第六部分图像复原1.pptVIP

退化仅由噪声造成 依靠视觉观察在频率域确定出脉冲分量的位置并在 该位置利用带阻滤波器消除 存在多个正弦分量：在频率域里对应每个亮点的位 置放1个带通滤波器H(u, v) 2、干扰模式的傅里叶变换 （H(u, v)仅允许通过与干扰模式相关的分量 ） 空域相对应的结构模式 从g(x, y)中减去加权的p(x, y) （其中w(x, y)称为权函数 ） 点(x, y)邻域的均值和方差（最小化） 设w(x, y)在邻域中基本是常数 能最小化? 2(x, y)的w(x, y) ： + Gaussian Noise Weighted Median Sliding Average Wiener Filter + Salt Pepper Weighted Median Sliding Average Wiener Filter + Speckle Noise Weighted Median Sliding Average Wiener Filter * 空间域去噪复原 均值滤波器 算术均值滤波器 几何均值滤波器 谐滤均值滤波器 逆谐滤均值滤波器 * 算术均值滤波器 几何均值滤波器 去除加性噪声几何均值滤波器可更好的保持边沿、保留更多的细节 * 逆谐滤均值滤波器 谐滤均值滤波器 谐滤均值滤波器可去除盐噪声，白高斯噪声，但不能去除椒噪声。 逆谐滤均值滤波器，当Q0时，可去除椒噪声，Q0时可去除盐噪声但不能同时去除椒和盐两种噪声。 当Q＝0时，退化为均值滤波器 当Q＝－1时，退化为谐滤均值滤波器 * * 顺序统计滤波器 中值滤波器 最大值和最小值滤波器 中点滤波器 阿尔法修正均值滤波器 * 中值滤波器 * 最大值和最小值滤波器 * 阿尔法修正均值滤波器 * 自适应滤波器 噪声图像 噪声方差, 局部方差 局部均值, 去噪的同时可以更好的保留边缘 分析： 当 ，不处理 当 ，此处为边缘，保留 自适应均值滤波 * 自适应均值滤波 * 自适应中值滤波器 中最小值 中最大值 中的中值 处的值 允许的最大尺寸 自适应中值滤波方法：A层、B层 A层： ？ 成立则转到B层 B层： ？ 成立则输出 否则输出 否则增大窗口尺寸，若尺寸 则重复A,否则输出 分析： 当 不是噪声时，保留 中最小值 中最大值 中的中值 处的值 允许的最大尺寸 自适应中值滤波方法：A层、B层 A层： ？ 成立则转到B层 B层： ？ 成立则输出 否则输出 否则增大窗口尺寸，若尺寸 则重复A,否则输出 分析： 当 不是噪声时，保留 自适应中值滤波器 * 自适应中值滤波器 * 频率域削减周期噪声 * 带阻滤波器 W带宽， 半径中心. * 带阻滤波器实验结果 * 带通滤波器 * 陷波(带阻）滤波器 滤波半径 陷波带通滤波器 * 例 clear X=imread(boat.gif); figure; imshow(uint8(X)); Y1=double(imnoise(X,gaussian,0,0.01)); figure; imshow(uint8(Y1)); m = 7; n = 7; lof=ones(m,n); sumvalue=sum(sum(lof)); lof=lof/sumvalue; m1 = (m-1)/2; n1 = (n-1)/2; X1 = [fliplr(Y1(:,1:n1)),Y1,fliplr(Y1(:,end-n1+1:end))]; X2 = [flipud(X1(1:m1,:));X1;flipud(X1(end-m1+1:end,:))]; [M,N]=size(X); for i = 1:M for j=1:N X3(i,j) = sum(sum(X2(i:i+m-1,j:j+n-1).*lof)); end end 均值滤波 clear X=imread(boat.gif); figure; imshow(uint