第五章 图像复原

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$f(x,y)$进行处理，产生一幅退化后的图像$g(x,y)$。给定$g(x,y)$和关于退化函数$H$的一些知识以及外加噪声项$\eta (x,y)$,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：
$g(x,y)=f(x,y)+\eta (x,y)$
$G(u,v)=F(u,v)+N(u,v)$

噪声项是未知的，从$g(x,y)$或$G(u,v)$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。

1. 算术均值滤波器

$\hat{f}(x,y)=\frac{1}{mn}\sum _{(s,t)\in S_{xy}}g(s,t)$

2. 几何均值滤波器

$\hat{f}(x,y)=[{\Pi }_{(s,t)\in S_{xy}}g(s,t){]}^{\frac{1}{mn}}$

丢失更少的图像细节

3. 谐波均值滤波器

$\hat{f}(x,y)=\frac{mn}{\sum _{(s,t)\in S_{xy}}\frac{1}{g(s,t)}}$

不适用于"胡椒"噪声

4. 逆谐波均值滤波器

$\hat{f}(x,y)=\frac{\sum _{(s,t)\in S_{xy}}g(s,t{)}^{Q+1}}{\sum _{(s,t)\in S_{xy}}g(s,t{)}^Q}$

当$Q=0$，退化成算术均值滤波器。
当$Q=-1$，退化成谐波滤波器。

当$Q<0$，适合处理“盐”噪声。
当$Q>0$，适合处理“胡椒”噪声。

5.3.2 统计排序滤波器

1. 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)}

2. 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

3. 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)}]

4. 修正的阿尔法均值滤波器

$\hat{f}(x,y)=\frac{1}{mn-d}\sum _{(s,t)\in S_{xy}}{g}_r(s,t)$

当$d=0$，退化成均值滤波器。
当$d=mn-1$，退化成中值滤波器。

5.3.3 自适应滤波器

1. 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${\sigma }_{\eta }^2$

5.4 用频率域滤波消除周期噪声

1. 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。

2. 带通滤波器

3. 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：
$g(x,y)=H[f(x,y)]+\eta (x,y)$

如果系统$H$是一个线性系统，那么$H$应该满足可加性和均匀性。
$H[f_1(x,y)+f_2(x,y)]=H[f_1(x,y)]+H[f_2(x,y)]$

$H[a{f}_1(x,y)]=aH[f_1(x,y)]$

这里，$a$是比例常数。$f_1(x,y)$和$f_2(x,y)$是任意两幅输入图像。

---

假设$\eta (x,y)=0$，则有$g(x,y)=H[f(x,y)]$。
位置不变性是指$H[f(x-\alpha ,y-\beta )]=g(x-\alpha ,y-\beta )$
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，$f(x,y)$可以写成：
$f(x,y)={\int }_{-\infty }^{\infty }{\int }_{-\infty }^{\infty }f(\alpha ,\beta )\delta (x-\alpha ,y-\beta )d\alpha d\beta$