图像复原的相关知识点~

1.图像复原是个什么东西(一般流程

时域:原图f   卷积*  退化函数h 加性噪声n  退化的图像g

频域:原图F   乘以✖  退化函数H 加性噪声N   退化的图像G

(频域相乘 时域卷积)

2.噪声N(x,y)的种类有哪些(噪声模型

噪声模型其实就是各种分布,书上喜欢用pdf来表示他们,所以要先搞懂一些预备知识:

1.概率密度函数PDF(probability density function)的意义

https://blog.csdn.net/sigai_csdn/article/details/83586458

其实就记住这几点:

第一,随机变量有分 连续型随机变量 和 离散型随机变量,相对应有不同的分布,比如几何分布就是离散型,高斯分布就是连续型;只有连续型随机变量才有概率密度的说法。

其实每个连续变量都对应一个概率值,但是变量取值太多,加起来的概率就有无穷个,假如连续变量用分布率表示(分布律就是离散型变量的分布),就会有无穷个取值,而且计算也很繁琐,太麻烦了,这时候就想到用概率除以长度来表示连续变量的分布规律,在二维坐标里截取部分长度(全部长度和部分长度服从同样的分布,得到的规律是一样的),假设知道这部分对应的概率,这个概率除以这个部分长度的大小(可以理解为dx)就叫做概率密度函数。

第二,为什么叫概率密度函数,重点理解“密度”的含义。结合“密度×体积/面积=质量”的观点,对p(x,y)进行积分(也就是求曲线包围的面积)得到的便是概率本身,也就是我们说的分布函数F(x,y) 也叫累积分布函数(CDF).

图像复原的相关知识点~_第1张图片

百科:连续型随机变量概率密度函数是一个 描述这个随机变量的值在某个确定的取值点附近可能性 的函数。而随机变量的取值落在某个区域之内的概率则为概率密度函数在这个区域上的积分。(看看上面这个图,比如x轴上某个点 对应的y值很大,说明随机变量取到x的可能性对应就越高,如果是取两个同样长度的区间来看 哪个围成的面积大,就说明随机变量掉在这个区间的可能性更高,比如均匀分布,取哪概率都一样,所以pdf是一条直线)

2.噪声模型都有哪些,它们的pdf什么亚子,都有哪些决定性参数?

噪声模型有高斯,瑞利,指数噪声等等…

pdf及其参数书上有介绍

3.matlab里怎么给一幅图像添加噪声

万变不离其宗:先产生一个服从某种分布的和原图一样大小的随机序列R,完了让原图I直接加上R就得了(加性噪声嘛)

①自带的imnoise()_      椒盐 高斯 均匀

②制造随机序列R=norm r n d(x,y,M,N),输出=I+R 高斯 均匀  瑞利 指数  伽马 

https://blog.csdn.net/lpsl1882/article/details/51339742这篇好像还讲了matlab里面添加噪声的其他思想方法(看不太懂

3.常用的退化模型H(u,v)

或者说”点估计函数”

1.线性运动退化

2.散焦退化

3.高斯退化

https://max.book118.com/html/2017/0809/126795733.shtm

4.复原方法

原图F(u,v)  = 退化图G(u,v)/退化模型函数H(u,v)    -    噪声N(u,v)/H(u,v)

  • 逆滤波,不考虑噪声N,步骤: 
    1.读入原始图像 记得I=im2double(I)
    2.傅里叶变换,F.*H 得到退化图像 属于频域滤波行为
    3.退化图作一定半径的逆滤波 if  半径< threshold, F = F./H
    4.傅里叶变换得到f 记得f=unit8(abs(f)*256)

 

  • 维纳滤波复原(最小均方误差滤波):考虑噪声  迭代确定 K=Sn/Sf 噪声图像功率比 找出f^ 使其与实际f均方误差最小
  • 有约束最小二乘复原:与维纳相比 只需要给出噪声的均值和方差
  • Lucky-Richardson:连噪声都未知,只知道点扩散函数(噪声模型)
  • 盲去卷积图像复原:连点扩散函数都不知道!!

 

 

你可能感兴趣的:(图像复原的相关知识点~)