文章目录
与图像增强相似,图像复原的目的也是改善给定的图像。但图像增强主要是一个主观的过程,而图像复原是一个客观的过程。
5.1 图像退化/复原过程的模型
退化过程被建模为一个退化函数和一个加性噪声项,对一幅输入图像 f ( x , y ) f(x,y) f(x,y)进行处理,产生一幅退化后的图像 g ( x , y ) g(x,y) g(x,y)。给定 g ( x , y ) g(x,y) g(x,y)和关于退化函数 H H H的一些知识以及外加噪声项 η ( x , y ) \eta(x,y) η(x,y),图像复原的目的是获得关于原始图像的近似估计。
5.2 噪声模型
数字图像的噪声主要来源于图像的获取(数字化过程)和传输过程。
5.2.2 一些重要的噪声概率密度函数
在本章中假设噪声独立于空间坐标,并且它与图像本身无关。
- 高斯噪声
- 瑞利噪声
- 伽马(爱尔兰)噪声
- 指数分布噪声
- 均匀噪声
- 脉冲噪声(椒盐噪声)
5.1.4 噪声参数估计
- 周期噪声参数一般是通过检测图像的傅立叶谱来进行估计的。
- 如果成像系统可以重复使用,那么研究这个系统的噪声特性最简单的方法就是截取一组“平坦”环境的图像。
- 如果只有退化图像可用,常常可以从恒定灰度值的一小部分估计概率密度函数的参数。
5.3 只有噪声存在的空间域图像恢复
当在一幅图像中唯一存在的退化是噪声时:
g
(
x
,
y
)
=
f
(
x
,
y
)
+
η
(
x
,
y
)
g(x,y) = f(x,y) + \eta(x,y)
g(x,y)=f(x,y)+η(x,y)
G
(
u
,
v
)
=
F
(
u
,
v
)
+
N
(
u
,
v
)
G(u,v) = F(u,v) + N(u,v)
G(u,v)=F(u,v)+N(u,v)
噪声项是未知的,从
g
(
x
,
y
)
g(x,y)
g(x,y)或
G
(
u
,
v
)
G(u,v)
G(u,v)中减去它们不是一个现实的选择。
当仅有加性噪声存在的时候,可以选择空间滤波方法。在这一特殊情况下,图像的增强和复原几乎是不可区别的。
- 算术均值滤波器
f ^ ( x , y ) = 1 m n ∑ ( s , t ) ∈ S x y g ( s , t ) \hat f(x,y) = \frac{1}{mn}\sum\limits_{(s,t)\in S_{xy}} g(s,t) f^(x,y)=mn1(s,t)∈Sxy∑g(s,t)
- 几何均值滤波器
f ^ ( x , y ) = [ Π ( s , t ) ∈ S x y g ( s , t ) ] 1 m n \hat f(x,y) = [\Pi_{(s,t)\in S_{xy}} g(s,t)]^{\frac{1}{mn}} f^(x,y)=[Π(s,t)∈Sxyg(s,t)]mn1
丢失更少的图像细节
- 谐波均值滤波器
f ^ ( x , y ) = m n ∑ ( s , t ) ∈ S x y 1 g ( s , t ) \hat f(x,y) = \frac{mn}{\sum\limits_{(s,t)\in S_{xy}}\frac{1}{g(s,t)}} f^(x,y)=(s,t)∈Sxy∑g(s,t)1mn
不适用于"胡椒"噪声
- 逆谐波均值滤波器
f ^ ( x , y ) = ∑ ( s , t ) ∈ S x y g ( s , t ) Q + 1 ∑ ( s , t ) ∈ S x y g ( s , t ) Q \hat f(x,y) = \frac{\sum\limits_{(s,t)\in S_{xy}}g(s,t)^{Q+1}}{\sum\limits_{(s,t)\in S_{xy}}{g(s,t)^Q}} f^(x,y)=(s,t)∈Sxy∑g(s,t)Q(s,t)∈Sxy∑g(s,t)Q+1
当 Q = 0 Q=0 Q=0,退化成算术均值滤波器。
当 Q = − 1 Q = -1 Q=−1,退化成谐波滤波器。
当 Q < 0 Q < 0 Q<0,适合处理“盐”噪声。
当 Q > 0 Q > 0 Q>0,适合处理“胡椒”噪声。
5.3.2 统计排序滤波器
- 中值滤波器
f ^ ( x , y ) = m e d i a n ( s , t ) ∈ S x y { g ( s , t ) } \hat f(x,y) = median_{(s,t) \in S_{xy}}\{g(s,t)\} f^(x,y)=median(s,t)∈Sxy{g(s,t)}
- 最大值和最小值滤波器
f ^ ( x , y ) = m a x ( s , t ) ∈ S x y { g ( s , t ) } \hat f(x,y) = max_{(s,t) \in S_{xy}}\{g(s,t)\} f^(x,y)=max(s,t)∈Sxy{g(s,t)}
适合处理“胡椒”噪声
f ^ ( x , y ) = m i n ( s , t ) ∈ S x y { g ( s , t ) } \hat f(x,y) = min_{(s,t) \in S_{xy}}\{g(s,t)\} f^(x,y)=min(s,t)∈Sxy{g(s,t)}
适合处理“盐”噪声
- 中点滤波器
f ^ ( x , y ) = 1 2 [ m a x ( s , t ) ∈ S x y { g ( s , t ) } + m i n ( s , t ) ∈ S x y { g ( s , t ) } ] \hat f(x,y) = \frac{1}{2}[max_{(s,t) \in S_{xy}}\{g(s,t)\} + min_{(s,t) \in S_{xy}}\{g(s,t)\}] f^(x,y)=21[max(s,t)∈Sxy{g(s,t)}+min(s,t)∈Sxy{g(s,t)}]
- 修正的阿尔法均值滤波器
f ^ ( x , y ) = 1 m n − d ∑ ( s , t ) ∈ S x y g r ( s , t ) \hat f(x,y) = \frac{1}{mn-d}\sum\limits_{(s,t) \in S_{xy}}g_r(s,t) f^(x,y)=mn−d1(s,t)∈Sxy∑gr(s,t)
当 d = 0 d = 0 d=0,退化成均值滤波器。
当 d = m n − 1 d = mn-1 d=mn−1,退化成中值滤波器。
5.3.3 自适应滤波器
- 自适应局部降低噪声滤波器
随机变量最简单的度量基础是其均值和方差。均值给出了在其上计算均值的区域中的平均灰度的度量,而方差则给出了该区域的对比度的度量。
注意:上述第二点书上需要修正:如果局部方差相对高于 σ η 2 \sigma_{\eta}^2 ση2
5.4 用频率域滤波消除周期噪声
- 带阻滤波器
缺点:不仅仅把几个噪声点滤掉了,还把那一圈上的所有点都滤掉了,包括本来原始图像中的点。
- 带通滤波器
- 陷波滤波器
陷波滤波器上的点都是以关于原点对称的形式成对出现的。下图中为了举例说明,只列举了一对。
以下为加了退化函数的图像复原
5.5 线性、位置不变的退化
在退化、复原模型中,输入输出关系可以表示为:
g
(
x
,
y
)
=
H
[
f
(
x
,
y
)
]
+
η
(
x
,
y
)
g(x,y) = H[f(x,y)] + \eta(x,y)
g(x,y)=H[f(x,y)]+η(x,y)
如果系统
H
H
H是一个线性系统,那么
H
H
H应该满足可加性和均匀性。
H
[
f
1
(
x
,
y
)
+
f
2
(
x
,
y
)
]
=
H
[
f
1
(
x
,
y
)
]
+
H
[
f
2
(
x
,
y
)
]
H[f_1(x,y) + f_2(x,y)] = H[f_1(x,y)] + H[f_2(x,y)]
H[f1(x,y)+f2(x,y)]=H[f1(x,y)]+H[f2(x,y)]
H [ a f 1 ( x , y ) ] = a H [ f 1 ( x , y ) ] H[af_1(x,y)] = aH[f_1(x,y)] H[af1(x,y)]=aH[f1(x,y)]
这里, a a a是比例常数。 f 1 ( x , y ) f_1(x,y) f1(x,y)和 f 2 ( x , y ) f_2(x,y) f2(x,y)是任意两幅输入图像。
假设
η
(
x
,
y
)
=
0
\eta(x,y) = 0
η(x,y)=0,则有
g
(
x
,
y
)
=
H
[
f
(
x
,
y
)
]
g(x,y) = H[f(x,y)]
g(x,y)=H[f(x,y)]。
位置不变性是指
H
[
f
(
x
−
α
,
y
−
β
)
]
=
g
(
x
−
α
,
y
−
β
)
H[f(x-\alpha,y-\beta)] = g(x-\alpha,y-\beta)
H[f(x−α,y−β)]=g(x−α,y−β)
这个定义说明图像中任一点的响应只取决于在该点的输入值,而与该点的位置无关。
根据冲击函数的性质,
f
(
x
,
y
)
f(x,y)
f(x,y)可以写成:
f
(
x
,
y
)
=
∫
−
∞
∞
∫
−
∞
∞
f
(
α
,
β
)
δ
(
x
−
α
,
y
−
β
)
d
α
d
β
f(x,y) = \int_{- \infty}^{\infty}\int_{- \infty}^{\infty}f(\alpha,\beta)\delta(x-\alpha,y-\beta)d\alpha d\beta
f(x,y)=∫−∞∞∫−∞∞f(α,β)δ(x−α,y−β)dαdβ