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,表示z的均(平均)值,表示z的标准差。标准差的平方称为z的方差。高斯噪声的灰度值有大约70%落在范围内。
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) ,污染f(x,y)以形成g(x, y)的噪声的方差;(c),中像素的局部均值;(d),中像素的局部方差。我们希望滤波器的性能如下:
- 如果为零,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,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
构造一个估计图像,它和观察的子图像有相同大小和特性
假设空间不变的,由退化模型可推导出退化函数的估计,即
2、试验估计
使用与退化图像的成像设备相似的装置,以此装置成像一个脉冲(即小亮点),得到一个退化的冲激响应,从而实现较准确的退化估计:
由于冲激的傅里叶变换是一个常量,故:
3、建模估计
大气湍流模糊
- 将引起退化的环境因素考虑在内
- 常数k与湍流的性质有关,k越大,湍流越剧烈
五、常见的图像复原方法——逆滤波
逆滤波是复原退化图像的最简单方法,即利用退化图像的傅里叶变换结果除以频域退化函数:
优点:算法比较简单
缺点:仅考虑退化函数,忽略噪声的处理,不能准确地复原
实例:
六、常见的图像复原方法——维纳滤波
综合了退化函数和噪声统计特性两个方面进行复原处理
引入最小二乘约束条件,使得复原的结果图像f(xy)与原始的未退化图像f(xy)之间的均方误差最小:
维纳滤波器:
实例:
维纳滤波与逆滤波的比较
- 逆滤波算法简单,但去模糊能力不强,且忽略噪声影响
- 维纳滤波去模糊效果优于逆滤波,且具备去噪能力,但需要知道未退化图像和噪声的功率谱
- 维纳滤波建立在最小化统计准则的基础上,滤波结果只是平均意义上的最优