图像增强与图像复原:
图像增强是一个主观过程,图像复原是利用先验知识来复原被退化的图像,是面向退化模型,之后采用相反的过程,恢复出原本的图像。本次教程根据所学知识分为以下三节
图像退化/复原过程的模型
可以简单的理解退化过程就是一个退化函数与一个加性噪声项,对原图像进行处理,产生退化图像的过程。
假设输入图像
f
(
x
,
y
)
f(x,y)
f(x,y),退化后的图像为
h
(
x
,
y
)
h(x,y)
h(x,y),退化函数H和加性噪声项
η
(
x
,
y
)
\eta(x,y)
η(x,y).
- 空间域中,假设H是一个线性的、位置不变的过程 g ( x , y ) = h ( x , y ) ⋆ f ( x , y ) + η ( x , y ) g(x,y)=h(x,y)\star f(x,y)+\eta(x,y) g(x,y)=h(x,y)⋆f(x,y)+η(x,y)
- 频域中 G ( u , v ) = H ( u , v ) F ( u , v ) + N ( u , v ) G(u,v)=H(u,v)F(u,v)+N(u,v) G(u,v)=H(u,v)F(u,v)+N(u,v)
噪声模型
数字图像中,噪声的来源主要是图像的采集或传输的过程中。
噪声的空间和频率特性
频率特性:傅里叶域中的噪声频率内容,例如当噪声的傅里叶谱是一个常数时,我们称其为白噪声。
高斯噪声
高斯噪声的概率密度函数(PDF) p ( z ) = 1 2 π σ e − ( z − z ‾ ) 2 / 2 σ 2 p(z)=\frac{1}{\sqrt{2\pi}\sigma}e^{-(z-\overline{z})^2}/2\sigma^2 p(z)=2πσ1e−(z−z)2/2σ2