数字图像处理第五章——图像复原与重建

小小怪下士(๑◝ᴗ◜๑)

已于 2024-07-01 08:51:27 修改

阅读量621

点赞数 6

分类专栏：数字图像处理学习笔记文章标签：算法计算机视觉人工智能图像处理

于 2024-06-30 23:49:58 首次发布

本文链接：https://blog.csdn.net/qq_67725022/article/details/140088025

版权

数字图像处理学习笔记专栏收录该内容

10 篇文章 1 订阅

订阅专栏

一、图像退化/复原过程的模型

如果H是一个线性的、位置不变的过程，那么空间域中的退化图像可由下式给出:

空间域中的卷积等同于频率域中的乘积，因此写成等价的频率域：

二、噪声模型

噪声主要来源于图像的获取和/或传输过程。
图像中的噪声是随机的，其灰度值的统计特性可以用概率密度函数（PDF)或相应的累计分布函数(CDF）进行表征。对于退化图像中的噪声n(x,y)，有多种不同的统计模型

1、高斯噪声

噪声（PDF）：

其中,z表示灰度值， $\bar{z}$ 表示z的均(平均)值, $\sigma$ 表示z的标准差。标准差的平方 $\sigma ^{2}$ 称为z的方差。高斯噪声的灰度值有大约70%落在范围 $[(\bar{z}-\sigma ),(\bar{z}+\sigma )]$ 内。

2、瑞丽噪声

噪声（PDF）：

概率密度的均值和方差：

3、爱尔兰(伽马)噪声

噪声（PDF）：

概率密度的均值和方差：

4、指数噪声

噪声（PDF）：

概率密度的均值和方差：

5、均匀噪声

噪声（PDF）：

概率密度的均值和方差：

6、脉冲(椒盐)噪声

噪声（PDF）：

7、噪声图像及其直方图

三、空间域滤波复原

1、空域滤波复原的方法

当一幅图像中存在的唯一退化因素是噪声时，其退化模型如下:

可以选择空域滤波的方法来复原图像，常见的空域滤波器有均值滤波器、中值滤波器、最大值滤波器、最小值滤波器、中点滤波器以及自适应滤波器等。

均值滤波器和中点滤波器适合于处理高斯或均匀等随机噪声

中值滤波器适合于处理椒盐噪声

最大值滤波器适合于处理“胡椒”噪声

最小值滤波器适合于处理“盐”噪声

2、自适应的滤波器

滤波器的特性变化是以mxn 的矩形窗口 $S_{xy}$ 定义的滤波器区域内图像的统计特性为基础的。自适应滤波器的性能要优于迄今为止讨论过的所有滤波器的性能。改善滤波能力的代价是滤波器的复杂度提高了。
滤波器在该区域中心任意一点(x, y)上的响应基于以下4个量: (a) g(x, y),带噪图像在点(x, y)上的值;(b) $\sigma _{\eta }^{2}$ ，污染f(x,y)以形成g(x, y)的噪声的方差;(c) $m_{L}$ ， $S_{xy}$ 中像素的局部均值;(d) $\sigma _{L }^{2}$ , $S_{xy}$ 中像素的局部方差。我们希望滤波器的性能如下:

如果 $\sigma _{\eta }^{2}$ 为零，则滤波器应该简单地返回 g(x, y)的值。这无关紧要，在零噪声情况下g(x,y)等于f(x, y)。
如果局部方差与 $\sigma _{\eta }^{2}$ 是高度相关的，则滤波器返回g(x, y)的一个近似值。典型地，高局部方差与边缘相关，并且应该保护这些边缘。
如果两个方差相等，我们则希望滤波器返回 $S_{xy}$ ,中像素的算术均值。这种情况发生在局部区域与整个图像有相同特性的条件下，并且局部噪声将通过简单地求平均来降低。

基于这些假设得到的 $\hat{f}(x,y)$ 的自适应表达式可以写成:

实例：

四、退化函数的估计

在图像复原中，主要有3种用于估计退化函数的方法:(1)观察法，(2)试验法，3数学建模法。

1、图像观察估计法

在没有关于退化函数H的先验知识的情况下，通过收集图像自身的信息，从而实现退化函数的估计:
寻找简单结构、受噪声影响小的子图像 $g_{s}(x,y)$
构造一个估计图像 $\hat{f}_{s}(x,y)$ ，它和观察的子图像 $g_{s}(x,y)$ 有相同大小和特性
假设空间不变的，由退化模型可推导出退化函数的估计 $H_{s}(u,v)$ ,即