数字图像处理复习整理（四）

果_s

已于 2024-07-12 11:09:57 修改

阅读量783

点赞数 29

分类专栏：数字图像处理文章标签：图像处理计算机视觉

于 2024-05-05 11:46:05 首次发布

本文链接：https://blog.csdn.net/m0_74357009/article/details/138444293

版权

数字图像处理专栏收录该内容

5 篇文章 0 订阅

订阅专栏

图像恢复

图像恢复也称为图像复原。

图像恢复与图像增强的相同之处在于：都希望改善输入图像的视觉质量。

不同之处在于：图像增强技术一般要借助于人眼的视觉系统特性以取得看起来较好的视觉效果，图像恢复则是认为图像在某种条件下恶化了（图像品质下降或失真），现在需要根据相应的退化模型和知识重建或恢复原始图像。

我们所熟悉的噪声，就是一种常见的导致图像退化的因素。根据对噪声的一般了解，可建立其退化模型，然后得出没有噪声之前的原始图像（后面具体会展开讲述）。

图像恢复技术可以有多种分类方法，在给定模型的条件下，图像恢复技术可分为无约束的和有约束的两大类。

图像退化和噪声

图像退化是指由场景得到的图像没能完全地反映场景中的真实内容。

基本退化模型

如上图所示，是一个基本图像退化模型。在这个模型中，图像退化过程被模型化为一个作用在输入图像f(x,y)上的一个系统H，它与一个加性噪声n(x,y)的联合作用导致产生退化图像g(x,y)。

上图的输入输出用一个公式表达是下面这个样子：

$g(x,y)=H[f(x,y)]+n(x,y)$

接下来我们讨论退化模型函数H()。

如果H(x,y)满足以下公式：

$H[k_{1}f_{1}(x,y)+k_{2}f_{2}(x,y)]=H[k_{1}f_{1}(x,y)]+H[k_{2}f_{2}(x,y)]$

其中 $k_{1}$ 和 $k_{2}$ 都是常数， $f_{1}(x,y)$ 和 $f_{2}(x,y)$ 是两幅图像，则称H()为线性系统。

线性系统有三个性质：

（1）相加性。如果 $k_{1}=k_{2}=1$ ，上面的式子就变成了：
$H[f_{1}(x,y)+f_{2}(x,y)]=H[f_{1}(x,y)]+H[f_{2}(x,y)]$

（2）一致性。如果 $k_{2}=0$ ，上面的式子就变成了：

$H[k_{1}f_{1}(x,y)]=k_{1}H[f_{1}(x,y)]$

（3）空间不变型，对于任意f(x,y)和a,b，有：

$H[f(x-a,y-b)]=g(x-a,y-b)$

上式指出，线性系统在图像任意位置的响应只与在该位置的输入值有关而与位置本身无关。

噪声概率密度函数

图像中的噪声可以定义为图像中不希望有的部分，或图像中不需要的部分。噪声有可能具有随机性，就像椒盐噪声；也可能有一定的规律，如匀速直线运动导致的模糊。

对于信号来说，噪声是一种外部干扰。但噪声本身也是一种信号，只不过它携带了噪声源的信息。如果噪声与信号无关，就无法根据信号的特性来预测噪声的特性。但另一方面，如果噪声是独立的，则可在完全没有所需信号的情况下，研究噪声。

由于噪声的影响，图像像素的灰度会发生变化。噪声本身的灰度可以看做随机变量，其分布可以用概率密度函数（PDF）来刻画，例如高斯噪声，均匀噪声、脉冲（椒盐）噪声等。

空域噪声滤波器

我们来简单认识几种空域噪声滤波器。

1、算术均值滤波器：给定一个模板，将模板与图像卷积的结果赋值给中心像素。这种方式在消除一些噪声的同时，也模糊了图像。

2、几何均值滤波器：与算数均值滤波器不同，采用相乘后开方的方式。在图像的恢复中较算数均值滤波器保留更多图像的细节。

$\hat{f}(x,y)=[ \prod_{(p,q)\epsilon W }^{} g(p,q)]^{\frac{1}{mn}}$ (几何均值滤波器)

3、谐波均值滤波器和逆谐波均值滤波器

谐波均值滤波器：

逆谐波均值滤波器：

谐波均值滤波器对高斯噪声具有较好的滤除效果。它对椒盐噪声的两部分作用不对称。对盐噪声的滤出效果要比对椒噪声好许多。

逆谐波均值滤波器对椒盐类噪声的滤除效果比较好，但不能同时消除椒噪声和盐噪声。k为正数时，可消除椒噪声；k为负数时，可消除盐噪声。

4、中点滤波器

中点滤波器将最大值滤波器和最小值滤波器结合使用，取最大值和最小值的中点值作为滤波器输出。

无约束恢复模型

无约束方法仅将图像看成一个数字矩阵，而不考虑图像实际受到的物理约束。基于之前的退化模型（如下图所示），我们可以将其中所表达出来的关系用一个矩阵来表示：

矩阵表达： $\mathbf{g=Hf+n}$

这个表达式我们将它变一下形就可以得到：

$\mathbf{n=g-Hf}$

在对n没有任何先验知识的条件下，图像恢复可以描述为寻找原始图像 $f$ 的近似图像 $\hat{f}$ ，使得 $H\hat{f}$ 在最小均方误差的意义下，最接近退化图像 $g$ ，即要使 $n$ 的范数最小。

可以把图像恢复问题看做求上式的最小值的问题：

只需要将L对 $\hat{f}$ 求微分并将结果设为0（个人理解为把噪声n当做了常数，即噪声随机、没有规律），再设H存在，就可得到无约束恢复公式。

逆滤波

逆滤波是一种简单直接的无约束图像恢复方法。上面的无约束恢复公式表明，使用退化系统矩阵的逆来左乘退化函数，就可以得到原始图像的近似图像 $\hat{f}$ 。以下转到频域进行讨论，先不讨论噪声：

如果用退化函数来除退化函数的傅里叶变换，就可以得到一个原始图像的估计：

那么经过傅里叶逆变换就可以得到 $\hat{f}$ ：

还记得吗？我们没有考虑噪声。但实际上，噪声是存在的：

上式可以看出两个问题：首先因为 N(u,v)是随机的，所以即便知道了退化函数也不能精确地恢复原始图像。其次，如果H(u,v)在 u,v平面上取0或很小的值,N(u,v)/H(u,v)就会使恢复结果与预期的结果有很大差距。在实际应用中，一般H(u,v)随u，v与原点距离的增加而迅速减小，而噪声 N(u,v)却变化缓慢。在这种情况下，恢复只能在与原点较近(接近频域中心)的范围内进行。换句话说，一般情况下，逆滤波器并不正好是1/H(u，v)，而是u和v的某个函数，可记为 M(u,v)。M(u,v)常称为恢复转移函数，这样图像退化和恢复模型可用下图表示。

其中：

$w_{0}$ 的选取原则一般是将 H(u,v)为0的点除去。这种方法的缺点是，恢复结果的振铃效应较明显。一种改进的方法是取 M(u,v)为：

其中k和d均为小于1的常数，而且d选得较小为好。

有约束恢复模型

与无约束相比，最大区别是有约束模型还要考虑图像所受的物理约束（如空间上比较平滑、其灰度值为正等）。

维纳滤波器（了解）

直接上公式：

$S_{f}(u,v),S_{n}(u,v)$ 分别为原始图像和噪声的相关矩阵元素的傅里叶变换。

下面讨论上式的几种情况。
(1)如果s=1，大方括号中的项就称为维纳滤波器。
(2)如果s是变量，大方括号中的项就称为参数维纳滤波器。
(3)没有噪声时， $S_{n}(u,v)$ =0，维纳滤波器退化成之前的理想逆滤波器。

果_s

关注

29
点赞
踩
23

收藏

觉得还不错? 一键收藏
0
评论
数字图像处理复习整理（四）

图像恢复也称为图像复原。图像恢复与图像增强的相同之处在于：都希望改善输入图像的视觉质量。不同之处在于：图像增强技术一般要借助于人眼的视觉系统特性以取得看起来较好的视觉效果，图像恢复则是认为图像在某种条件下恶化了（图像品质下降或失真），现在需要根据相应的退化模型和知识重建或恢复原始图像。我们所熟悉的噪声，就是一种常见的导致图像退化的因素。根据对噪声的一般了解，可建立其退化模型，然后得出没有噪声之前的原始图像（后面具体会展开讲述）。
复制链接

扫一扫

专栏目录