数字图像处理 第五章 图像复原与重建(上)

引言

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

一、图像退化/复原模型 P197

1.1 什么是退化

• 成像过程中的“退化”，是指由于成像系统各种因素的影响，使得图像质量降低。

---

1.2 引起图像退化的原因

• 成像系统的散焦
• 成像设备与物体的相对运动
• 成像器材的固有缺陷
• 外部干扰

---

1.3 什么是图像复原

• 图像复原可以看作 图像退化的逆过程，是将图像退化的过程加以估计，建立退化的数学模型后，补偿退化过程造成的失真
• 在图像退化确知的情况下，图像退化的逆过程是有可能进行的
• 但实际情况经常是退化过程并不知晓，这种复原称为 盲目复原
• 由于图像模糊的同时，噪声和干扰 也会同时存在，这也为复原带来了困难和不确定性
• 图像复原的目的 就是获取原始图像的一个估计 $\hat{f}(x,y)$

---

1.4 图像复原与图像增强的区别

• 与图像增强相似，图像复原的目的也是改善图像质量
• 图像增强主要是一个主观过程，一般要利用人的的视觉系统特性，目的是取得较好的视觉效果，不需要考虑图像退化的真实物理过程，增强后的图像也不一定要逼近原始图像;而图像复原主要是一个客观过程,需要针对图像的退化原因设法进行补偿，因此需要对图像的退化过程有一定的先验知识，利用图像退化的逆过程去恢复原始图像，使复原后的图像尽可能的接近原图像。
• 对比度拉伸被认为是一种图像增强，提供给用户喜欢接收的图像；而图像复原技术追求恢复原始图像的最优估计值
• 图像复原技术可以使用空间域或频率域滤波器实现
  

---

1.5 图像退化/复原模型

降质过程可看作对原图像f (x,y)作线性运算。

给定$g(x,y)$ ，$H(u,v)$和 $\eta (x,y)$ ,怎样获得关于原始图像的近似估计 $f(x,y)$ ？
如果系统H是一个线性、移不变的过程，退化图像可以表示为

$h(x,y)$ 表示退化系统的系统函数。

• 有噪声情况下的图像复原
  ① 必须知道噪声的统计特性以及噪声和图像信号的相关情况，这是非常复杂的。在实际应用中，往往假设噪声是白噪声，即它的频谱密度为常数，且与图像不相关。
  ② 不同的复原技术需要不同的有关噪声的先验信息，如维纳滤波器需要知道噪声的谱密度，而约束去卷积法只需要知道噪声的协方差。

二、噪声模型 P197 - P203

数字图像中，噪声主要源自图像的 获取和/或传输过程

2.1 噪声的空间和频率特性 P197

• 噪声的空间特性(除空间周期噪声)
  ① 与空间坐标无关
  ② 与图像本身无关(即像素值与噪声成分的值之间不相关)

• 噪声的频率特性
  白噪声：傅里叶谱是常量

---

2.2 一些重要的噪声概率密度函数 P198 - P201

高斯噪声
瑞利噪声
伽马（爱尔兰）噪声
指数分布噪声
均匀分布噪声
脉冲噪声（椒盐噪声）

①高斯噪声
高斯噪声的概率密度函数(PDF)

当z服从上式分布时，其值有70%落在 $[(\mu -\sigma ),(\mu +\sigma )]$，有95%落在$[(\mu -2\sigma ),(\mu +2\sigma )]$范围内。
高斯噪声的产生源于电子电路噪声和由低照明度或高温带来的传感器噪声。

②瑞利噪声
瑞利噪声的概率密度函数（PDF）

a) 距离原点的位移是a
b) 函数曲线向右变形

③伽马（爱尔兰）噪声
伽马（爱尔兰）噪声的概率密度函数（PDF）

伽马噪声应用在激光成像中

④指数分布噪声
指数分布噪声的概率密度函数（PDF）

a) 指数分布是当 b=1时 爱尔兰分布的特殊情况;
b) 指数分布噪声在激光成像中有些应用

⑤均匀分布噪声
均匀分布噪声的概率密度函数（PDF）

均匀分布噪声在实践中描述较少，但均匀密度分布作为模拟随机数产生器的基础非常有用

⑥脉冲噪声（椒盐噪声）
脉冲噪声（椒盐噪声）的概率密度函数（PDF）

a) 如果 $P_a$ 或 $P_b$ 为零，则脉冲噪声称为 单极脉冲
b) 如果 $P_a$ 或 $P_b$ 均不为零，则脉冲噪声称为 双极脉冲噪声或椒盐噪声,在图像上表现为孤立的亮点或暗点
c) 脉冲噪声可以为正，也可为负。标定以后，脉冲噪声总是数字化为最大值（纯黑或纯白）（因为噪声强度一般比图像信号大）。对于一幅8比特图像，这通常意味着 a = 0(黑) 和 b = 255(白)
d) 通常，负脉冲以黑点（胡椒点）出现，正脉冲以白点（盐点）出现
e) 脉冲噪声表现在成像中的短暂停留中，例如，错误的开关操作

• 几种噪声的运用
  ① 高斯噪声用于描述源于电子电路噪声和由低照明度或高温带来的传感器噪声
  ② 瑞利噪声用于在图像范围内特征化噪声现象
  ③ 伽马分布和指数分布用于描述激光成像噪声
  ④ 均匀密度分布作为模拟随机数产生器的基础
  ⑤ 脉冲噪声用于描述成像中的短暂停留（如错误 的开关操作）

• 结论
  ① 上述噪声图像的直方图和它们的概率密度函数曲线对应相似;
  ② 前面5种噪声的图像并没有显著不同，椒盐噪声是唯一的视觉可区分的噪声模型;
  ③ 但它们的直方图具有明显的区别

---

2.3 周期噪声 P201 - P202

• 在图像获取中从电力或机电干扰中产生

• 是空间相关噪声

• 周期噪声可以通过频率域滤波显著减少
  

• 典型的周期噪声—正弦噪声
  

2.4 噪声参数的估计 P202 - P203

• 典型的周期噪声参数是通过检测图像的傅里叶谱来进行估计的
  ① 周期噪声趋向于产生频率尖峰，这些尖峰甚至通过视觉分析也经常可以检测到。
  ② 另一种方法是尽可能直接从图像中推断噪声分量的周期性，但这仅仅在非常简单的情况下才是可能的。
  当噪声尖峰格外显著或可以使用关于干扰的频率分量一般位置的某些知识时，自动分析是可能的。
  

  ③ 当仅有通过传感器生成的图像可用时，通常可由合理的恒定灰度值的一部分来估计 PDF 的参数
  计算小块图像的灰度值的均值和方差。考虑由S定义的一条子带(子图像)
  
  
  其中$z_i$值是像素的灰度值
  $p(z_i)$表示相应的归一化直方图

---

三、只存在噪声的复原 ---- 空间滤波 P203 - P211

当 唯一退化是噪声时，即退化系统
① 噪声项未知，不能从$g(x,y)$或$G(x,y)$减去噪声。（如果是周期噪声，也许可以）
② 可以选择 空间滤波方法 进行图像复原

图像复原的空间滤波器(总结)

• 均值滤波：算术均值滤波器、几何均值滤波器、谐波均值滤波器、逆谐波均值滤波器
• 统计排序滤波器：中值滤波器、最大值滤波器、最小值滤波器、中点滤波器、修正后的阿尔法均值滤波器
• 自适应滤波器：自适应局部噪声消除滤波器、自适应中值滤波器

---

3.1 均值滤波器 P203 - P205

• 算术均值滤波器
  

  ① $S_{xy}$表示中心在(x,y)，尺寸为m×n的矩形窗口
  ② 平滑了一幅图像的局部变化
  ③ 在 模糊了结果 的同时 减少了噪声
  ④ 善于处理高斯噪声等

• 几何均值滤波器
  

  ① $S_{xy}$表示中心在(x,y)，尺寸为m×n的矩形窗口
  ② 几何均值滤波器 所达到的平滑度可以与算术均值滤波器相比
  ③ 但几何均值滤波器在滤波过程中，与算术均值滤波器相比，会丢失更少的图像细节——相对锐化(细节保留更好)
  ④ 善于处理 高斯噪声等

• 谐波均值滤波器
  

  ① $S_{xy}$表示中心在(x,y)，尺寸为m×n的矩形窗口
  ② 谐波均值滤波器对于“盐”噪声效果好，但不适用于“胡椒”噪声
  ③ 善于处理 椒盐噪声等

• 逆谐波均值滤波器
  

  ① $S_{xy}$表示中心在(x,y)，尺寸为m×n的矩形窗口
  ② Q 称为滤波器的阶数。
  a) 当Q为正数时，用于消除“胡椒”噪声
  b) 当Q为负数时，用于消除“盐”噪声
  但不能同时消除“椒盐”噪声
  ③ 当 Q=0，逆谐波均值滤波器转变为 算术均值滤波器
  ④ 当 Q=-1，逆谐波均值滤波器转变为 谐波均值滤波器
  ⑤ 善于处理椒盐噪声等

• 总结
  ① 算术均值滤波器 和 几何均值滤波器 （尤其是后者）适合于处理 高斯或均匀等随机噪声
  ② 谐波均值滤波器 适合于处理 (单)脉冲噪声。谐波均值滤波器对于 盐粒噪声(灰度值超过灰度级最大值) 效果好，但不适合于 胡椒噪声(灰度值低于灰度级最小值)
  ③ 逆谐波均值滤波器更适合处理 (单)脉冲噪声。但存在一个缺点：必须事先知道噪声是 暗噪声(胡椒噪声) 还是 亮噪声(盐噪声)，以便于选择合适的Q符号

---

3.2 统计排序滤波器 P205 - P207

• 中值滤波器
  

在相同尺寸下，比起均值滤波器引起的模糊少
对 单极或双极脉冲噪声 非常有效
善于处理 椒盐噪声等

• 最大值滤波器
  

用于发现图像中的 最亮点 （保留）
可以 有效过滤“胡椒”噪声（因为“胡椒”噪声是非常低的值）
善于 处理椒盐噪声等

• 最小值滤波器
  

用于发现图像中的 最暗点 （保留）
可以 有效过滤“盐”噪声（因为“盐”噪声是非常高的值）
善于处理 椒盐噪声等

• 中点滤波器
  

结合了统计排序 和 求平均
对于 高斯 和 均匀随机分布这类噪声 有最好的效果

• 修正后的阿尔法均值滤波器
  

在 S x y S_{xy}