0001 (b) k=0.001

（c）k=0.005 (d) k=0.01

(e) k=0.1 (f) k=0.9

图5-2 逆滤波减小振铃现象复原图像图

从复原结果图5-2可以看出随着K值的增大复原效果逐渐变差，K=0.001到0.01之间复原效果较好。

从理论上分析，逆滤波方法不能正确估计退化函数

的零点。采用一个折衷的方法加以解决。一般情况，可以将图像的退化过程视为一个具有一定带宽的带通滤波器，随着频率的升高，该滤波器的带通特性很快下降，即

的幅度随着

平面原点的距离的增加而迅速下降，而噪声项

的幅度变化是比较平缓的。在远离

平面的

的值就会变得很大，而对于大多数图像来说，

却变小，在这种情况下，噪声反而占优势，自然无法满意的恢复出原图像。这一规律说明，应用逆滤波时仅在原点领域采用

方能有效。

5.3 有约束最小二乘方复原的实现

通过MATLAB仿真来实现有约束的最小二乘方复原，图5-3是有约束的最小二乘方复原图。分别取参数为0、1、0.001、0.01、0.05、0.1对应图5-3里面的(a)-(f)。

(a)

=0 (b)

(c)

= 0.3 (d)

=0.05

(e)

= 0.01 (f)

=0.001

图5-3 有约束最小二乘方在不同参数下的恢复情况图

从理论上分析，当

=1时，复原结果与维纳滤波复原结果一样，

=0时，复原果与逆滤波一样。

由于复原前图像加了很小的高斯噪声，信噪比较小，

越小，越接近于逆滤波复原。复原效果不好。图(a)为直接逆滤波复原效果图，可以看出效果不佳。因此，当信噪比比较小时，逆滤波复原效果不好。有约束最小二乘效果较好。

5.4 维纳滤波复原的实现

图(a)是选取的原始图像，图(b)是利用MATLAB对原始图像进行运动模糊和加噪声仿真而生成的仿真图像，模糊长度为5个像素。

采用维纳滤波恢复算法对模糊图像进行恢复，在加噪声的情况下，参数k分别选取0．0001、0．001、0．005、0．01、0.1和1。各种图中(c)-(h)为对应参数下的恢复图像。图5-4有噪声下维纳滤波在不同参数下的恢复情况。

（a）原始图像（b）含噪声运动模糊图像d=5，v=0.001

(e) K=0.005 (f) K=0.01

(g) K=0.1 (h) K=1

图5-4 有噪声下维纳滤波在不同参数下的恢复情况

可以看出，恢复图像还是都有一定的振铃现象。K=0.0001时，图像振铃效应比较小，但其噪声很大。k=0.00l相对前一幅恢复图像振铃效应明显一点，但噪声有所减少。k=0.005和k=0.01的恢复效果也是看起来区别不明显，虽然它们的噪声都减少了，但图像整体都相对前面有明显的模糊，且振铃效应明显。K=0.1的模糊程度比较大，而k=1时，图像最模糊，且亮度很暗。

总的看来，主观评价认为k=0.001时的恢复效果最清楚，恢复质量最好。K=0.0001时次之，k=1时的效果最差。

利用公式（5-1）与（5-2）计算出平均平方误差，如表5-1所示：

表5- 1平均平方误差客观评价方法得分

参数k	0.0001	0.001	0.005	0.01	0.1	1
平均平方误差（M）	2861	6463	6937	6576	2861	2513

从表5-1可以看出，采用平均平方误差准则时K=0.1的平均平方误差和K=0.0001一样，但是其对应的图像很模糊。对于非迭代方法的维纳滤波恢复法，k值的选取对图像恢复质量有很重要的影响。从上面实验结果可以看出，虽然对于每幅特定图像的评价得分不尽相同，但基本上当k值在[0.001，0.1]的范围取值时，恢复图像质量最好。

从理论上分析，维纳滤波复原的图像，在图像的频率特征和附加噪声已知的情况下，采用维纳滤波去卷积比较有效。维纳滤波复原法不存在极点，即当

很小或变为零时，分母至少为K，而且

的零点也转换成了维纳滤波器的零点，抑制了噪声，所以它在一定程度上克服了逆滤波复原方法的缺点。

5.5 Richardson-Lucy复原的实现

图(a)是原始图像，图(b)是对原图进行运动模糊仿真而生成的仿真图像，模糊长度为10个像素，模糊方向为水平方向。

采用Richardson-Lucy恢复算法对模糊图像进行恢复，迭代次数参数分别选取20次、50次、100次、150次、200次和300次。所有图的(c-h)为对应迭代次数下的复原图像。

(a) 原图像 (b) 水平运动10像素加噪声图像

(e) 迭代100次 (f) 迭代150次

(g) 迭代200次 (h) 迭代300次

图5-5 R-L算法在不同参数下的复原图像

从图5-5可以看出，恢复的图像整体差别不大。从图像人物、背景等分辨，质量随着迭代次数增大而提高。迭代100次以后恢复效果区别不大，仔细辨认，迭代200次和300次更好一些．所以主观评价认为200次或300次时复原质量最好。

本文通过MATLAB编程，利用公式（5-1）、（5-2）计算出图5-5：（c）-(h)各恢复图像的平均平方误差。通过计算平均平方误差的倒数（M）来做客观分析。客观分析如表5-2：

表5- 2复原图像与原图像的平均平方误差

迭代次数	20	50	100	150	200	300
平均平方误差（M）	4348	4762	5000	5263	5263	5263

从表5-2可以看出，采用均方误差准则评价时，平均平方误差差别不大。总体上随着迭代次数增加分数增大，迭代次数为150次后平均平方误差一样。

上述分析表明，在R-L恢复算法下，对于这幅图像，传播波方程客观评价准则和平均平方误差准则的评价结果基本一致，并和主观评价结果吻合。

从理论上分析，Richardson-Lucy算法能够按照泊松噪声统计标准求出与给定PSF卷积后，最有可能成为输入模糊图像的图像。PSF已知但是图像噪声信息未知时，也可以使用这个函数进行有效的工作。随着复原迭代的次数增加，可以提高复原图像的似然性，最终将会收敛在具有最大似然性处。

结论与展望

图像复原需要根据相应的退化模型知识重建或恢复原始的图像。也就是说，图像复原技术就是要将图像退化的过程模型化，并由此采取相反的过程以得到原始图像。运动模糊是由于在拍摄过程中相机与景物之间相对运动而产生，因此对于匀速直线运动造成的运动模糊图像来说，图像退化模型的两个重要参数相对运动的方向和运动模糊尺度的估计就成了图像复原的关键问题。本文以匀速直线运动造成的模糊图像为基础，研究退化函数的参数估计方法，所做的工作及创新之处总结如下：

论文的工作总结

（1）论文研究了模糊图像尤其是水平方向运动模糊图像的退化模型，任意方向的匀速直线运动模糊图像只需要通过坐标旋转至水平方向，其图像特征的描述可由水平匀速直线运动模糊图像类推得出。

（2）论文研究了运动方向和模糊尺度的估计，通过对运动模糊图像的频域幅度图的黑带条纹(即图像零点个数)分析来估算出运动模糊PSF的参数运动模糊方向和运动模糊长度)的，同时通过查阅文献获得另一种对模糊尺度的估算即对模糊图像进行一阶微分，然后进行自相关运算，可得到一条鉴别曲线，曲线上会出现对称的相关峰，峰值为负，两相关峰之间的距离等于运动模糊长度。

（3）对于运动模糊图像的恢复，介绍分析了逆滤波、有约束的最小二乘方、维纳滤波和Richardson-Lucy四种常用的恢复方法。并且采用Richardson-Lucy迭代算法和维纳滤波方法在选取不同参数的情况下对运动模糊图像进行了恢复。利用逆滤波方法进行恢复时，复原图像的效果整体不是很好，存在着较明显的振铃效应，加噪情况下复原图像的噪声也比较严重。本文通过理论分析及仿真，探索出减小振铃现象的一些方法，但还不够完善，今后还需要继续深入研究如何改进算法、减少振铃效应和噪声，以提高复原图像的质量。针对有约束的最小二乘方、维纳滤波复原方法，本文主要通过参数变化来控制复原效果，最终选出最优准则。Richardson-Lucy迭代算法从理论上看是迭代次数越大，复原效果越好。考虑到程序的有效性，本文采用了最大为迭代300次。从主客观评价对复原图像的评价来看迭代次数超过150次以后效果就基本一样。

展望

由于本人的能力有限，对图像复原技术的研究还不够系统、不够深入，无论在理论上，还是在工程应用中，还需要做大量深入、细致的研究工作。因此在这方面的研究还只是个开始，很多地方都需要改进与提高，例如：

（1）运动模糊图像的复原大多是对整幅图像进行全局的复原，然而在实际应用中并非完全如此。例如，由于物体运动而产生的相对运动，其运动模糊只出现在物体运动的轨迹上，而背景是清晰的。在这种情况下就不能对全局进行处理，应首先分割出运动模糊区域，然后再进行参数估计，图像复原。如何分割运动模糊区域，分割的依据如何等将成为以后研究工作的一部分。

（2）本文研究的运动模糊图像参数估计算法仅限于匀速直线运动造成的模糊，而缺乏对非匀速的、轨迹为曲线的运动模糊研究，且得到的参数还具有一定的误差。

致谢

在论文即将完成之际，首先感谢我的导师金震妮老师。本文从开题、写作直至最终定稿，金老师给予了诸多建设性建议，并在百忙之中悉心指导。恩师严谨的治学态度、科学的治学方法、渊博的学识、诲人不倦的精神和平易近人的工作作风令我景仰，并将使我终生受益。感谢母校内所有教过我的老师和使我受教的老师们，他（她）们无私的传道、授业，让我能辨事理、明是非，让我在人生的道路上向前迈进了一大步。还要感谢长期以来给我诸多帮助的同学们，你们的友情将是我一生最值得珍惜的财富和最值得怀念的财富。此外本文参考了大量的文献资料，在此，向各学术界的前辈们致敬。

作者：

年月日

参考文献

[1] 杨帆，等.数字图像处理与分析（第二版）[M].北京：航空航天大学出版社，2007.

[2] 黄爱民，等.数字图像处理分析基础[M].北京：中国水利水电出版社，2005.

[3] 孙兆林.MATLAB 6.x图像处理[M].北京:科学出版社，2003.

[4] 贾永红.计算机图像处理与分析[M].武汉：武汉大学出版社，2001.

[5] 姚敏.数字图像处理[M].北京：机械工业出版社，2006.

[6] 孟永定,马佳.基于MATLAB实现数字图像恢复[J].电脑学习,2007,1(1),30-32.

[7] 刘红岩,徐志鹏.基于MATLAB的数字图像恢复[J].科技信息(学术研究).2008,3(12),23-26.

[8] 孟昕,张燕平.运动模糊图像恢复的算法研究与分析[J].计算机技术与发展,2007,17(8):74-76.

[9] 孟昕,周琛琛,郝志廷.运动模糊图像恢复算法相关研究发展概述[J].安徽电子信息职业技术学院学报,2008,7(6),38-41.

[10] 曾志高,谭骏珊.匀速直线运动模糊图像的恢复技术研究[J].陕西理工学院学报(自然科学版),2006,22(2),36-38.

[11] 李云浩,王建设.匀速直线运动模糊图像的退化数学模型试验研究[J].江西理工大学学报,2006,27(4),28-30.

[12] 谢伟,秦前清.基于倒频谱的运动模糊图像PSF参数估计[J].武汉大学学报(信息科学版).2008,5(02),30-32.

[13] Banham Mark M,Katsaggelos A K.Digital image restoration. IEEE Signal Processing Magazine . 1997.

[14] Mccallum B C.Blind deconvolution by simulated annealing. Optics Communitions . 1990.

[15] Hardie C and Boncelet C G.LUM filters: A class rank order based filters for smoothing and sharpening. IEEE Transactions on Signal Processing . 1993.

附录A 引用外文文献及其译文

Image restoration for interlaced scan CCD image with space-variant

motion blurs

When the speeds of different objects in a scene exceed the temporal resolution of the camera shutter, the output of a CCD camera is usually degraded by motion blurs subject to physical and technical limitations. Depending on the imaging process, image degradation caused by motion blur can be classiﬁed as either a space-invariant or a space-variant distortion. The space-invariant motion blur corresponds to the cases in which the image degradation model does not depend on the positions in the CCD image. This type of motion blurred image is often a result of camera motion during the imaging process. Image restorations for space-invariant motion blurs have been addressed by manyschemes . The goal is to ﬁnd the point spread function (PSF) of the blurring system and then apply deconvolution techniques to restore the ideal images. For space-variant motion blur, the PSF, which causes the degradation, is a function of position in the image. This type of motion blur usually appears in an image containing fast-moving objects with different motions recorded by a static CCD camera. Image restoration for space- variant motion blur remains a big challenge and to date has been addressed only by a few researchers.

Previous work on space-variant image restoration is relatively sparse. The main space-variant image restoration schemes include coordinate transforms , sectional processing , iterative ﬁlters , 2D Kalman ﬁlters, projection onto convex sets (POCS) , and multi-channel variational. The coordinate transformation scheme is limited to types of motion for which transformations can be derived to change the space-variant problem into a space-invariant one. This restoration has been done for rotational motion blurs and some types of geometrically induced motion blurs such as produced in satellite photography. In sectional schemes, the image is sectioned into rectangular regions, where each section is restored using a space-invariant method, such as the maximum a posterior ﬁlter or the modiﬁed Landweber iterative ﬁlter . An accurate estimation of the local motion vector for each section is required in sectional schemes, and this estimation is often performed using adjacent image frames from an image sequence. An iterative ﬁlter is presented for space-variant image restoration in Ref, where the distortion process was separated for several layers or images, and a regularized iterative ﬁlter has been used. Patti et al. applied the reduced order model Kalman ﬁlter (ROMKF) to space-variant image restoration and found that the scheme was computationally expensive for a motion blurred image even with moderate-size blurs. The multi-channels are applicable to degraded images with complicated motion blurs and out-of-focus blurs when the scene has depth, using multiple blurred images.

All of these image restoration schemes do not speciﬁcally consider the effects of interlaced ﬁeld images (i.e., the odd and even ﬁeld images of one interlaced scan CCD image), although fogel et al. indicated the need for the consideration of interlaced scan effects as a future research topic . Therefore, these image restoration schemes may not provide satisfactory restoration results for interlaced scan CCD images, while good restoration results can be achieved for progressive scan CCD images. To address this problem, we propose a novel space-variant image restoration scheme for interlaced scan CCD images based on sectional processing. This novel scheme not only outperforms sectional processing schemes proposed for interlaced scan CCD image restoration but also is time efﬁcient since only one image frame is required in this scheme, in contrast to image sequence required in those sectional schemes. In our scheme, only one image frame is required for the image restoration. In fact, if multiple image frames are used in a motion estimation procedure, the motion offset between the odd and the even ﬁelds of one image frame and the motion offset between the adjacent image frames will mix together. This motion offset mixture may result in large motion estimation errors. Therefore, only one image frame is used in our scheme.

Our image restoration scheme for space-variant motion blurs is based on the sectional processing scheme. As is the case of all sectional image restorations, our novel scheme assumes the motion to be locally linear in a region of a reasonable size (e.g. a small rectangular block region). This assumption is reasonable since neighboring points will usually be moving at similar speeds. Therefore, the PSF in every small rectangular block can be approximately space-invariant and then some image restoration schemes for space-invariant linear motion blur can be used in every small rectangular block.

Our scheme consists of three steps. First, only one interlaced scan image frame is required to extract the odd ﬁeld image and the even ﬁeld image. Second, the motion vector estimation is performed in every rectangular block unit using the odd ﬁeld and the even ﬁeld images, which requires a time-efﬁcient block matching algorithm. Third, the PSF computed with the estimated motion vector in every rectangular block unit will be used as an initial PSF estimation for the subsequent blind deconvolution image restoration. This PSF initialization can obviously both accelerate the blind deconvolution speed and improve the image restoration result.

The extraction of odd or even ﬁeld image is the ﬁrst step in our scheme. The odd or even ﬁeld image is extracted from the interlaced scan image frame I(x,y), y = 0,1, y, N À 1 so that Io(x,y) =I(x,y), y = 2k, k = 0,2, y, N/2 À 1; Ie(x,y)= I(x,y), y = 2k +1, k = 0,1,2, y,N/2 À 1. Then Io(x,y) or Ie(x,y) is enlarged to form Io1(x,y) or Ie1(x,y) that is identical with I(x,y) in size using an interpolation algorithm. A nearest-neighbor interpolation, a bilinear interpola-tion or a bicubic interpolation can be used in the interpolationalgorithm.

After the odd and even ﬁeld images are extracted and resized,they are divided into a matrix of rectangular block units. Each rectangular block unit is also called as macro block. Using a block matching algorithm, every macro block in the resized even ﬁeld image is then compared with the corresponding macro block and its adjacent neighbors in the resized odd ﬁeld image to create a motion vector that stipulates the movement of a macro block from one location to another. The computed motion vector in every macro block will be used in the subsequent PSF estimation as described in Section 2.3. In a block matching algorithm, two parameters, the size of macro block and the search parameter p, must be set with reasonable values. For example, one macro block is taken as a square of side 16 pixels, and the search parameter is 7 pixels in Fig. 1. The matching of one macro block with another is based on the output of a cost function such as the mean absolute difference (MAD) or the mean squared error (MSE). The macro block that results in the least cost is the one that matches the closest to current block.

There are some fundamental block matching algorithms,which include the exhaustive search (ES), three step search(TSS), new three step search (NTSS), simple and efﬁcient

search (SES), four step search (FSS), diamond search (DS) and adaptive rood pattern search (ARPS). In general, DS and ARPS algorithms prove to be good block matching solutions,since they provide excellent Peak-Signal-to-Noise-Ratio (PSNR) results, close to those results of ES, while they drop the searches by more than an order of magnitude. Therefore, the DS algorithm is employed in the block matching in every macro block of the resized odd or even ﬁeld image.

Fig. 1. One macro block for block matching.

Fig. 2. DS procedure; this ﬁgure shows the LDSP and SDSP and also shows an example path to motion vector ( À 4, À 2) in ﬁve search steps, which include four times of LDSP and one time of SDSP.

空间变化运动模糊的隔行扫描CCD图像复原

当在一个场景中不同对象的速度超越时空分辨率的相机快门，CCD相机输出通常受物理和技术的限制产生运动模糊退化。根据成像过程,运动模糊图像退化可以划分为空间不变图像失真和空间变图像失真。运动模糊相当于空间不变的情况下图像退化模型不依赖于对CCD图像的位置。这种类型的运动模糊图像的结果往往是一个照相机在成像过程中运动。为空间不变的运动模糊图像修复已经提出了许多解决方案。目的是为了找到点扩散函数的模糊系统，然后应用反卷积技术来恢复理想的图像。对于空间变化图像的运动模糊，点扩散函数会引起下降，它在函数图像中起到点出位置的作用。这种类型的运动模糊图像通常会出现在一个图像包含快速移动的物体被一个静态CCD摄像机的不同运动记录中。对空间变化的运动模糊图像复原仍然是一项大的挑战，目前只有少数研究人员已经解决这一难题。

以前对像域弯曲图像复原的研究相对稀少。主要像场弯曲图像的复原方法包括坐标变换、截面处理、迭代的过滤器、卡尔曼滤波器，多通道变分等。坐标变换方案被限制在运动的类型上，因为这种变换可以衍生到转化像场弯曲问题为空间不变问题。这种复原已经完成了旋转运动模糊和某些类型的几何诱导产生运动模糊如卫星摄影。在组合式方案中，图像是按矩形区域分布的，而每个部分是用空间不变的方法来修复的，如最大后滤波或修改兰德韦伯领导的迭代滤波。在组成方案中，每个部分都要有一个准确地估计当地的运动矢量，并且这个估计通常是利用一个图像序列到相邻图像。文献中提出了一种迭代滤波复原像场弯曲图像的复原方法，在变形过程会有好几层分离或图片,而且正规化迭代滤波也被利用。帕蒂等人把降阶模型卡尔曼滤波(ROMKF)应用于空间改变图形的复原，并发现这方案对运动模糊图像计算量非常大，甚至中等大小的模糊图像。针对适用于具有复杂运动退化图像模糊和失焦模糊的情况,并使用多个模糊图像。所有的这些图像恢复没有明确考虑方案中图像交错领域的影响 (例如,奇数位系数和偶数领域一个交错图像扫描CCD图像),虽然福格尔等人指出未来的研究课题需要考虑交错扫描的影响。因此,这些图像恢复方案可能不会为交错式扫描CCD图像提供满意的修复结果，而良好的修复效果可以为逐行扫描CCD图像所获得。为了解决这个问题,我们在交错扫描CCD图片部门处理的基础上提出一种新型像场弯曲图像的复原方法修复方案。这种新型方案不仅优于为修复交错扫描CCD图像而提出的截面处理方案，而且非常具有时效性，因为在这些截面方案中，与图像序列的要求相比，这个方案中只需要一个图像框架。在我们的方案中，图像恢复只需一个图像帧。事实上,如果多个图像帧被用于一个运动评估过程中，图像帧就会在奇数域和偶数域中产生运动抵消，以及运动图像相邻帧间图像会混合在一起。这个动作可能会导致大偏移混合运动估计误差。因此,只有一个图像帧适用于我们的方案。

我们为空间变运动模糊图像恢复的方案是基于截面处理方案。这种事情的截面图像修复,我们的新型方案是假设运动是在合理的尺寸区域内使用局部直线 (如小矩形块区域)。这种假设是合理的因为邻近点通常是在一个相似的移动速度。因此,点扩散函数在每一个小矩形块可以接近空间不变图像恢复，图像修复线性运动模糊方案可以使用于每一个小矩形块。

我们的方案包括三个步骤。首先,只有一个交错的扫描图像帧必须提取奇数场图像和偶数场图像。其次,利用运动矢量的估计是在每一个矩形块进行单位使用奇数场和偶数场图像，这需要一个具有时效性的块匹配演算法。第三，在每一个矩形块单位，计算点扩散函数的运动矢量估计将作为初始点为后续盲估计图像复原。这个点扩散函数的初始化可明显促进盲反褶积速度和提高图像恢复的效果。

奇数域和偶数域图像的提取是我们这方案的第一步。从交错扫描图像帧中奇数域或偶数域图像公式为

，所以，

然后把

或者

扩大形

或者

，这在使用一个插值算法的大小上是一样的。一个近邻插值,一个双线性插值或双三次插值都可用于插值算法。

在奇数域和偶数域图像被提取和图像缩放后,他们被分为矩形块矩阵的单位。每一个矩形块单位也称为宏块。用块匹配算法,每一个宏块的图像缩放偶数域图像,比较了相应的宏块及其相邻的缩放奇数域图像，来创建一个运动矢量，它规定宏块的运动从一个地方到另一个地方。在每一个宏块中计算运动矢量将用于随后在2.3节中描述点扩散函数估计。在一个块匹配算法,两个参数,宏块的大小和搜索参数p,必须设定合理的价值。例如,图1中一个宏块被认为是广场旁边的16像素,搜索参数是7象素。一个宏块与另一个的匹配是基于输出代价函数的，如平均绝对差（MAD)或均方误差(MSE)。结果在宏块的最低成本是那个比赛最接近当前块。有一些基本的块匹配算法,其中包括穷举搜索(ES)，三步搜索(TSS)，新三步搜索(NTSS)[16]，简单、高效的搜索（SES）[17],四个步骤搜索(FSS)[18],钻石搜索(DS)(19)和自适应食品模式搜索(ARPS) [20]。一般来说,钻石搜索和自适应食品模式搜索算法证明是解决好块匹配的方案，因为他们提供优质的峰值信噪比 (PSNR)的结果,这些结果很接近穷举搜索,而他们的搜索下降超过一个数量级。因此,钻石搜索算法应用在每一块匹配宏块的奇数域或偶数域图像。

在钻石搜索算法中，搜索点模式的改变，从一个广场到一颗钻石，数量不限，算法的步骤是可以取出来的。钻石搜索使用两种不同的固定模式：大钻石搜索模式(LDSP)和小钻石搜索模式(SDSP)。这两个模式和钻石搜索程序是说明图2。使用大钻石搜索模式的第一步,如果最低成本在中心位置,我们跳到第四步。随之而来的步骤,除了最后一步,类似大钻石搜索模式步骤1和使用,而点的数目在成本函数检查要么是3或5,阐述在图2。最后一步使用小钻石搜索模式在新的搜索的原产地,以及位置用最少的成本是最佳匹配。由于搜索模式既不是太小也太大,没有限制的数目的步骤,该算法可以非常准确地发现全球最小值。最终的结果会达到一个更高的峰值信噪比值，接近于穷举搜索，而计算费用也显著降低。

图1 一个宏块的块匹配

图2：这张图片显示LDSP和SDSP，给出了一个例子即路径运动矢量五次搜索，其中包括四次LDSP和SDSP矢量（4，2）

附录B 参考文献的题录及其摘要

[1] 杨帆，等.数字图像处理与分析（第二版）[M].北京：航空航天大学出版社，2007.

摘要：系统介绍数字图像处理与分析技术中所涉及的有代表性的思想、算法与应用，跟踪图像处理技术的发展前沿，以图像频域变换、图像增强、图像复原、图像几何变换、图像压缩编码、数学形态学及应用、图像分割技术、图像特征分析、图像配准与识别、实用数字图像处理与应用系统为主线，系统讲述图像处理与分析技术的理论基础、典型算法和应用实例。编写上力求系统性、实用性与先进性相结合，理论与实践相交融，既注重传统知识的讲授，又兼顾新技术、新成果的应用。

[2] 孙兆林.MATLAB 6.x图像处理[M].北京:科学出版社，2003.

摘要：本书以最新版的MATLAB 6为依据，详细介绍了MATLAB的基础知识及其在图形绘制和图像处理方面的应用。主要内容包括MATLAB 6的基本操作、图像处理工具箱的常用功能，以及如何利用MATLAB图像处理工具箱的函数实现图像变换、图像增强、图像分割和特征提取。同时对如何利用MATLAB的图形用户接口（GUI）编制用户界面也进行了详细介绍。本书是理工科大学本科生及研究生学习MATLAB的好教材，同时对广大工程技术人员和科研人员也有重要的参考价值。

[3] 刘红岩,徐志鹏.基于MATLAB的数字图像恢复[J]. 科技信息(学术研究),2008,3(12),23-26.

摘要：本文介绍了基于MATLAB实现图像恢复的一些基本方法,及其相关的Matlab工具箱函数、deconvwnr函数、deconvreg函数、dconvlucy函数、deconvblind函数的用法,并重点对盲解卷积恢复的图像失真情况做了改善。更多还原

[4] 孟昕，张燕平.运动模糊图像恢复的算法研究与分析[J].计算机技术与发展,2007,17(08),74-76.

摘要：运动模糊图像恢复是图像处理中的重要部分。从运动模糊图像退化模型开始,介绍比较了几种恢复算法,并选取其中的维纳滤波法进行深入具体的实验,分析了图像恢复过程中存在的运动模糊仿真图片的正确生成、振铃效应及其与恢复算法参数的选取之间的关系等问题,最后简要分析了图像恢复中质量变差的原因。

[5] 孟昕,周琛琛,郝志廷.运动模糊图像恢复算法相关研究发展概述[J].安徽电子信息职业技术学院学报.2008,7(06),38-41.

摘要：本文简要概述了目前几种常用的匀速运动模糊恢复算法、匀速运动模糊参数的确定及其他运动模糊相关研究进展和现状,并通过部分实验,对匀速运动模糊恢复算法略作分析比较。

[6] 曾志高,谭骏珊.匀速直线运动模糊图像的恢复技术研究[J].陕西理工学院学报(自然科学版).2006,22(02),36-38.

摘要：根据运动造成图像模糊的特点详细分析了匀速直线运动模糊图像的退化模型和恢复模型,由此推出了匀速直线运动模糊图像的退化模型和恢复模型的数学模型。并进一步通过分析相应的数学模型,探讨了匀速直线运动模糊图像的恢复技术问题。最后依据相应的数学模型用计算机进行模拟得到效果良好的恢复图像。

[7] 李云浩,王建设.匀速直线运动模糊图像的退化数学模型试验研究[J].江西理工大学学报,2006,27(04),28-30.

摘要：分析并建立了匀速直线运动模糊图像的退化数学模型,研究了点扩展函数的计算方法．结合汽车碰撞试验,对匀速直线运动造成的图像模糊进行了模拟和恢复实验,取得了令人满意的效果．

[8] 谢伟,秦前清.基于倒频谱的运动模糊图像PSF参数估计[J].武汉大学学报(信息科学版),2008,5(02),30-32.

摘要：针对任意方向的直线运动模糊图像,说明只能直接在运动方向上得到运动参数,从而设置二维点扩展函数(point spread function,PSF)。在此基础上,应用倒频谱分析法给出了PSF参数估计的方法。实验表明,该方法在模糊为任意方向且模糊范围介于5~55像素时对参数的估计误差较小,能保证较好的恢复质量;当模糊范围超出该范围时,估计误差急剧加大,估计值不可信,无法保证恢复质量。

[9] 孟永定,马佳.基于MATLAB实现数字图像恢复[J].电脑学习,2007,1(1),30-32.

摘要：介绍了基于MATLAB实现图像恢复的一些基本方法,及其相关的工具箱函数deconvwnr函数、deconvreg函数、de-convlucy函数、deconvblind函数的用法指南。

[10] 姚敏.数字图像处理[M].北京：机械工业出版社，2006.

摘要：本书详细介绍数字图像的基本理论和主要技术。内容主要包括图像获、图像变换、图像增强、图像复原、彩色图像处理、图像编码、小波图像压缩、图像检测与分割、图像表示与描述、图像识别等。本书理论与实际相结合，理论分析深入浅出，方法介绍详细具体，实际演示清晰明了，同时给出了部分关键算法的Matlab实现程序。

附录C 主要源程序

(1)模糊图像的傅里叶频谱获取

j=imread('车牌.jpg');

figure(1);

imshow(j);

title('原图像');

len=20;

theta=30;

psf=fspecial('motion',len,theta);

j1=imfilter(j,psf,'circular','conv');

figure,imshow(j1);

title('PSF模糊图像');

J=rgb2gray(j);

K=fft2(J); %傅里叶变换

M=fftshift(K); %直流分量移到频谱中心

N=abs(M); %计算频谱幅值

P=(N-min(min(N)))/(max(max(N))-min(min(N)))*225;%归一化

Figure；

imshow(P);

title('原图像的傅里叶变换频谱');

J1=rgb2gray(j1);

K1=fft2(J1); %傅里叶变换

M1=fftshift(K1); %直流分量移到频谱中心

N1=abs(M1);%计算频谱幅值

P1=(N1-min(min(N1)))/(max(max(N1))-min(min(N1)))*225;%归一化

Figure；

imshow(P1);

title('模糊图像的傅里叶变换频谱');

(2)模糊长度获取程序

f1=rgb2gray(j1);

f1=im2double(f1);

h = fspecial('Sobel'); %Sobel算子

J = conv2(f1,h,'same'); %Sobel算子微分

IP=abs(fft2(J)); %图像能量谱密度

S=fftshift(real(ifft2(IP)));

figure,plot(S);

title('自相关图')

(3)逆滤波复原实现程序

%对运动模糊图像进行逆滤波复原

clear all

I=imread('lena.bmp');

LEN=10;

THETA=5;

PSF=fspecial('motion',LEN,THETA);

MF=imfilter(I,PSF,'circular','conv');

g=imnoise(MF,'gaussian',0,0.0001);

MFN=imadd(MF,im2uint8(noise));

NSR=sum(noise(:).^2)/sum(MFN(:).^2);

wnr1=deconvwnr(g,PSF);

figure(1),subplot;imshow(I);

figure(2),subplot;imshow(MF);

figure(3),subplot;imshow(wnr1);

(4)有约束最小二乘方复原的实现程序

clear all;

clc;

%通过模拟水平运动模糊建立退化函数

d=2;

h=zeros(2*d+1,2*d+1);

h(d+1,1:2*d+1)=1/(2*d);

%模糊原图像并加入噪声

fig1=imread('lena.bmp');

[m n]=size(fig1);

fe=zeros(m+2*d,n+2*d);

fe(1:m,1:n)=fig1;

he=zeros(m+2*d,n+2*d);

he(1:2*d+1,1:2*d+1)=h;

F=fft2(fe);

H=fft2(he);

g=imnoise(uint8(ifft2(F.*H)),'gaussian',0,0.0001);

G=fft2(double(g));

%最小二乘平方滤波器

p=[0 1 0;1 -4 1; 0 1 0];

pp=zeros(m+2*d,n+2*d);

pp(1:3,1:3)=p;

p=fft2(pp);

r=0.001;

F_est=(conj(H)./(abs(H).^2+r.*abs(p).^2)).*G;

fig_est=real(ifft2(F_est));

%显示结果

figure(1),imshow(fig1);

figure(2),imshow(uint8(g(d+1:m+d,d+1:n+d)),[min(g(:)) max(g(:))]);

figure(3),imshow(uint8(fig_est(1:m,1:n)),[min(fig_est(:)) max(fig_est(:))]);

(5)维纳滤波复原实现程序

clear all;

clc;

%通过模拟水平运动模糊建立退化函数

d=2;

h=zeros(2*d+1,2*d+1);

h(d+1,1:2*d+1)=1/(2*d);

%模糊原图像并加入噪声

fig1=imread('lena.bmp');

[m n]=size(fig1);

fe=zeros(m+2*d,n+2*d);

fe(1:m,1:n)=fig1;

he=zeros(m+2*d,n+2*d);

he(1:2*d+1,1:2*d+1)=h;

F=fft2(fe);

H=fft2(he);

g=imnoise(uint8(ifft2(F.*H)),'gaussian',0,0.0001);

G=fft2(double(g));

%维纳滤波器设计

k=0.1;

F_est=((abs(H).^2)./(abs(H).^2+k)).*G./H;

fig_est=real(ifft2(F_est));

figure(1),imshow(fig1);

figure(2),imshow(g);

figure(3),imshow(fig_est);

(6)Lucy-Richardson复原的实现程序

%Lucy_Richardson滤波复原实现

clear all;

clc;

g=imread('lena.bmp');

figure(1),imshow(g);title('原图像');

PSF=fspecial('gaussian',5,5);

Blurred=imfilter(g,PSF,'symmetric','conv');

V=.0001;

BlurredNoisy=imnoise(Blurred,'gaussian',0,V);

figure(2),imshow(BlurredNoisy);title('模糊和加噪图');

luc1=deconvlucy(BlurredNoisy,PSF,50);

figure(3),imshow(luc1);title('复原图像，NUMIT=50');

（6）客观评价三种方法实现程序（平均平方误差、峰值信噪比、归一化互相关）

f0=fig1;

g1=x;

fima=y;

[x_size,y_size]=size(g1) % 模糊噪声图像参数

fima=double(fima);

g1=double(g1);f0=double(f0);

MSE_blur_noisy = sum(sum ((f0-g1).^2))/(x_size*y_size); % MSE

PSNR_blur_noisy = 10*log10(255*255/MSE_blur_noisy); % PSNR

NCR_blur_noisy=sum(sum(g1.*f0))/sum(sum((f0).^2)); %NCR

fprintf(1,'MSE__blurnoisy=%4.5e,PSNR__blurnoisy=%4.5e,

NCR__blurnoisy=%4.5e\n', MSE_blur_noisy,PSNR_blur_noisy,NCR_blur_noisy);

%---------------------去模糊后的图像参数----------------------------------%

MSE_deblurring=sum(sum((fima-f0).^2))/(x_size*y_size); % MSE

PSNR_deblurring=10*log10(255*255/MSE_deblurring); % PSNR

NCR_deblurring=sum(sum(fima.*f0))/sum(sum((f0).^2)); %NCR

fprintf(1,'MSE_deblurring=%4.5e,PSNR_deblurring=%4.5e,

NCR_deblurring=%4.5e\n', MSE_deblurring, PSNR_deblurring, NCR_deblurring);

MATLAB设计897

关注

39
点赞
踩
36

收藏

觉得还不错? 一键收藏
0
评论
图像复原技术及其MATLAB实现 - 副本

（1）论文研究了模糊图像尤其是水平方向运动模糊图像的退化模型，任意方向的匀速直线运动模糊图像只需要通过坐标旋转至水平方向，其图像特征的描述可由水平匀速直线运动模糊图像类推得出。
复制链接

扫一扫