图像复原--估计退化函数

5.6 估计退化函数

在图像复原中，有3种主要的估计退化函数的方法。

• 观察法
• 试验法
• 测试法

使用以某种方式估计的退化函数复原一幅图像的过程有时称为盲目去卷积，因为真正的退化函数很少能完全知晓。

一：图像观察估计法

假设提供了一幅退化图像，而没有退化函数$H$的知识，那么估计该函数的一个方法就是收集图像自身的信息。例如，如果图像是模糊的，那么观察包含简单结构的一小部分图像，像某一物体和背景的一部分。为了减少观察时的噪声影响，可以寻找最强信号内容区。

$H_s(u,v)=\frac{G_s(u,v)}{{\hat{F}}_s(u,v)}$

用$g_s$定义观察的子图像，用${\hat{f}}_s$表示估计的子图像。

---

二：试验估计法

如果可以使用与获取退化图像的设备相似的装置，理论上得到一个准确的退化估计是可能的。与退化图像类似的图像可以通过各种设置得到，退化这些图像使其尽可能接近希望复原的图像。利用相同的系统设置(退化函数),由成像一个脉冲(小亮点)得到退化的冲激响应。

$H(u,v)=\frac{G(u,v)}{A}$

$A$是一个常量，表示冲激强度。

---

三：模型估计法

由于退化模型可解决图像复原问题，因此多年来一直在应用。在某些情况下，模型要把引起退化的环境因素考虑在内。

大气湍流模型：
$H(u,v)=e^{-k(u^2+v^2{)}^{5/6}}$

5.7 逆滤波

在该方法中，用退化函数除退化图像的傅立叶变换来计算原始图像的傅立叶变换估计：
                                                        $\hat{F}(u,v)=\frac{G(u,v)}{H(u,v)}$

考虑到噪声的影响：
                                                        $\hat{F}(u,v)=\frac{F(u,v)H(u,v)+N(u,v)}{H(u,v)}$

如果退化是零或非常小的值，那么$N(u,v)/H(u,v)$会非常大，$N(u,v)/H(u,v)$之比很容易决定估计值。
一种解决退化是零或者很小值问题的途径是限制滤波的频率使其接近原点值。(因为$H(0,0)$在频率域中通常是$H(u,v)$的最高值)

5.8 最小均方误差滤波(维纳滤波)

• 维纳滤波是一种建立在最小化统计准则的基础上的复原方法，在平均意义上，它可以看成是最优的。
• 维纳滤波综合了退化函数和噪声统计特征两个方面进行复原处理，在认为图像和噪声是随机过程的基础上，以恢复图像和原图像的均方误差最小为准则。

误差度量 E { [ f ( x , y ) − f ^ ( x , y ) ] 2 } E\{[f(x,y)-\hat{f}(x,y)]^2\} E{[f(x,y)−f^​(x,y)]2}

• 假定：噪声和图像不相关；其中一个有零均值(一般假设噪声是零均值)；估计的灰度级是退化图像灰度级的线性函数；维纳滤波的公式如下：

• 已知未退化图像的功率谱和已知未退化图像是两码事。
• 用前面说的三种方法(图像观察估计法，试验估计法，模型估计法)来估计$H(u,v)$。
• 还需要知道噪声的功率谱。噪声功率谱和噪声的方差/噪声统计特性是有关系的。
• 还需要估计未退化图像的功率谱，