小波与傅里叶分析基础图像处理电子书.pptx

《小波与傅里叶分析基础图像处理电子书.pptx》由会员分享，可在线阅读，更多相关《小波与傅里叶分析基础图像处理电子书.pptx（69页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、5.1 5.1 基本概念基本概念5.1.1 图像退化一般模型 5.1.2 成像系统的基本定义 5.1.3 连续函数的退化模型 5.1.4 离散函数的退化模型第1页/共69页5.1.1 5.1.1 图像退化一般模型图像退化一般模型图像恢复处理的关键问题在于建立退化模型。在缺乏足够的先验知识的情况下，可利用已有的知识和经验对模糊或噪声等退化过程进行数学模型的建立及描述，并针对此退化过程的数学模型进行图像复原。图像退化过程的先验知识在图像复原技术中起着重要作用。在滤波器设计时，就相当于寻求点扩展函数。点扩展函数是成像系统的脉冲响应。其物理概念为：物点经成像系统后不再是一点，而是一个弥散的同心圆。如果

2、成像系统是一个空间不变系统，则物平面的点光源在物场中移动时，点光源的像只改变其位置而并不改变其函数形式，可以利用同一函数形式处理图像平面中的每一个点。第2页/共69页5.1.1 5.1.1 图像退化一般模型图像退化一般模型退化过程被模型化为一个系统(或算子)H，原始图像f(x，y)在经过该系统退化作用后与一个加性噪声n(x，y)相叠加而产生出最终的退化图像g(x，y)可用数学表达式表示为：f(x,y)Hn(x,y)g(x,y)图5-1 图像退化的一般过程（5-1）第3页/共69页5.1.2 5.1.2 成像系统的基本定义成像系统的基本定义 在信号处理领域中，常常提及线性移不变系统（或线性空间不

3、变系统），线性移不变系统有许多重要的性质，合理地利用这些性质将有利于我们对问题的处理。第4页/共69页线性移不变系统的定义：如果输入信号为f1(x,y),f2(x,y)，对应的输出信号为g1(x,y),g2(x,y)，通过系统后有下式成立：那么，系统H是个线性系统。其中k1,k2为常数，如果k1=k2=1，则 如果H为线性系统，那么，两个输入之和的响应等于两个响应之和。显然，线性系统的特性为求解多个激励情况下的输出响应带来很大方便。第5页/共69页5.1.2 5.1.2 成像系统的基本定义成像系统的基本定义如果一个系统的参数不随时间变化，称为时不变系统或非时变系统。否则，就称该系统为时变系统。

4、对于二维函数来说，如果 则H是移不变系统(或称为位置不变系统，或称空间不变系统)，式中的和分别是空间位置的位移量。说明：系统的输入在x与y 方向上分别移动了和，系统输出对于输入的关系仍然未变，移动后图像中任一点通过该系统的响应只取决于在该点的输入值，而与该点的位置无关。第6页/共69页5.1.2 5.1.2 成像系统的基本定义成像系统的基本定义在图像复原处理中，往往用线性和空间不变性的系统模型加以近似。这种近似的优点是使线性系统理论中的许多理论可直接用于解决图像复原问题。图像复原处理特别是数字图像复原处理主要采用的是线性的、空间不变的复原技术。第7页/共69页5.1.3 5.1.3 连续函数的

5、退化模型连续函数的退化模型 一幅连续的输入图像f(x,y)可以看作是由一系列点源组成的。因此，f(x,y)可以通过点源函数的卷积来表示。即在不考虑噪声的一般情况下，连续图像经过退化系统H后的输出为 第8页/共69页5.1.3 5.1.3 连续函数的退化模型连续函数的退化模型 把式（5-5）代入到式（5-6）可知，输出函数对于非线性或者空间变化系统，要从上式求出f(x,y)是非常困难的。为了使求解具有实际意义，现在只考虑线性和空间不变系统的图像退化。第9页/共69页对于线性空间不变系统，输入图像经退化后的输出显然有：其中 称为该退化系统的点扩展函数，或叫系统的冲激响应函数。它表示系统对坐标为 处

6、的冲激函数 的响应。式（5-8）表明，只要已知系统对冲激函数的响应，那么就可以非常清楚地知道退化图像是如何形成的。第10页/共69页5.1.3 5.1.3 连续函数的退化模型连续函数的退化模型当冲激响应函数已知时，从f(x,y)得到g(x,y)非常容易，但从g(x,y)恢复得到f(x,y)却仍然是件不容易的事。在这种情况下，退化系统的输出就是输入图像信号与该系统冲激响应的卷积：事实上，图像退化除成像系统本身的因素之外，还要受到噪声的污染，如果假定噪声n(x,y)为加性白噪声，这时式（5-9）可以写成：第11页/共69页5.1.3 5.1.3 连续函数的退化模型连续函数的退化模型式（5-10）是

7、连续函数的退化模型。图像复原实际上就是已知 的情况下，从（5-10）式求 的问题。进行图像复原的关键问题是寻求降质系统在空间域上冲激响应函数 。第12页/共69页5.1.4 5.1.4 离散函数的退化模型离散函数的退化模型为方便计算机对退化图像进行恢复，必须对式(5-10)中的退化图像、退化系统的点扩展函数、要恢复的输入图像进行均匀采样离散化。因此，需要将连续函数模型转化并引申出离散的退化模型。为便于讲解，先考虑一维情况，然后再推广到二维离散图像的退化模型。第13页/共69页5.1.4 5.1.4 离散函数的退化模型离散函数的退化模型1.一维离散情况退化模型 为使讨论简化，暂不考虑噪声存在。设

8、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，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：分别对f(x)和h(x)用添零延伸的方法扩展成周期MA+B-1的周期函数，即第14页/共69页5.1.4 5.1.4 离散函数的退化模型离散函数的退化模型第15页/共69页5.1.4 5.1.4 离散函数的退化模型离散函数的退化模型第16页/共69页5.1.4 5.1.4 离散函数的退化模型离散函数的退化模型代入到式(5-15)，因此MM阶矩阵H可写为:式中都是M维列向量，H是MM阶矩阵，矩阵中的每一行元素均相同，只是每行以循环方式右

9、移一位，因此矩阵H是循环矩阵。可以证明：循环矩阵相加还是循环矩阵，循环矩阵相乘还是循环矩阵。第17页/共69页5.1.4 5.1.4 离散函数的退化模型离散函数的退化模型2二维离散模型第18页/共69页5.1.4 5.1.4 离散函数的退化模型离散函数的退化模型则输出的降质数字图像为：式中x=0,1,2,M-1;y=0,1,2,N-1。式(5-19)的二维离散退化模型同样可以采用矩阵表示形式：第19页/共69页5.1.4 5.1.4 离散函数的退化模型离散函数的退化模型 式中g,f是MN1维列向量，H是MNMN维矩阵。其方法是将g(x,y)和f(x,y)中的元素堆积起来排成列向量。第20页/共

10、69页5.1.4 5.1.4 离散函数的退化模型离散函数的退化模型 如果考虑到噪声的影响，一个更加完整的离散图像退化模型可以写成如下形式：上述离散退化模型是在线性空间不变的前提下得出的。目的是在给定g(x,y)，并且知道退化系统的点扩展函数h(x,y)和噪声分布n(x,y)的情况下，估计出没退化前的原始图像f(x,y)。这种退化模型已为许多恢复方法所采用，并有良好的复原效果。在实际应用，要想从式(5-26)得出，其计算工作是十分困难的。为了解决这样的问题，必须利用循环矩阵的性质，来简化运算得到可以实现的方法。第21页/共69页5.2 5.2 非约束复原非约束复原5.2.1 非约束复原的代数方法

11、5.2.2 逆滤波器方法第22页/共69页5.2.1 5.2.1 非约束复原的代数方法非约束复原的代数方法图像复原的主要目的是在假设具备退化图像g及H和n的某些知识的前提下，估计出原始图像f的估计值，估计值应使准则为最优（常用最小）。如果仅仅要求某种优化准则为最小，不考虑其它任何条件约束，这种复原方法为非约束复原方法。代数复原方法的中心是寻找一个估计，使事先确定的某种优化准则为最小。如果退化模型是式(5-26)的形式，就可以用线性代数中的理论解决图像复原问题。我们可以选择最小二乘方作为优化准则的基础。第23页/共69页5.2.1 5.2.1 非约束复原的代数方法非约束复原的代数方法 在并不了解

12、噪声项n的情况下，希望找到一个f，使得对在最小乘方意义上来说近似于g，也就是说，希望找到一个f，使得：第24页/共69页5.2.1 5.2.1 非约束复原的代数方法非约束复原的代数方法 实际上是求的极小值问题。求式(5-30)的极小值方法可以采用一般的求极值的方法进行处理。第25页/共69页5.2.2 5.2.2 逆滤波器方法逆滤波器方法逆滤波复原法也叫做反向滤波法，其主要过程是首先将要处理的数字图像从空间域转换到傅立叶频率域中，进行反向滤波后再由频率域转回到空间域，从而得到复原的图像信号。基本原理如下。如果退化图像为g(x，y)，原始图像为f(x,y)，在不考虑噪声的情况下，其退化模型用（5

13、-8）式表示，现将其重写如下：第26页/共69页5.2.2 5.2.2 逆滤波器方法逆滤波器方法逆滤波法复原的基本原理：H(u,v)可以理解为成像系统的“滤波”传递函数，在频域中系统的传递函数与原图像信号相乘实现“正向滤波”，这里,G(u,v)除以H(u,v)起到了“反向滤波”的作用，这意味着，如果已知退化图像的傅立叶变换和“滤波”传递函数，则可以求得原始图像的傅立叶变换，经反傅立叶变换就可求得原始图像f(x，y)。第27页/共69页5.2.2 5.2.2 逆滤波器方法逆滤波器方法F(x,y)H(u,v)M(u,v)N(u,v)G(u,v)图5-2 实际的逆滤波处理框图 图5-2的模型包括了退

14、化和恢复运算。退化和恢复总的传递函数可用H(u,v)M(u,v)来表示。H(u,v)叫做输入传递函数，M(u,v)叫做处理传递函数，H(u,v)M(u,v)叫做输出传递函数。一般情况下，将图像的退化过程视为一个具有一定带宽的带通滤波器，随着频率的升高，该滤波器的带通特性很快下降，即H(u,v)的幅度随着离u，v平面原点的距离的增加而迅速下降，而噪声项N(u，v)的幅度变化是比较平缓的。在远离u,v平面的原点时，N(u，v)H(u,v)的值就会变得很大，而对于大多数图像来说，F(u,v)却变小，在这种情况下，噪声反而占优势，自然无法满意地恢复出原始图像。这一规律说明，应用逆滤波时仅在原点邻城内采

15、用1H(u,v)方能奏效。第28页/共69页5.3 5.3 有约束复原有约束复原5.3.1 有约束的最小二乘方图像复原 5.3.2 维纳滤波方法 5.3.3 有约束最小平方滤波 5.3.4 去除由匀速运动引起的模糊第29页/共69页5.3.1 5.3.1 有约束的最小二乘方图像复原有约束的最小二乘方图像复原有约束图像复原技术是指除了要求了解关于退化系统的传递函数之外，还需要知道某些噪声的统计特性或噪声与图像的某些相关情况。根据所了解的噪声的先验知识的不同，采用不同的约束条件，从而得到不同的图像复原技术。最常见的是有约束的最小二乘方图像复原技术。在最小二乘方复原处理中，有时为了在数学上更容易处理

16、，常常附加某种约束条件。例如，可以令Q为f的线性算子，那么，最小二乘方复原问题可看成是使形式为|Qf|2的函数，服从约束条件 的最小化问题。第30页/共69页5.3.1 5.3.1 有约束的最小二乘方图像复原有约束的最小二乘方图像复原 为最小。式中为一常数，是拉格朗日系数。加上约束条件后，就可以按一般求极小值的方法进行求解。第31页/共69页5.3.1 5.3.1 有约束的最小二乘方图像复原有约束的最小二乘方图像复原第32页/共69页5.3.1 5.3.1 有约束的最小二乘方图像复原有约束的最小二乘方图像复原 式中 1/必须调整到约束条件被满足为止。求解式(5-45)的核心就是如何选用一个合适

17、的变换矩阵Q。选择Q形式不同，就可得到不同类型的有约束的最小二乘方图像复原方法。如果选用图像f和噪声n的相关矩阵Rf和Rn表示Q就可以得到维纳滤波复原方法。如选用拉普拉斯算子形式，即使某个函数的二阶导数最小，就可推导出有约束最小平方恢复方法。第33页/共69页5.3.2 5.3.2 维纳滤波方法维纳滤波方法维纳滤波是假设图像信号可近似看成为平稳随机过程的前提下，按照使原图像和估计图像之间的均方误差达到最小的准则函数来实现图像复原的。从式(5-44)出发，将式(5-44)重写如下：其中Rf和Rn分别是图像f和噪声n的相关矩阵，因为图像f和噪声n的每个元素值都是实数，所以Rf和Rn都是实对称矩阵。

18、第34页/共69页5.3.2 5.3.2 维纳滤波方法维纳滤波方法在大部分图像中，邻近的像素点是高度相关的，而距离较远的像素其相关性却较弱。由此，典型的图像自相关函数通常随着与原点距离的增加而下降。图像的功率谱随着频率的升高而下降。也就是典型的相关矩阵只在主对角线方向上有一条非零元素带，而在右上角和左下角的区域将为零值。像素的相关性只是它们相互距离而不是位置函数的性质，可将Rf和Rn都用块循环矩阵表达。设W为变换矩阵，A和B分别对应于Rf和Rn相应的对角矩阵，根据循环矩阵对角化的性质可知，A和B中的诸元素分别为Rf和Rn中诸元素的傅立叶变换，并用Sf(u,v)和Sn(u,v)表示。第35页/共

19、69页5.3.2 5.3.2 维纳滤波方法维纳滤波方法把式(5-49)代人到式(5-45)，并考虑到H也是循环矩阵，也可以对角化，即可以写成：HWDW1，代入式(5-46)，可得：第36页/共69页5.3.3 5.3.3 有约束最小平方滤波有约束最小平方滤波维纳滤波的最优准则是以图像和噪声的相关矩阵为基础的，所得到的结果是对一族图像在平均的意义上是最佳的，同时要求图像和噪声都属于随机场，并且它的频谱密度是已知的。在实际情况下，人们往往没有这一方面的先验知识，一般很难得到，除非采取适当的功率谱模型。有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。在用该方法复原过程中，对每个给定的图像都是最

20、佳的。它只需要知道有关噪声的均值和方差的先验知识就可对每个给定的图像得到最优结果。第37页/共69页5.3.3 5.3.3 有约束最小平方滤波有约束最小平方滤波有约束最小平方复原仍然是以最小二乘方滤波复原式(5-45)为基础的，关键是如何选择合适的变换矩阵Q。下面先从一维情况进行讨论，然后扩展到二维。如给定一维离散函数f(x)，该函数在某一点x处的二阶导数可近似表示为：第38页/共69页5.3.3 5.3.3 有约束最小平方滤波有约束最小平方滤波矩阵C称为平滑矩阵，f为图像向量。对于二维情况f(x,y)在(x,y)处的二阶导数可用下式近似：第39页/共69页5.3.3 5.3.3 有约束最小平

21、方滤波有约束最小平方滤波与有约束的最小二乘方图像复原准则函数式(5-43)及复原函数式(5-45)进行比较，可以理解式(5-43)中的变换矩阵Q相当于约束最小平方复原的最佳准则中的平滑矩阵C，由此可得：第40页/共69页5.3.3 5.3.3 有约束最小平方滤波有约束最小平方滤波对应于每一个元素(当M=N)可表示成：上式u=0,1,2,N-1;v=0,1,2,N-1。是一个调节参数，当调节 满足 时，式（5-69）才能达到最优。第41页/共69页5.3.3 5.3.3 有约束最小平方滤波有约束最小平方滤波上述介绍的图像复原是假设退化系统是空间不变，信号和噪声是平稳的条件下得到的，对于随空间改变

22、的模糊、时变模糊，以及非平稳信号与噪声的系统引起的模糊，其精确的图像复原方法要复杂很多。第42页/共69页5.3.4 5.3.4 去除由匀速运动引起的模糊去除由匀速运动引起的模糊在获取图像过程中，由于景物和摄像机之间的相对运动，往往造成图像的模糊。其中由均匀直线运动所造成的模糊图像的恢复问题更具有一般性和普遍意义。因为变速的、非直线的运动在某些条件下可以看成是均匀的、直线运动的合成结果。由目标物或摄像机相对运动造成图像模糊的模型。设图像f(x,y)有一个平面运动，令x0(t)和y0(t)分别为在x和y方向上运动的变化分量。t表示运动的时间。记录介质的总曝光量是在快门打开到关闭这段时间的积分。则

23、模糊后的图像为：第43页/共69页5.3.4 5.3.4 去除由匀速运动引起的模糊去除由匀速运动引起的模糊第44页/共69页5.3.4 5.3.4 去除由匀速运动引起的模糊去除由匀速运动引起的模糊若x(t)，y(t)的性质已知，传递函数可直接由式（5-73）求出，因此，f(x,y)可以恢复出来。下面直接给出沿水平方向和垂直方向匀速运动造成的图像模糊的模型及其恢复的近似表达式。由水平方向均匀直线运动造成的图像模糊的模型及其恢复用以下两式表示：第45页/共69页5.3.4 5.3.4 去除由匀速运动引起的模糊去除由匀速运动引起的模糊由垂直方向均匀直线运动造成的图像模糊模型及恢复用以下两式表示：第4

24、6页/共69页5.4 5.4 非线性复原方法非线性复原方法5.4.1 最大后验复原 5.4.2 最大熵复原 5.4.3 投影复原方法第47页/共69页5.4 5.4 非线性复原方法非线性复原方法前面两节介绍的还原方法有一个显著的特点：约束方程和准则函数中的表达式都可改写为矩阵乘法、这些矩阵都是分块循环阵，从而可实现对角化。下面两节介绍的方法则都属于非线性复原方法。所采用的准则函数都不能用W进行对角化。因而线性代数的方法在这里是不适用的。第48页/共69页5.4.1 5.4.1 最大后验复原最大后验复原设f(x,y)和g(x,y)都作为随机场、根据贝叶斯判决理论可知，若f(x,y)使下式最大,即

25、求：图像g(x,y)时，最大后验估值意义下对原图像的估计。根据这一准则导出的滤波复原方法称为最大后验复原。在最大后验复原中，将f,g看为非平稳随机场，通过假设图像模型是一个平稳随机场对一个不平稳的均值作零均值Gauss起伏，可得出求解迭代序列：第49页/共69页5.4.2 5.4.2 最大熵复原最大熵复原由于反向滤波法的病态性，复原出的图像经常具有灰度变换较大的不均匀区域。下面介绍另一种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，以解决图像复原中的病态的方法。首先我们假定图像函数具有非负值，即：第50页/共69页5.4.2 5.4.2 最大熵复原最大熵复原其中B为最小的噪声绝对值。可

26、以利用图像熵和噪声熵来刻划图像的平滑性或均匀性。如何在满足式（5-85）和图像退化模型的约束条件下使复原后的图像熵和噪声熵最大。引入如下的拉格朗日函数：式中mn(m,n=1,2,N)和是拉格朗日乘子，是加权因子。用于强调Hf和Hn之间的相互作用关系。第51页/共69页5.4.2 5.4.2 最大熵复原最大熵复原第52页/共69页5.4.2 5.4.2 最大熵复原最大熵复原使用迭代方法在一定的条件下总能得到上述方程组的解，从而获得复原后的图像，这种方法称为最大熵复原方法。它还有其他变化形式，例如定义不同形式的熵可获得不同的复原方法。最大熵复原方法隐含了正值约束条件，使复原后的图像比较平滑，这种复

27、原方法的效果比较理想，但缺点是计算量太大。第53页/共69页5.4.3 5.4.3 投影复原方法投影复原方法无论线性或非线性变质系统，都可以用一代数方程组来描述：其中f(x,y)是原景物图像；g(x,y)是变质图像；n(x,y)是系统噪声；D是变质算子，表示对景物进行某种运算。图像复原的目的是解（5-90）式方程，找出f(x,y)的最好估值。非线性代数复原方法中一个有效方法是迭代法，投影复原方法就是迭代法之一。第54页/共69页5.4.3 5.4.3 投影复原方法投影复原方法所谓迭代法是首先假设一个初始估值f(0)(x，y)，然后进行迭代运算。第k1次迭代值 f(k1)(x，y)由其前次迭代值

28、f(k)(x，y)决定。一个最好的初始估值可能是 其中f和g分别是景物f（x，y）和退化图像g（x，y）的采样。ij为常数。对f（x，y）和g（x，y）的采样数目分别为M和N，现在需要找到f的最好估值。采用投影迭代法实现。第55页/共69页5.4.3 5.4.3 投影复原方法投影复原方法投影复原方法可以从几何学观点进行解释。f=f1，f2，fn可看成在N维空间中的一个向量或一点，而（5-89）式中的每一个方程式代表一个超平面。我们选取初始估值为那么下一个推测值f(1)取f(0)在第一个超平面：其中1=11，12，1N，式中的圆点代表向量的点积。然后类似于式(5-95)，我们再取f(2)在第二超

29、平面：第56页/共69页5.4.3 5.4.3 投影复原方法投影复原方法 上的投影，直到（5-92）中最后一个方程式，这就实现了第二个选代循环。接着上述方法连续不断地迭代下去，便可得一系列向量f(0)，f(M)，f(2M)，可以证明，对于任何给定的N，M和ij，向量f(KM)将收敛于f，即而且，如果(5-92)式有唯一解，那么f就是这个解。如果(5-92)式有无穷多个解，那么f是使下式取最小值的解由上可见，投影迭代法要求有一个好的初始估值f(0)开始迭代，才能获得好的结果。第57页/共69页5.5 5.5 几种其他图像复原技术几种其他图像复原技术5.5.1 几何畸变校正5.5.2 盲目图像复原

30、第58页/共69页5.5.1 5.5.1 几何畸变校正几何畸变校正在图像的获取或显示过程中往往会产生几何失真。这主要是由于摄像管摄像机及阴极射线管显示器的扫描偏转系统有一定的非线性，因此会造成如图5.4所示的枕形失真或桶形失真。图(a)为原始图像，图(b)和图(c)为失真图像。第59页/共69页5.5.1 5.5.1 几何畸变校正几何畸变校正斜视角度获得的图像的透视失真。由于地球表面呈球形，摄取的平面图像也将会有较大的几何失真。对于这些图像必须加以校正，以免影响分析精度。由成像系统引起的几何畸变的校正有两种方法:一种是预畸变法，采用与畸变相反的非线性扫描偏转法，用来抵消预计的图像畸变；另一种是

31、后验校正方法。用多项式曲线在水平和垂直方向去拟合每一畸变的网线，然后求得反变化的校正函数。用这个校正函数即可校正畸变的图像。第60页/共69页5.5.1 5.5.1 几何畸变校正几何畸变校正图像的空间几何畸变及其校正过程示意图：第61页/共69页5.5.1 5.5.1 几何畸变校正几何畸变校正任意几何失真都可由非失真坐标系(x,y)变换到失真坐标系的方程来定义。方程的一般形式为：设f(x,y)是无失真的原始图像，而g(x,y)是f(x,y)畸变的结果，这一失真的过程是已知的，并且用函数h1和h2定义。于是有：第62页/共69页5.5.1 5.5.1 几何畸变校正几何畸变校正在图像中本来应该出现

32、在像素(x,y)上的灰度值由于失真实际上却出现在(x,y)上了。这种失真的复原问题实际上是映射变换问题。在给定了g(x,y),h1(x,y),h2(x,v)的情况下，其复原处理可如下进行：第63页/共69页5.5.1 5.5.1 几何畸变校正几何畸变校正 f(x,y)中点(x0,y0)的灰度值由g(x,y)中4个点的灰度值间的某种内插法来确定。在以上方法的几何校正处理中，如果得出的点处在图像g(x,y)之外，则不能确定其灰度值，而且校正后的图像多半不能保持其原来的矩形形状。以上讨论的是g,h1,h2都知道的情况下几何畸变的校正方法。如果只知道g，而h1和h2都不知道，但是若有类似规则的网格之类

33、的图案可供参考利用，那么就有可能通过测量g中的网格点的位置来决定失真变换的近似值。第64页/共69页5.5.2 5.5.2 盲目图像复原盲目图像复原多数的图像复原技术都是以图像退化的某种先验知识为基础，也就是假定系统的脉冲响应是已知的,即成像系统的点扩散函数已知。但在许多情况下难以确定退化的点扩散函数。在这种情况下，必须从观察图像中以某种方式抽出退化信息，从而找出图像复原方法。这种方法就是所谓的盲目图像复原。对具有加性噪声的模糊图像作盲目图像复原的方法有两种：直接测量法和间接估计法。第65页/共69页5.5.2 5.5.2 盲目图像复原盲目图像复原直接测量法通常要测量图像的模糊脉冲响应和噪声功

34、率谱或协方差函数。在所观察的景物中，往往点光源能直接指示出冲激响应。另外，图像边缘是否陡峭也能用来推测模糊冲激响应。在背景亮度相对恒定的区域内测量图像的协方差可以估计出观测图像的噪声协方差函数。间接估计法盲目图像复原类似于多图像平均法处理。如在电视系统中，观测到的第i帧图像为 式中是fi(x,y)原始图像，gi(x,y)是含有噪声的图像，ni(x,y)是加性噪声。如果原始图像在M帧观测图像内保持恒定，对M帧观测图像求和，得到下式之关系：第66页/共69页5.5.2 5.5.2 盲目图像复原盲目图像复原 当M很大时，式（5-106）右边的噪声项的值趋向于它的数学期望值。一般情况下，白色高斯噪声在

35、所有(x，y)上的数学期望都等于零，因此，合理的估计量是：以上利用多幅相同的图像进行平均以实现对加性噪声的消除，同理，盲目图像复原的间接估计法也可以利用时间上平均的概念去掉图像中的模糊。第67页/共69页本章介绍了连续函数和离散函数两种形式的图像退化一般模型和几种常见的图像复原技术：非约束复原方法、约束复原方法、非线性复原方法以及其它几种图像复原技术。非约束复原方法是仅仅要求某种优化准则为最小，不考虑其它任何条件约束的复原方法。有约束图像复原技术是指除了要求了解关于退化系统的传递函数之外，还需要知道某些噪声的统计特性或噪声与图像的某些相关情况。非线性复原方法有最大后验复原、最大熵复原和投影复原方法。5.6 5.6 小结小结第68页/共69页感谢您的观看。第69页/共69页