《数字图像处理》课件_第10章.pptx

第10章图像复原;

10.1图像退化与复原;

10.1.1图像降质的数学模型

图像复原处理的关键问题在于建立退化模型。输入图像f(x,y)经过某个退化系统后的输出是一幅退化了的图像。为了讨论方便,把噪声引起的退化即噪声对图像的影响一般作为加性噪声考虑,这与许多实际应用情况一致。如图像数字化时的量化噪声、随机噪声等就可以作为加性噪声。;

原始图像f(x,y)经过一个退化算子或退化系统H(x,y)的作用,并且和噪声n(x,y)进行叠加,形成退化后的图像g(x,y)。图10-1表示退化过程输入和输出的关系。图中H(x,y)概括了退化系统的物理过程,就是所要寻找的退化数学模型。;

数字图像的图像恢复问题可看为根据退化图像g(x,y)和退化算子H(x,y)的形式,沿着反向过程去求解原始图像f(x,y),或者说是逆向地寻找原始图像的最佳近似估计。图像退化的模型过程可以用数学表达式写成如下的形式:

式中:n(x,y)为噪声,是一种统计性质的信息。;

下面介绍连续图像退化的数学模型。;

1.线性;

2.空间不变性;

;

10.1.2离散图像退化的数学模型

1.一维离散退化模型

设f(x)为具有A个采样值的离散输入函数,h(x)为具有B个采样值的退化系统的冲激响应函数,则经退化系统后的离散输出函数g(x)为输入f(x)和冲激响应h(x)的卷积,即;

;

;

2.二维离散模型

设输入的数字图像f(x,y)大小为A×B,点扩展函数h(x,y)被均匀采样为C×D大小。为避免交迭误差,仍用添零扩展的方法,将它们扩展成M=A+C-1和N=B+D-1个元素的周期函数,即;

则输出的降质数字图像为

式(10-18)的二维离散退化模型同样可以用式(10-16)所示的矩阵形式表示,即

式中:g、f为MN×1维列向量;H为MN×MN维矩阵。;

;

10.2非约束复原;

;

10.2.2非约束图像复原的病态性质

实际上,为了避免H(u,v)值太小,一种改进方法是在H(u,v)=0的那些频谱点及其附近,人为地设置H-1(u,v)的值,使得在这些频谱点附近N(u,v)/H(u,v)不会对f∧(u,v)产生太大的影响。图10-2给出了H(u,v)、H-1(u,v)应用这种改进的滤波特性或恢复转移函数的一维波形,从中可以看出它与正常滤波的差别。

;

;

另一种改进是考虑到退化系统的传递函数H(u,v)带宽比噪声的带宽要窄得多,其频率特性具有低通性质,取恢复转移函数M(u,v)为

式中:ω0为截止频率,选取原则是能将H(u,v)为零的点除去。该方法的缺点是复原后图像的振铃效果较明显。H(u,v)和恢复转换移函数M(u,v)如图10-3所示,逆滤波复原结果如图10-4所示。;

;

;

;

;

10.3.1维纳滤波;

;

;

;

;

10.3.2约束最小平方滤波

约束最小平方复原是一种以平滑度为基础的图像复原方法。如前所述,在进行图像恢复计算时,由于退化算子矩阵H[·]的病态性质,多数解在零点附近数值起伏过大,使得复原后的图像产生了多余的噪声和边缘。它仍然以最小二乘法滤波复原公式(10-33)为基础,通过选择合理的Q,并优化‖Qf‖2,从而去掉被恢复图像的尖锐部分,即增加图像的平滑性。;

我们知道,图像增强的拉普拉斯算子具有突出边缘的作用,而则恢复了图像的平滑性。所以,约束最小平方滤波将其作为约束条件,其关键是将其表示成‖Qf‖2的形式,以便能够用式(10-33)计算。;

10.4非线性复原方法;

10.4.1最大后验复原;

10.4.2最大熵复原

最大熵复原方法通过最大化某种反映图像平滑性的准则函数来作为约束条件,以解决图像复原中反向滤波法存在的病态问题。

熵的定义为

式中:P(x)为随机变量x的概率密度。;

对于离散信号,熵的定义为

熵是表征随机变量集合的随机程度的量度。当所有随机变量等可能性,也就是说P1=P2=…=Pm时,熵最大,且为

H=lnM。由于概率P(k)值为0~1,因此最大熵的范围在0~lnM之间,H不可能出现负值。;

在二维数字图像中,熵的定义为;

;

恢复就是在满足式(10-41)和图像退化模型的约束条件下,使恢复后的图像熵和噪声熵达到最大。熵通常取决于f的形状,当图像具有均匀的灰度时最大。因此用最大熵恢复图像具有某种平滑性。