冈萨雷斯数字图像处理第五章图像复原（椒盐、高斯、周期噪声、均值、中值、自适应、陷波滤波器、逆滤波、维纳滤波）

最新推荐文章于 2024-07-05 11:23:36 发布
最新推荐文章于 2024-07-05 11:23:36 发布
阅读量2.7k 收藏 15
点赞数 2
分类专栏： 传统图像处理 文章标签： opencv 计算机视觉 机器学习 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wangjia2575525474/article/details/117281214
版权

本章主要分为两大内容：
第一，针对只存在噪声影响下的图像复原；
第二，针对存在退化函数和噪声的两种作用下的图像复原；

5.1图像复原的概念以及模型

1、概念

与图像增强类似，图像复原的目的也是改善给定的图像，但是图像增强是一个主观的过程，而图像复原是一个客观的过程。    
复原技术是面向退化模型的，并且采用相反的过程进行处理，以便恢复出原图像 。

2、图像退化/复原模型

1、 退化复原模型如下：
在这里插入图片描述
2、上述模型在空间域中表示为：
在这里插入图片描述
五角星表示为空间域中卷积，空间域中在卷积=频率域中在乘积，故在频率域中在乘积为
3、在频率域中表示为：
在这里插入图片描述

5.2只有加性噪声下在图像复原

5.2.1噪声模型

首先噪声的估计是取一小段直方图，来对比看是哪一种噪声在直方图，然后就根据公式计算该噪声的均布直方图；
加性噪声，加性噪声和图像信号强度不相关，这类噪声可以看着理想无噪声图像f和噪声的和。
1.高斯噪声
也称为正态噪声，源于电子电路噪声污染、低照明度和高温带来的传感器污染
概率密度函数（PDF）：
在这里插入图片描述
在这里插入图片描述

其中，z表示灰度值，z一杠表示灰度值均值， 点他表示z的标准差，其平方为z的方差；
高斯函数曲线如下所示：
在这里插入图片描述
2、瑞丽噪声
适用于近似歪斜在直方图十分适用；有助于在深度成像中表征噪声现象
其概率密度公式如下：
在这里插入图片描述
瑞丽密度曲线：
注意距离原点在位移和密度在基本形状向右变形
在这里插入图片描述
3、爱尔兰（伽马）噪声
应用于激光成像中
概率密度函数：
此公式被称为爱尔兰密度
在这里插入图片描述

在这里插入图片描述
4、指数噪声
应用于激光成像中
是伽马噪声中b=1在特殊情况
概率密度函数为：
在这里插入图片描述
在这里插入图片描述
5、均匀噪声
仿真中使用许多随机数生成器在基础是非常有用的
概率密度函数为：
在这里插入图片描述
在这里插入图片描述
6、脉冲（椒盐）噪声
概率密度函数为：
在这里插入图片描述
在这里插入图片描述

注意：
如果b>a，则灰度级b在图像中表现为一个亮点，反之，灰度级a表现为一个暗点；
如果Pa或Pb为零，则脉冲称为单级脉冲；
如果Pa\ Pb都不为零，尤其是两者近似相等的时候，脉冲噪声值将类似于在图像上随机分布在胡椒和盐粉微粒，故双击脉冲噪声又称为椒盐噪声；
正脉冲为数字图像在灰度最大值255为白点，负脉冲为灰度最小值0为黑点

6、周期噪声（本章唯一的空间相关噪声）
一幅图像的周期噪声是在图像获取期间由电力或机电干扰产生的；
周期噪声可以通过频率域滤波进行显著在减少；

5.2.2噪声参数估计

首先噪声的估计是取一小段直方图，来对比看是哪一种噪声在直方图，然后就根据公式计算该噪声的均布直方图；
1、高斯噪声的以c++实现：

#include<opencv2/opencv.hpp>
#include<iostream>
#include <limits>

using namespace std;
using namespace cv;

//高斯噪声实现
   //生成高斯噪声

double  generateGaussianNoise(double mu, double sigma)
{
	//定义小值
	const double epsilon = numeric_limits<double>::min();//是函数，返回编译器允许的 double 型数 最小值。
	static double z0, z1;   //全局静态变量
	static bool flag = false;  //全局静态变量
	flag = !flag;
	//flag为假构造；高斯随机变量X
	if (!flag)
		return z1 * sigma + mu;
	double u1, u2;
	//构造随机变量  
	do
	{
		u1 = rand() * (1.0 / RAND_MAX);//伪随机数生成函数 rand 所能返回的最大数值。
		u2 = rand() * (1.0 / RAND_MAX);
	} while (u1 <= epsilon);
	//flag为真构造高斯随机变量  
	z0 = sqrt(-2.0*log(u1))*cos(2 * CV_PI*u2);
	z1 = sqrt(-2.0*log(u1))*sin(2 * CV_PI*u2);
	return z0 * sigma + mu;

}
//为图像添加高斯噪声  
Mat addGaussianNoise(Mat &srcImag)
{
	Mat dstImage = srcImag.clone();
	int channels = dstImage.channels();
	int rowsNumber = dstImage.rows;
	int colsNumber = dstImage.cols*channels;
	//判断图像的连续性  
	if (dstImage.isContinuous())
	{
		colsNumber *= rowsNumber;
		rowsNumber = 1;
	}
	for (int i = 0; i < rowsNumber; i++)
	{
		for (int j = 0; j < colsNumber; j++)
		{
			//添加高斯噪声  
			int val = dstImage.ptr<uchar>(i)[j] + generateGaussianNoise(0, 2.235) * 32;
			if (val < 0)
				val = 0;
			if (val > 255)
				val = 255;
			dstImage.ptr<uchar>(i)[j] = (uchar)val;
		}
	}
	return dstImage;
}
int main()
{
	Mat src = imread("C:/Users/征途/Desktop/vs-cpp/第五章/01.jpg");
	if (!src.data)
	{
		cout << "输入有误" << endl;
		return -1;
	}
	imshow("src", src);
	Mat dst = addGaussianNoise(src);
	imshow("dst", dst);
	waitKey(0);
	return 0;

}

在这里插入图片描述

2、椒盐噪声实现代码

#include<opencv2/opencv.hpp>
#include<iostream>
#include <limits>

using namespace std;
using namespace cv;
//椒盐噪声
Mat addSaltNoise(const Mat srcImage, int n)//n为个数
{
	Mat dstImage = srcImage.clone();
	for (int k = 0; k < n; k++)
	{
		//随机取值行列  
		int i = rand() % dstImage.rows;
		int j = rand() % dstImage.cols;
		//图像通道判定  
		if (dstImage.channels() == 1)
		{
			dstImage.at<uchar>(i, j) = 255;       //盐噪声  
		}
		else
		{
			dstImage.at<Vec3b>(i, j)[0] = 255;
			dstImage.at<Vec3b>(i, j)[1] = 255;
			dstImage.at<Vec3b>(i, j)[2] = 255;
		}
	}
	for (int k = 0; k < n; k++)
	{
		//随机取值行列  
		int i = rand() % dstImage.rows;
		int j = rand() % dstImage.cols;
		//图像通道判定  
		if (dstImage.channels() == 1)
		{
			dstImage.at<uchar>(i, j) = 0;     //椒噪声  
		}
		else
		{
			dstImage.at<Vec3b>(i, j)[0] = 0;
			dstImage.at<Vec3b>(i, j)[1] = 0;
			dstImage.at<Vec3b>(i, j)[2] = 0;
		}
	}
	return dstImage;

}


int main()
{
	Mat src = imread("C:/Users/征途/Desktop/vs-cpp/第五章/01.jpg");
	if (!src.data)
	{
		cout << "输入有误" << endl;
		return -1;
	}
	imshow("src", src);
	Mat dst = addGaussianNoise(src);
	Mat dst2 = addSaltNoise(src, 5000);
	imshow("dst", dst);
	imshow("dst2", dst2);	
	waitKey(0);
	return 0;

}

在这里插入图片描述

5.2.3只存在噪声的复原–空间滤波

(1) 如果不考虑退化函数，图像退化模型就简化为图像噪声模型
在这里插入图片描述

只存在加性噪声情况下：图像增强问题成为单纯的图像去噪问题，可以通过空间域滤波等众多方法解决
在这里插入图片描述
空间域中常见的滤波器分为均值/统计排序/自适应滤波器.
1.均值滤波器:
算术/几何/谐波/逆谐波均值滤波器.
2.统计排序滤波器:
中值/最大值/最小值/中点滤波器.
3.自适应滤波器:
自适应均值/自适应中值滤波器

1、均值滤波器

（1）、算数均值滤波器实现加性噪声下的图像复原
计算速度快，但是有点模糊 ，传统意义上的均值滤波
令S(xy)表示中心在点（x,y）处，大小为mxn的矩形子图像窗口的一组坐标；
算术均值滤波器在S(xy)区域中计算被污染图像g(xy)的平均值
在这里插入图片描述

#include<opencv2/opencv.hpp>
#include<iostream>
#include <limits>
#include<math.h>

using namespace std;
using namespace cv;
//算数均值滤波
void ArithAverFilter(Mat &src, Mat &dst)
{
	if (src.channels() == 3)//彩色图像
	{
		for (int i = 1; i < src.rows; i++)
		{
			for (int j = 1; j < src.cols; j++)
			{
				if ((i - 1 >= 0) && (j - 1) >= 0 && (i + 1) < src.rows && (j + 1) < src.cols)
				{
					//边缘不进行处理
					dst.at<Vec3b>(i, j)[0] = (src.at<Vec3b>(i, j)[0] + src.at<Vec3b>(i - 1, j - 1)[0] + src.at<Vec3b>(i - 1, j)[0] + src.at<Vec3b>(i, j - 1)[0] +
						src.at<Vec3b>(i - 1, j + 1)[0] + src.at<Vec3b>(i + 1, j - 1)[0] + src.at<Vec3b>(i + 1, j + 1)[0] + src.at<Vec3b>(i, j + 1)[0] +
						src.at<Vec3b>(i + 1, j)[0]) / 9;
					dst.at<Vec3b>(i, j)[1] = (src.at<Vec3b>(i, j)[1] + src.at<Vec3b>(i - 1, j - 1)[1] + src.at<Vec3b>(i - 1, j)[1] + src.at<Vec3b>(i, j - 1)[1] +
						src.at<Vec3b>(i - 1, j + 1)[1] + src.at<Vec3b>(i + 1, j - 1)[1] + src.at<Vec3b>(i + 1, j + 1)[1] + src.at<Vec3b>(i, j + 1)[1] +
						src.at<Vec3b>(i + 1, j)[1]) / 9;
					dst.at<Vec3b>(i, j)[2] = (src.at<Vec3b>(i, j)[2] + src.at<Vec3b>(i - 1, j - 1)[2] + src.at<Vec3b>(i - 1, j)[2] + src.at<Vec3b>(i, j - 1)[2] +
						src.at<Vec3b>(i - 1, j + 1)[2] + src.at<Vec3b>(i + 1, j - 1)[2] + src.at<Vec3b>(i + 1, j + 1)[2] + src.at<Vec3b>(i, j + 1)[2] +
						src.at<Vec3b>(i + 1, j)[2]) / 9;
				}
				else
				{
					//边缘赋值
					dst.at<Vec3b>(i, j)[0] = src.at<Vec3b>(i, j)[0];
					dst.at<Vec3b>(i, j)[1] = src.at<Vec3b>(i, j)[1];
					dst.at<Vec3b>(i, j)[2] = src.at<Vec3b>(i, j)[2];
					
				}
			}
		}
	}
	if (src.channels() == 1) 
	{
		//灰度图像
		for (int i = 0; i < src.rows; i++)
		{
			for (int j = 0; j < src.cols; j++)
			{
				if ((i - 1 >= 0) && (j - 1) >= 0 && (i + 1) < src.rows && (j + 1) < src.cols)
				{
					//边缘不进行处理
					dst.at<uchar>(i, j) = (src.at<uchar>(i, j) + src.at<uchar>(i - 1, j - 1) + src.at<uchar>(i - 1, j) + src.at<uchar>(i, j - 1) +
							src.at<uchar>(i - 1, j + 1) + src.at<uchar>(i + 1, j - 1) + src.at<uchar>(i + 1, j + 1) + src.at<uchar>(i, j + 1) +
							src.at<uchar>(i + 1, j)) / 9;
				}
				else 
				{
						//边缘赋值
					dst.at<uchar>(i, j) = src.at<uchar>(i, j);
				}
			}
		}
	}

	imshow("arithAverFilter", dst);

}
int main()
{
	Mat src = imread("C:/Users/征途/Desktop/vs-cpp/第五章/02.jpg");
	if (!src.data)
	{
		cout << "输入有误" << endl;
		return -1;
	}
	Mat dst;
	imshow("src", src);
	 ArithAverFilter(src,dst);
	
	imshow("dst", dst);
	//imshow("dst2", dst2);
	waitKey(0);
	return 0;
}

（2）、几何均值滤波器实现加性噪声下图像复原
图像模糊程度低
对子窗口的元素相乘（需要判断是否为零），并对乘积求1/m*n次幂
在这里插入图片描述
实现代码：

#include<opencv2/opencv.hpp>
#include<iostream>
#include <limits>
#include<math.h>
#include<vector>

using namespace std;
using namespace cv;
void GeoAverFliter(const Mat &src, Mat &dst)
{
	Mat _dst(src.size(), CV_32FC1);
	double power = 1.0 / 9;
	cout << "power:" << power << endl;
	double geo = 1;
	for (int i = 0; i < src.rows; i++)
	{
		for (int j = 0; j < src.cols; j++)
		{
			if ((i - 1) > 0 && (i + 1) < src.rows && (j - 1) > 0 && (j + 1) < src.cols)
				{
				//下面应用公式
				if (src.at<uchar>(i, j) != 0) geo = geo * src.at<uchar>(i, j);
				if (src.at<uchar>(i, j+1) != 0) geo = geo * src.at<uchar>(i, j+1);
				if (src.at<uchar>(i, j-1) != 0) geo = geo * src.at<uchar>(i, j-1);
				if (src.at<uchar>(i+1, j) != 0) geo = geo * src.at<uchar>(i+1, j);
				if (src.at<uchar>(i-1, j) != 0) geo = geo * src.at<uchar>(i-1, j);
				if (src.at<uchar>(i+1, j+1) != 0) geo = geo * src.at<uchar>(i+1, j+1);
				if (src.at<uchar>(i-1, j-1) != 0) geo = geo * src.at<uchar>(i-1, j-1);
				if (src.at<uchar>(i+1, j-1) != 0) geo = geo * src.at<uchar>(i+1, j-1);
				if (src.at<uchar>(i-1, j+1) != 0) geo = geo * src.at<uchar>(i-1, j+1);
				
				_dst.at<uchar>(i, j) = pow(geo, power);

				}
			else
			{
				dst.at<float>(i, j) = src.at<uchar>(i, j);
			}
		}
	}
	_dst.convertTo(dst, CV_8UC1);

}

int main()
{
	Mat src = imread("C:/Users/征途/Desktop/vs-cpp/第五章/02.jpg");
	if (!src.data)
	{
		cout << "输入有误" << endl;
		return -1;
	}
	Mat dst1,dst2;
	imshow("src", src);
	ArithAverFilter(src,dst1);
	imshow("dst1", dst1);
	GeoAverFliter(src, dst2);
	imshow("dst2", dst2);
	waitKey(0);
	return 0;

}

（3）、谐波均值滤波
对于盐粒噪声效果好，不适合胡椒噪声，善于处理像高斯噪声那样的其他噪声；

//谐波均值滤波器
void xieboFliter(const Mat &src, Mat &dst)
{
	Mat dst4 (src.size(), CV_32FC1);
	double mn = 9.0;
	double he = 0;
	for (int i = 0; i < src.rows; i++)
	{
		for (int j = 0; j < src.cols; j++)
		{
			if ((i - 1) > 0 && (i + 1) < src.rows && (j - 1) > 0 && (j + 1) < src.cols)
			{
				he = (1.0 / src.at<uchar>(i, j)) + (1.0 / src.at<uchar>(i, j + 1)) + (1.0 / src.at<uchar>(i, j - 1)) + (1.0 / src.at<uchar>(i + 1, j)) + (1.0 / src.at<uchar>(i - 1, j))
					+ (1.0 / src.at<uchar>(i + 1, j + 1)) + (1.0 / src.at<uchar>(i + 1, j - 1)) + (1.0 / src.at<uchar>(i - 1, j + 1)) + (1.0 / src.at<uchar>(i - 1, j - 1));
				dst4 = mn / he;
			}
		}
	}
	dst4.convertTo(dst, CV_8UC1);
}

2、统计排序滤波器

先对卷积空间的像素点排序,并分别取中值/最大值/最小值/中点.
（1）中值滤波器
使用像素领域中的灰度级的中值替代该像素点的值
针对单极脉冲和双极脉冲脉冲，即椒盐噪声特别有效。
在这里插入图片描述

（2）最大值和最小值滤波器

最大值滤波器对发现图像中的亮点非常有效，应用于胡椒噪声；
在这里插入图片描述

最小值滤波器对发现图像中的最暗点非常有效，应用于盐粒噪声；
在这里插入图片描述

#include<opencv2/opencv.hpp>
#include<iostream>
#include <limits>
#include<math.h>
#include<vector>

using namespace std;
using namespace cv;

//uchar max(int *arr)
uchar max1(uchar n1, uchar n2, uchar n3, uchar n4, uchar n5,
	uchar n6, uchar n7, uchar n8, uchar n9)
{
	int arr[9] = { n1 ,n2, n3,  n4, n5, n6, n7, n8, n9 };



	int max = arr[0];
	for (int i = 1; i < 9; i++)
	{
		max = (max > arr[i]) ? max : arr[i];
	}
	return max;
}

void maxfilter( Mat &src, Mat &dst)
{
	
	Mat dst0(src.size(), CV_32FC1);
	for (int i = 0; i < src.rows; i++)
	{
		
		for (int j = 0; j < src.cols; j++)
		{
			if ((i - 1) > 0 && (i + 1) < src.rows && (j - 1) > 0 && (j + 1) < src.cols)
			{
				//int arr[9] = { src.at<uchar>(i, j), src.at<uchar>(i, j + 1), src.at<uchar>(i, j - 1), src.at<uchar>(i + 1, j), src.at<uchar>(i - 1, j), src.at<uchar>(i + 1, j + 1), src.at<uchar>(i + 1, j - 1), src.at<uchar>(i - 1, j + 1), src.at<uchar>(i - 1, j - 1) };
				//dst0.at<uchar>(i, j) = max1(&arr[9]);
				dst0.at<uchar>(i, j) = max1(src.at<uchar>(i, j), src.at<uchar>(i, j + 1), src.at<uchar>(i, j - 1), src.at<uchar>(i + 1, j), src.at<uchar>(i - 1, j), src.at<uchar>(i + 1, j + 1), src.at<uchar>(i + 1, j - 1), src.at<uchar>(i - 1, j + 1), src.at<uchar>(i - 1, j - 1));
			}
			else
			{
				dst0.at<uchar>(i, j) = src.at<uchar>(i, j);
			}
		}
	}
	dst0.convertTo(dst, CV_8UC1);
}
int main()
{
	Mat src, dst1;
	src = imread("C:/Users/征途/Desktop/vs-cpp/第五章/05.jpg");
	if (!src.data)
	{
		cout << "输入有误" << endl;
		return -1;
	}
	cvtColor(src, src, CV_BGR2GRAY);
	imshow("s", src);

	maxfilter(src, dst1);
	imshow("dst1", dst1);
	waitKey(0);
	return 0;


}

（3）中点滤波器
适用于混合噪声，如高斯噪声和椒盐噪声混合的情况。
计算滤波器包围区域中最大值最小值中间的中点；
对 随机分布噪声（高斯噪声、均匀噪声）非常有效
在这里插入图片描述

#include<opencv2/opencv.hpp>
#include<iostream>
#include <limits>
#include<math.h>
#include<vector>

using namespace std;
using namespace cv;
int  mysort(int *arr)

//uchar mysort(uchar n1, uchar n2, uchar n3, uchar n4, uchar n5,
	//uchar n6, uchar n7, uchar n8, uchar n9) 

{
	bool flag = true;
	for (int i = 0; i < 9 ; i++)
	{
		while (flag = false)
		{
			for (int j = 0; j < 9 - i - 1; j++)
			{
				if (arr[j] > arr[j + 1])
				{
					int temp = arr[j];
					arr[j] = arr[j + 1];
					arr[j + 1] = temp;

				}
			}
		}
	}
	int a = (arr[0] + arr[8]) / 2;

	return a;//返回中值

}
//单通道
void myzhongdainBlur(Mat &src, Mat&dst)
{
	Mat dst0(src.size(), src.type());
	for (int i = 0; i < src.rows; i++)
	{
		for (int j = 0; j < src.cols; j++)
		{
			if ((i - 1) > 0 && (i + 1) < src.rows && (j - 1) > 0 && (j + 1) < src.cols)
			{
				int arr[9] = { src.at<uchar>(i, j), src.at<uchar>(i, j + 1), src.at<uchar>(i, j - 1), src.at<uchar>(i + 1, j), src.at<uchar>(i - 1, j), src.at<uchar>(i + 1, j + 1), src.at<uchar>(i + 1, j - 1), src.at<uchar>(i - 1, j + 1), src.at<uchar>(i - 1, j - 1) };
				dst0.at<uchar>(i, j) = mysort(&arr[9]);
			}
			else
			{
				dst0.at<uchar>(i, j) = src.at<uchar>(i, j);
			}
		}
	}
	dst0.convertTo(dst, CV_8UC1, 1, 0);
}

int main()
{
	Mat src, dst1;
	src = imread("C:/Users/征途/Desktop/vs-cpp/第五章/05.jpg");
	if (!src.data)
	{
		cout << "输入有误" << endl;
		return -1;
	}
	cvtColor(src, src, CV_BGR2GRAY);
	imshow("s", src);

	myzhongdainBlur(src, dst1);

	namedWindow("dst1", WINDOW_NORMAL);
	imshow("dst1", dst1);
	cvWaitKey(0);
	
	return 0;


}

（4）修正的阿尔法均值滤波器
假设在领域S(xy)中去除g(s，t)最低灰度值的d/2和最高灰度值的d/2，令剩下的gr(s,t)代表剩下的mn-d个像素。由这些剩余像素的平均值形成的滤波器称为修正阿尔法滤波器：
在这里插入图片描述
d属于0到mn-1
如果d=0,则转化为算数均值滤波器；
如果d=mn-1，则转化为中值滤波器；``

3、自适应滤波器
（1）、自适应局部降低噪声滤波器
自适应滤波器的行为变化基于由m*n矩形窗口Sxy定义的区域内图像的统计特性，它的性能要明显优于前面介绍的滤波器，代价是滤波器的复杂度。
在这里插入图片描述
在这里插入图片描述

5.2.4利用频率域滤波消除周期噪声

主要有带阻滤波器、带通滤波器、陷波滤波器
消除对象是周期性噪声

1、带阻滤波器

带阻滤波器为Hbr(u,v)
主要有理想低通高通滤波器、巴特沃斯低通高通滤波器、高斯低通高通滤波器
这几个滤波器前面已经实现过，在此不再赘述

2、带通滤波器

带通滤波器与带阻滤波器正好相反，为Hbp（u，v）;
传递函数为：
Hbp(u,v) = 1-Hbr(u,v)

3、陷波滤波器

陷波滤波器是更有用的选择性滤波器；
陷波滤波器拒绝（或通过）事先定义的关于频率矩形中心的一个领域的频率。
陷波滤波器属于零相移滤波器，必须关于原点对称，因此一个中心位于陷波滤波器（u0，v0)的陷波在位置（-u0,v0)必须有一个对应的陷波
1、陷波带阻滤波器
陷波带阻滤波器可以用中心已被平移到陷波滤波器中心的高通滤波器的乘积构造。一般形式为：
在这里插入图片描述
上式中其中，Hk(u,v);H-k(u,v)是高通滤波器，他们的中心分别位于（u0,v0）,(-u0,-v0)中，这些中心是根据频率矩形的中心(M/2,N/2）来确定的。对于每个滤波器，距离的计算是由下式计算：
在这里插入图片描述
对于n阶巴特沃斯带阻滤波器，它包含三个陷波对：

在这里插入图片描述

2、陷波带通滤波器
在这里插入图片描述

5.3、即存在退化函数又有噪声干扰情况下的图像复原

在图像拍摄过程中由于各种原因会造成图像退化，图像退化模型如下：在这里插入图片描述
其中，⋆ \star⋆为卷积符号，f ( x , y ) f(x,y)f(x,y)为输入图像，g ( x , y ) g(x,y)g(x,y)为退化图像，h ( x , y ) h(x,y)h(x,y)为退化函数，η ( x , y ) \eta(x,y)η(x,y)为加性噪声，将上式进行傅里叶变换有：
在这里插入图片描述

1、估计退化函数

估计退化函数的三种方法：1、观察法 2、试验法、 3、数字建模法

1、图像观察法
假设提供了一幅退化图像，而没有退化函数H HH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。
在这里插入图片描述
其中在这里插入图片描述

2、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。
实际上就是利用产生图像相似的装置，进行设置参数从而得到一个图像，这个图像类似于退化图像，然后由这个退化图像得到原图的退化函数；
在这里插入图片描述
其中，G是观察图像的傅里叶变换，A是一个常量，表示冲激强度。

3、建模型估计
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。
建模估计中可以通过运动数学模型将退化函数构造为：
在这里插入图片描述

大气湍流模型：
在这里插入图片描述

2、逆滤波实现图像复原

逆滤波是由退化函数直接图像复原的最初手段，也是最简单的手段；
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：
传递函数为：
不考虑噪声：
在这里插入图片描述
故可以反变换求：
在这里插入图片描述
考虑噪声影响：
在这里插入图片描述
需要注意的是：
在这里插入图片描述
在这里插入图片描述

3、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。
维纳滤波是在频域中处理图像的一种算法，是一种非常经典的图像增强算法，不仅可以进行图像降噪，还可以消除由于运动等原因带来的图像模糊。
该方法建立在退化函数和噪声统计的基础上，考虑了两者的共同作用，目标是为了找到未污染图像f的一个估计值f，使他们之间的均方误差最小。
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。
在这里插入图片描述
其中，上面的E是参数的期望值。
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：在这里插入图片描述
在这里插入图片描述
维纳滤波：一个复数量与其共轭的乘积等于该复数量幅度的平方，这个结果就是维纳滤波。
维纳滤波中没有退化函数H为0的情况，除非对于相同的u值和v值，整个分母都为0；
下面的例子中我们还对退化函数进行了简化，将退化函数置为1，因此维纳滤波公式简化为：
代码实现中：退化函数为1时：
在这里插入图片描述
实现代码：

#include<iostream>
#include<opencv2/opencv.hpp>
#include<string>
using namespace cv;
using namespace std;

//获得图像频谱的函数写法
Mat GetSpectrum(const Mat &src)
{
	Mat dst, cpx;
	Mat planes[] = { Mat_<float>(src), Mat::zeros(src.size(), CV_32F) };
	merge(planes, 2, cpx);//合并通道
	dft(cpx, cpx);//傅里叶变换
	split(cpx, planes);//分离通道，实部re=planes[0]虚部im = planes[1]
	magnitude(planes[0], planes[1], dst);//计算二维矢量的幅值函数，//求幅度图
	//频谱就是频域幅度图的平方
	multiply(dst, dst, dst);//频谱就是幅度图的平方
	return dst;
}
//添加噪声
double  generateGaussianNoise(double mu, double sigma)
{
	//定义小值
	const double epsilon = numeric_limits<double>::min();//是函数，返回编译器允许的 double 型数 最小值。
	static double z0, z1;   //全局静态变量
	static bool flag = false;  //全局静态变量
	flag = !flag;
	//flag为假构造；高斯随机变量X
	if (!flag)
		return z1 * sigma + mu;
	double u1, u2;
	//构造随机变量  
	do
	{
		u1 = rand() * (1.0 / RAND_MAX);//伪随机数生成函数 rand 所能返回的最大数值。
		u2 = rand() * (1.0 / RAND_MAX);
	} while (u1 <= epsilon);
	//flag为真构造高斯随机变量  
	z0 = sqrt(-2.0*log(u1))*cos(2 * CV_PI*u2);
	z1 = sqrt(-2.0*log(u1))*sin(2 * CV_PI*u2);
	return z0 * sigma + mu;

}
Mat addGaussianNoise(Mat &srcImag)
{
	Mat dstImage = srcImag.clone();
	int channels = dstImage.channels();
	int rowsNumber = dstImage.rows;
	int colsNumber = dstImage.cols*channels;
	//判断图像的连续性  
	if (dstImage.isContinuous())
	{
		colsNumber *= rowsNumber;
		rowsNumber = 1;
	}
	for (int i = 0; i < rowsNumber; i++)
	{
		for (int j = 0; j < colsNumber; j++)
		{
			//添加高斯噪声  
			int val = dstImage.ptr<uchar>(i)[j] + generateGaussianNoise(0, 2.235) * 32;
			if (val < 0)
				val = 0;
			if (val > 255)
				val = 255;
			dstImage.ptr<uchar>(i)[j] = (uchar)val;
		}
	}
	return dstImage;
}

//维纳滤波的实现
Mat wienerfilter(const Mat &src, const Mat &ref, int stddev)
{
	//这些图片是过程中会用到的，pad是原图像0填充后的图像，cpx是双通道频域图，mag是频域幅值图，dst是滤波后的图像
	Mat pad, cpx, dst;

	//获取傅里叶变化最佳图片尺寸，为2的指数
	int m = getOptimalDFTSize(src.rows);
	int n = getOptimalDFTSize(src.cols);

	//对原始图片用0进行填充获得最佳尺寸图片
	copyMakeBorder(src, pad, 0, m - src.rows, 0, n - src.cols, BORDER_CONSTANT, Scalar::all(0));

	//获得参考图片频谱
	Mat tmpR(pad.rows, pad.cols, CV_8U);
	//resize(ref, tmpR, tmpR.size()); //重新规划大小
	Mat refSpectrum = GetSpectrum(tmpR);//频谱

	 //获得噪声频谱
	Mat tmpN(pad.rows, pad.cols, CV_32F);
	//randn(tmpN, Scalar::all(0), Scalar::all(stddev));//randn函数常用来产生高斯白噪声信号,生成m×n随机矩阵，其元素服从均值为0，方差为stddev的标准正态分布。
	addGaussianNoise(tmpN);//生成高斯噪声
	Mat noiseSpectrum = GetSpectrum(tmpN);
	
	//对src进行傅里叶变换
	Mat planes[] = { Mat_<float>(pad), Mat::zeros(pad.size(), CV_32F) };
	merge(planes, 2, cpx);//合并两通道然后输出
	dft(cpx, cpx);
	split(cpx, planes);
	
	//维纳滤波因子
	Mat factor = refSpectrum / (refSpectrum + noiseSpectrum);
	//cpx = factor * cpx;
	multiply(planes[0], factor, planes[0]);
	multiply(planes[1], factor, planes[1]);

	// 重新合并实部planes[0]和虚部planes[1]
	merge(planes, 2, cpx);
	
	//进行反傅里叶变换
	idft(cpx, dst, DFT_SCALE | DFT_REAL_OUTPUT);//idft傅里叶反变换

	dst.convertTo(ref, CV_8UC1);
	return ref;
}

int main()
{
	Mat src, dst;
	src = imread("C:/Users/征途/Desktop/vs-cpp/第五章/05.jpg");
	if (!src.data)
	{
		cout << "输入错误" << endl;
	}
	imshow("src", src);
	wienerfilter(src, dst, 1);
	imshow("dst", dst);
	waitKey(0);
	return 0;
}
cv吴彦祖
关注
  • 2
    点赞
  • 踩
  • 15
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
图像降噪处理——（中值、均值、最大值、最小值滤波）
IMWTJ123的博客
04-05 4万+
用MATLAB对图像进行处理。在原图上添加椒盐噪声，运用中值滤波、最大值滤波和最小值滤波算法对图像降噪，并比较处理前后、不同模板均值滤波算法处理的效果。一、基本原理1.1 噪声的产生及分类         噪声是图像干扰的重要原因。一幅图像在实际应用中可能存在各种各样的噪声,这些噪声可能在传输中产生,也可能在量化等处理中产生。根据噪声和信号的关系可将其分为三种形式:(f(x,y)表示给定原始图像,...
图像的复原与重建（3）：图像去噪（中值、均值、谐波均值、自适应、带通、带阻、陷波滤波器）
dugudaibo的博客
10-30 3587
图像去噪的各种滤波器
冈萨雷斯《数字图像处理》学习笔记--第五章图像复原与重建
最新发布
weixin_57737343的博客
07-05 97
13.由投影重建图像：X射线计算机断层成像（CT）原理；使用平行射线束滤波反投影重建；（1）高斯噪声（2）瑞利噪声（3）爱尔兰（伽马）噪声（4）指数噪声（5）均匀噪声（6）椒盐噪声。利用退化现象的先验知识来复原已退化的图像。统计排序滤波器：中值滤波器；最大值滤波器和最小值滤波器；均值滤波器：算术平均滤波器；自适应滤波器：自适应局部降噪滤波器；2.噪声的傅立叶谱是常量时，噪声称为白噪声。7.使用频率域滤波降低周期噪声：最优陷波滤波。9.估计退化函数：观察法；6.只存在噪声的复原----空间滤波。
数字图像处理冈塞雷斯第四版课后习题答案【英文原版】
志存高远，亦须循序渐进
05-26 1003
课后习题答案
数字图像处理周期噪声
qq_39966571的博客
01-06 4664
@借鉴https://blog.csdn.net/charlene_bo/article/details/70599105，在此谢谢 f=imread('coulomb.bmp'); h=double(f(:,:,1)); [M,N] = size(h); P=2*M;Q=2*N; D=zeros(P,Q); D(1:M,1:N)=h; figure,imshow(D,[0,255]); u = ...
MATLAB--数字图像处理 添加周期噪声
海到无边天作岸 山登绝顶我为峰
10-10 8986
添加周期噪声 概念 代码 t=imread('a1.jpg'); [m,n]=size(t); t_1=t; for i=1:m for j=1:n t_1(i,j)=t(i,j)+40*sin(40*i)+40*sin(40*j); end end imshow(t),title('原图'); figure,imshow(t_1),title('加入周期噪声后'); 结果 ...
matlab添加周期噪声代码-Digital-Image-Processing-ECN316-Project:它包含课程项目的matlab代码
05-24
matlab添加周期噪声代码数字图像处理-ECN316-项目 要运行Matlab代码，请按原样下载文件夹。 所有路径都是相对的，因此无需更改代码中的路径。 这是每个代码的简要说明 ●notch_filter.m-运行代码以消除noiseball.png的周期性噪声 ●notch.m-此代码实现了陷波过滤器 ●notch_news.m-运行代码以从剪报中去除波纹图案 ●motion_blur.m-实现运动模糊模型 ●privacy_turbelence.m-实现大气湍流模型 ●add_motion_blur.m-向图像添加运动模糊 ●add_turebelence.m-向图像添加大气湍流 ●remove_motion_blur.m-使用Weiner过滤消除运动模糊 ●remove_motion_blur_limited.m-通过限制降级功能的值来消除运动模糊 ●remove_turbelence.m-使用Weiner过滤从图像中去除大气湍流 ●dftuv.m-函数取自。 用于计算移位傅立叶变换中的距离 ●lpfilter.m-函数取自。 它实现了各种低通滤波器。
数字图像处理第五章_图像复原_噪声去除.zip
10-22
在本资源中，"数字图像处理第五章_图像复原_噪声去除.zip"是一个包含关于数字图像处理中图像复原和噪声去除主题的压缩包。这个压缩文件是基于《冈萨雷斯》的数字图像处理第三版部分内容，由一位教师为了教学目的而...
第五章 图像复原 数字图像处理课件（冈萨雷斯）.rar
06-18
本章内容，即"第五章 图像复原 数字图像处理课件（冈萨雷斯）"，是针对冈萨雷斯版的《数字图像处理》教材的学习资料，主要探讨了如何修复图像在捕获、传输或存储过程中产生的各种质量损失。PPT形式的课件为学习者...
数字图像处理_第三版_冈萨雷斯_课后答案[1-12章]
01-12
同时，还会介绍噪声的种类和去除方法，如中值滤波器对抗椒盐噪声，高斯滤波器用于平滑图像。 第四部分，图像分析和特征提取是图像处理中的关键环节。这包括边缘检测（如Sobel、Canny算法）、角点检测、形状描述子等...
自适应中值滤波.zip
05-03
"自适应中值滤波.zip"中的文件可能包含了一个实现自适应中值滤波算法的代码示例，根据描述，这个实现参考了《数字图像处理》第三版（冈萨雷斯 著）一书中的算法。这本书是图像处理领域的经典教材，其中详细介绍了...
数字图像处理噪声
03-29
数字图像处理专业课中实验所需要的代码，下载后可直接运行出结果。
matlab去除周期性噪声图片噪声代码，载入图片即可，有注释，方便学习
05-05
matlab去除周期性噪声图片噪声代码，载入图片即可，有注释，方便学习 close all; clear all,clc; threshold=6;%在此调整阈值 f=imread('实验5原图.tif');%读入图片 %f=rgb2gray(f);%讲彩色图片转换为灰度图片，按需求看是否需要 [M,N]=size(f); H1=ones(M,N); f=im2double(f);%从整形转化为双精度型，利于傅里叶变换 imshow(f),title('原图像'); F=fftshift(fft2(f));%进行傅里叶变换并居中 F1=abs(F);%取模值 F2=log(1+F1);
数字图像处理 冈萨雷斯 第三版 课后答案绝对完整 不要积分
02-09
3. 图像增强：图像增强旨在改善图像的视觉效果，如直方图均衡化能改善图像对比度，滤波器（如均值滤波、中值滤波、高斯滤波）可消除噪声或平滑图像。 4. 图像变换：包括傅立叶变换、小波变换等，这些变换为图像分析...
数字图像处理--噪声
柯拉的博客
01-28 4907
从背景区域可以看到，像素值有波动。所有的区域的像素值都有这样的波动。无论信噪比高低，有无干扰，都有噪声。 噪声的三种类型 散粒噪声：光子入射时产生，与信号相关 暗澡声：芯片上由于热效应产生，与相机相关，属于相机的参数 读出噪声：读出过程中产生的，与相机相关，属于相机的参数 大部分的CCD和CMOS相机都是制冷型相机，具体的制冷温度在各个厂商和不同的相机型号之间也有不同。不同的相机使用的不同系列的芯片，暗电流参数也不同 右图中有hot pixel ...
第5章 Python 数字图像处理(DIP) - 图像复原与重建10 - 空间滤波 - 统计排序滤波器 - 中值、最大值、最小值、中点、修正阿尔法均值滤波器
jasneik的博客
04-05 1575
标题统计排序滤波器中值、最大值、最小值、中点 滤波器修正阿尔法均值滤波器 统计排序滤波器 中值、最大值、最小值、中点 滤波器 f^(x,y)=median{g(r,c)}(5.27)\hat{f}(x, y) = \text{median} \{g(r,c)\} \tag{5.27}f^​(x,y)=median{g(r,c)}(5.27) f^(x,y))=max{g(r,c)}(5.28)\hat{f}(x, y)) = \text{max} \{g(r,c)\} \tag{5.28}f^​(x,y))
matlab对有周期性噪声的图像去噪,数字图像中去除周期性噪声研究.doc
weixin_28678151的博客
03-22 1718
摘要：图像增强是数字图像处理相对简单却最具艺术性的领域之一，其目的是消除噪声，显现被模糊的细节或突出感兴趣区域。经常采用的手段分空域和频域两类，其中频域更是给我们提供了不同的视角，简化了许多复杂的算法。生活中，我们在图像获取过程中由于电子元件等许多因素而经常会引入了周期性噪声，它的解决虽然思路简单，但涉及的环节和细节较多，有必要针对此类问题做进一步详细和深入的研究。本文就是对数字图像中的周期性噪声...
【图像修复】基于中值、均值、维纳、最小平方多种算法实现图像恢复含Matlab源码
matlab_dingdang的博客
05-11 386
1 简介 1.1图像处理的概念 数字图像处理(Digital Image Processing)是通过计算机将图像信号转换成数字信号并对其进行去除噪声、增强、复原、分割、提取特征等处理的过程。 早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。图像处理中，输入的是质量低的图像，输出的是改善质量后的图像，常用的图像处理方法有图像增强、复原、编码、压缩等。如今，图像处理技术在许多应用领域受到广泛重视并取得了重大的开拓性成就，如航空航天、生物医学工程、工业检测、机器人视觉、公..
matlab在空域与频域中去除周期噪声、椒盐噪声的简单应用
weixin_30768175的博客
05-19 2983
前言 去年图像处理的DLL，有学弟问我做的思路，便放到博客里 github地址，欢迎star 图像增强处理：设计一套空间域与频率域结合的图像增强算法，处理以下任一组图片中的带噪声图像，去除噪声，提高图像质量。 （1）已知：噪声为随机噪声和周期噪声混合噪声； （2）要求： a）去噪处理后，计算均方误差评估去噪处理后图像的去噪效果 b）撰写完整的科技报告（形式类似科技论文）表述自己的算法设计，算法实现...
数字图像处理(冈萨雷斯)第八章图像压缩
04-20
数字图像处理(冈萨雷斯)第八章图像压缩是数字图像处理中非常重要的一部分。图像压缩的必要性主要体现在数字图像的数据量庞大，需要大量的存储空间和传输带宽，机器处理效率低等问题。对于一幅最简单的黑白照片，若按...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值