数字图像处理（第三版）学习笔记第五章

asdaasddsa

已于 2024-06-24 00:21:14 修改

阅读量667

点赞数 28

文章标签：学习笔记

于 2024-06-24 00:17:33 首次发布

本文链接：https://blog.csdn.net/zxsdss/article/details/139874234

版权

引言

图像复原技术的主要目的是以预先确定的目标来改善图像。图像增强是一个主观过程，图像复原大部分是一个客观过程。

一、过程模型

退化的过程被建模为一个退化函数和一个加性噪声项，对一幅输入图像f(x,y)进行处理，产生一幅退化后的图像g(x,y)。图像复原的目的就是获得原始图像的一个估计 $\hat{f}(x,y)$ 。下图为图像退化\复原过程的模型图。

二、噪声模型

噪声主要来源于图像的获取和传输过程。当噪声的傅里叶谱是常量时，噪声称为白噪声。

1.噪声概率密度函数

高斯噪声由于其在空间域和频率域中的易处理性，所以最常用这种噪声模型（正态噪声）。高斯随机变量z的概率密度函数（PDF）为 $p(z)=\frac{1}{\sqrt{2\pi } \sigma } e^{-(z-\bar{z})^2/2\sigma ^2}$ ，z为灰度值。

瑞利噪声，爱尔兰（伽马）噪声，指数噪声，均匀噪声，脉冲（椒盐）噪声。

周期噪声是在图像获取期间由电力或机电干扰产生的，属于空间相关的噪声，可以通过频率域滤波来减少。

2.参数估计

周期噪声的参数是通过检测图像的傅里叶谱来估计的。研究系统噪声特性的一种简单方法是获取一组“平坦”环境的图像。

三、空间滤波

1.均值滤波器

算术均值滤波器：在 $S_{xy}$ 定义的区域中计算被污染图像g(x,y)的平均值。其操作可以使用大小为m*n的空间滤波器实现，平滑一幅图像的局部变化，模糊了结果降低了噪声。

几何均值滤波器：复原的像素由子图像窗口中像素的乘积的1/mn次幂得出。其处理中丢失的图像细节更少。

谐波均值滤波器：对于盐粒噪声效果好，不适用于胡椒噪声。

逆谐波均值滤波器：适合减少或在实际中消除椒盐噪声的影响。表达式为：

$\hat{f}(x,y)=\frac{\sum_{(s,t)\subseteq S_{xy}}g(s,t)^{Q+1}}{\sum_{(s,t)\subseteq S_{xy}}g(s,t)^{Q}}$

其可以消除胡椒噪声和盐粒噪声，但不能同时消除。缺点在于使用时必须知道噪声为暗噪声还是亮噪声，以便于选取Q的符号。

2..统计排序滤波器

中值滤波器：使用一个像素邻域中的灰度值的中值来替代该像素的值。适用于去除单极或双极脉冲噪声。

最大值和最小值滤波器：使用序列中最后一个数值，叫做最大值滤波器；选择初始值的滤波器叫做最小值滤波器。最大值滤波器适用于发现图像中的最亮点，降低胡椒噪声；最小值滤波器适用于发现图像中的最暗点，降低盐粒噪声。

中点滤波器：计算滤波器包围区域中最大值和最小值之间的中点，其结合了统计排序和求平均，适用于高斯噪声或均匀噪声。

修正的阿尔法均值滤波器：在领域内去掉最低灰度值的d/2和最高灰度值的d/2，剩余像素的平均值形成的滤波器就是修正的阿尔法均值滤波器。d的取值将会影响到其的作用范围。

3.自适应滤波器

自适应滤波器的特性变化是以m*n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。其性能要优于讨论过的滤波器的性能。

自适应局部降低噪声滤波器：滤波器作用域局部区域，在该区域内的响应基于一下4个量：1.带噪图像在点(x,y)上的值 2.污染f(x,y)以形成g(x,y)的噪声的方差 3. $S_{xy}$ 中像素的局部均值 4. $S_{xy}$ 中像素的局部方差。

自适应中值滤波器：可以处理更大概率的脉冲噪声，可以在平滑非脉冲噪声时试图保留细节。它在滤波处理时会根据某些条件而改变 $S_{xy}$ 的尺寸。它的算法有三个目的为去除椒盐脉冲、平滑其他非脉冲噪声和减少物体边界细化或粗化等失真。

四、消除周期噪声

周期噪声可以使用频率域技术来进行分析和滤除，基本的概念是在傅里叶变换中，周期噪声在对应于周期干扰的频率处，以集中的能量脉冲形式出现。

带阻滤波器：主要应用在频率域噪声分量的一般位置近似已知的应用中消除噪声。

带通滤波器：执行的操作与带阻滤波器相反，主要在一幅图像中屏蔽选中频段导致的效果。

陷波滤波器：会阻止事先定义的中心频率的邻域内的频率。

最佳陷波滤波：先屏蔽干扰的主要成分，然后从被污染的图像中减去该模式的一个可变的加权部分。获得复原图像先计算w(x,y)，公式为： $w(x,y)=\frac{\overline {g(x,y) \eta (x,y)}-\bar{g}(x,y)\bar{\eta }(x,y)} {\bar{\eta ^2}(x,y)-\bar{\eta }^2 (x,y) }$ ，之后使用计算的到的w(x,y)通过公式： $\hat{f}(x,y)=g(x,y)-w(x,y)\eta (x,y)$ 即可得到复原图像。

五、线性、位置不变的退化

任何与常数相乘的输入的响应等于该输入响应乘以相同的常数，即一个线性算子具有加性和均匀性。如果 $H[f(x-\alpha ,y-\beta )]=g(x-\alpha ,y-\beta)$ ，那么输入/输出关系具有g(x,y)=H[f(x,y)]的算子叫做位置不变系统，即图像中任意一点处的响应只取决于该点的输入值，与该点的位置无关。

$h(x,\alpha ,y,\beta )=H[\delta (x-\alpha,y-\beta)]$ 为系统H的冲激响应，光学中冲激为一个广点，所以h也称为点扩散函数（PSF）。

线性系统理论核心的基础结果是第一类叠加（弗雷德霍姆）积分，它指出了线性系统H可以由其冲激响应来表征，其表达式为：

$g(x,y)=\int_{-\infty }^{\infty }\int_{-\infty }^{\infty }f(\alpha ,\beta )h(x,\alpha,y,\beta)d\alpha d\beta$

具有加性噪声的线性空间不变退化系统，可在空间域建模为退化（点扩散）函数与一幅图像的卷积，然后在加上噪声。

退化可以近似为线性、位置不变的过程。优点在于可以使用许多线性理论的工具来解决图像复原问题。用于复原处理的滤波器称为去卷积滤波器。

六、估计退化函数

主要有三种估计的方法，分别为观察法、试验法和数学建模法。使用以某种方式估计的退化函数来复原一幅图像的过程叫做盲目去卷积。

图像观察估计就是从图像本身来收集信息。

试验估计使用与获取退化图像的设备相似的装置，得到一个准确的退化估计。

建模估计是使用退化建模来解决图像复原的问题。模型可以考虑引起退化的环境条件，其次可以从基本原理开始推导一个数学模型。

七、滤波

1.逆滤波

逆滤波是最简单的复原方法，用退化函数除退化图像的傅里叶变换来计算原始图像傅里叶变换的估计。会有两种差的情况：1.知道退化函数也不能准备的复原未退化的图像 2.如果退化函数是零或很小的值，则N(u,v)/H(u,v)之比很容易支配估计值。

解决上述第二种问题的方法是限制滤波的频率，使其接近原点。

2.最小均方误差（维纳）滤波

这个方法综合了退化函数和噪声统计特征进行复原处理得的方法，建立在图像和噪声都是随机变量的基础之上目标是找到未污染图像的一个估计值。维纳滤波是一个复数量与其共轭的乘积等于该复数量幅度的平方。但是存在着未退化图像和噪声的功率谱必须是已知的。

3.约束最小方乘滤波

该方法仅要求噪声方差和均值的知识，但是需要假设噪声和图像灰度值不相关。这个方法是通过卷积将定义将g(x,y)表示为向量-矩阵的形式，将图像复原问题简化为简单的矩阵操作。

手工选择参数以取得更好的视觉效果时，约束最小二乘滤波的效果比维纳滤波更好。最佳复原但是视觉效果并不一定更好。

4.几何均值滤波

它是对于维纳滤波的推广，受其中 $\alpha$ 值和 $\beta$ 值的影响。

八、投影重建图像

重建原理：使用一束细的、平行的X射线从左到右扫描，假设物体吸收的射线束能量比背景吸收的射线束能量多，利用另一端的X射线吸收检测器带将产生所示的信号，这个一维信号就是有关物体的所有信息，之后沿着射线来的方向把一维信号反投射回去，即反投射法；接着把源-检测器对的位置旋转90°然后重复上述操作。

计算机断层（CT）的目的是使用X射线从许多不同的方向穿过物体而得到该物体内部结构的三维描述。雷登变换是投影重建的基石，投影和雷登变换的公式为：

$g(\rho ,\theta )=\int_{-\infty }^{\infty}\int_{-\infty }^{\infty}f(x,y)\delta (xcos\theta +ysin\theta -\rho )dxdy$

离散情况下雷登变换为：

$g(\rho ,\theta )=\sum_{x=0}^{M-1}\sum_{y=0}^{N-1}f(x,y)\delta (xcos\theta +ysin\theta -\rho )$

CT的关键目的是从投影得到物体的三维表示，方法是反投影每一个投影，然后对反投影求和产生一幅图像，堆积所有的结果产生三维图像的再现。

傅里叶切片定理的表达式为：

$G(\omega ,\theta )=[F(u,v)]_{u=\omega cos\theta;v=\omega sin\theta}=F(\omega cos\theta,\omega sin\theta)$

说明了一个投影的傅里叶变换是得到投影区域的二维傅里叶变换的一个切片。

使用平行射线束滤波反投影是为了解决直接使用反投影时会生成不可接受的模糊结果而出现的，它在计算反投影前对投影做简单的滤波。其步骤为：1.计算每一个投影的一维傅里叶变换 2.用滤波函数 $|\omega |$ 乘以每一个傅里叶变换，即乘一个合适的窗 3.得到每一个滤波后的变换的一维傅里叶变换 4.对3的所以一维反变换积分。平行射线成像几何的卷积反投影公式为：

$f(x,y)=\int_{0}^{\pi}[\int_{-\infty }^{\infty}g(\rho ,\theta )s(xcos\theta +ysin\theta -\rho)d\rho]d\theta$

扇形射线束滤波反投影：使用平行射线束的结果作为推导扇形射线几何公式的起点，以卷积为基础。扇形射线的卷积反投影公式为：

$f(r,\varphi )=\int_{0}^{2\pi}\frac{1}{R^2}[\int_{-a_m}^{a_m}q(\alpha ,\beta )h({\alpha}'-\alpha)d\alpha]d\beta$

扇形的重建公式包括 $1/R^2$ 项，它是与源的距离成反比的加权系数。上述式子的实现比较麻烦，因此可以使用1.把扇形射线几何转换为平行射线几何 2.使用平行射线重建方法。

总结

本章为我们介绍了常见的一些噪声概率密度函数并让我们了解到怎么取估计一个噪声的参数，可以通过合理的恒定灰度值的一部分来估计PDF参数，通过归一化直方图的形状来确定最近的PDF匹配。接着就是对于消除噪声方法的举例，首先是消除加性噪声，可以采用滤波器的方法来进行消除，其中自适应滤波器的消除噪声效果比较好并且还可以减少图像出现失真的现象；接着就是对于周期噪声的消除，使用了前面所提到过的频率域技术来进行滤除。接着就是对于图像复原技术的讲解，主要是通过滤波技术来进行图像的复原。后续主要讲解了投影重建在CT之中的使用，以及CT的基本原理。

asdaasddsa

关注

28
点赞
踩
31

收藏

觉得还不错? 一键收藏
0
评论
数字图像处理（第三版）学习笔记第五章

本章为我们介绍了常见的一些噪声概率密度函数并让我们了解到怎么取估计一个噪声的参数，可以通过合理的恒定灰度值的一部分来估计PDF参数，通过归一化直方图的形状来确定最近的PDF匹配。接着就是对于消除噪声方法的举例，首先是消除加性噪声，可以采用滤波器的方法来进行消除，其中自适应滤波器的消除噪声效果比较好并且还可以减少图像出现失真的现象；接着就是对于周期噪声的消除，使用了前面所提到过的频率域技术来进行滤除。接着就是对于图像复原技术的讲解，主要是通过滤波技术来进行图像的复原。
复制链接

扫一扫