第5章-图像复原与重建

5.1 图像退化/复原处理的一个模型

第5章-图像复原与重建_第1张图片

5.2 噪声模型

白噪声:当噪声的傅里叶谱是常量时,噪声通常称为白噪声。这个术语派生自白光的物理性质,即白光等比例地包含可见光谱中的所有频率。

高斯噪声概率密度函数:p(z)=\dfrac{1}{\sqrt{2\pi}\sigma}\mathrm e^{-(z-\bar z)^2/2\sigma^2},\quad-\infty<z<\infty

瑞利噪声概率密度函数:p(z)=\begin{cases}\dfrac{2}{b}(z-a)\mathrm{e}^{-(z-a)^2/b},\quad&z\geq a\\[6pt]0,\quad&z<a\end{cases}

爱尔兰(伽马)噪声p(z)=\begin{cases}\dfrac{a^b z^{b-1}}{(b-1)!}\mathrm e^{-az},\quad&z\ge0\\[6pt]0,\quad&z<0\end{cases}

指数噪声p(z)=\begin{cases}a\mathrm e^{-az},\quad&z\ge0\\ 0,\quad&z<0\end{cases}

均匀噪声p(z)= \begin{cases}\frac{1}{b-a}, & a \leq z \leq b \\ 0, & others\end{cases}

椒盐噪声p(z)=\begin{cases}P_s,&z=2^k-1\\ P_p,&z=0\\ 1-(P_s+P_p),&z=V\end{cases}

周期噪声:图像中的周期噪声通常是在获取图像期间由电气或机电干扰产生的。
可通过频率域滤波明显降低。

估计噪声参数:取一个小条带,根据直方图形状确认噪声分布,根据均值和方差算出模型参数。

5.3 只存在噪声的复原--空间滤波

5.3.1 均值滤波器

算术平均滤波器,平滑图像中的局部变化,降低图像中的噪声,但会模糊图像
\hat{f}(x,y)=\dfrac{1}{mn}\sum_{(r,c)\in S_{xy}}g(r,c)

几何均值滤波器,和算术平均滤波器相比,损失的图像细节更少
\hat{f}(x,y)=\left[\prod\limits_{(r,c)\in S_{xy}}g(r,c)\right]^{\frac{1}{mn}}

谐波平均滤波器,既能处理盐粒噪声,又能处理类似于高斯噪声的其他噪声,但不能处理胡椒噪声
\hat{f}(x, y)=\frac{m n}{\sum_{(r, c) \in S_{x y}} \frac{1}{g(r, c)}}

反谐波平均滤波器,适用于降低或消除椒盐噪声
\hat{f}(x,y)=\frac{\sum_{(r,c)\in S_{yy}}g(r,c)^{Q+1}}{\sum_{(r,c)\in S_{xy}}g(r,c)^Q}

5.3.2 统计排序滤波器

中值滤波器,能有效地降低某些随机噪声,且模糊度要小得多。对于单极和双极冲激噪声,中值滤波器的效果更好
\hat{f}\big(x,y\big)=\operatorname{median}_{(r,c)\in S_{xy}}\big\{g(r,c)\big\}

最大值滤波器最小值滤波器,最大值滤波器可用于找到图像中的最亮点,或用于削弱与明亮区域相邻的暗色区域,降低胡椒噪声;最小值滤波器可用于找到图像中的最暗点,或用于削弱与暗色区域相邻的明亮区域,还可通过最小运算降低盐粒噪声
\hat{f}(x,y)=\max\limits_{(r,c)\in S_{xy}}\left\{g(r,c)\right\}
\hat{f}(x,y)=\min\limits_{(r,c)\in S_{xy}}\left\{g(r,c)\right\}

中点滤波器,这种滤波器是统计排序滤波器和平均滤波器的结合。它最适合于处理随机分布的噪声,如高斯噪声或均匀噪声
\hat{f}(x,y)=\dfrac{1}{2}\left[\max_{(r,c)\in S_{xy}}\left\{g(r,c)\right\}+\min\limits_{(r,c)\in S_{xy}}\left\{g(r,c)\right\}\right]

修正阿尔法均值滤波器,适合于处理多种混合噪声,如高斯噪声和椒盐噪声
\hat{f}\big(x,y\big)=\frac{1}{mn-d}\sum_{(r,c)\in S_{xy}}g_{R}\big(r,c\big)

5.3.3 自适应滤波器

自适应局部降噪滤波器
\hat{f}(x,y)=g(x,y)-\dfrac{\sigma_{\eta}^2}{\sigma_{s_{xy}}^2}\biggl[g(x,y)-\overline{z}_{s_{xy}}\biggr]

自适应中值滤波器
第5章-图像复原与重建_第2张图片

5.4 使用频率域滤波降低周期噪声

 限波滤波方法

5.5 线性位置不变退化

带有加性噪声的线性空间不变退化系统,可在空间域中建模为图像与该系统的退化(点扩散PSF)函数h(x,\alpha,y,\beta)的卷积,并加上噪声。根据卷积定理,频率域中的这一过程为:图像的变换和退化函数的变换的乘积,加上噪声的变换。工作在频率域中时,我们可以使用FFT算法。在实现任何频率域复原滤波器时,我们不对图像进行填充。
许多类型的退化可近似为线性位置不变过程。这种方法的优点是,可以使用线性系统理论的许多工具来解决图像复原问题。与位置有关的非线性技术虽然更通用(并且通常更精确),但通常没有已知解,或计算上难以求解。由于退化被建模为卷积,并且图像复原试图找到应用相反过程的滤波器,所以术语图像去卷积通常用于表示线性图像复原。类似地,复原过程中所用的滤波器称为去卷积滤波器。

5.6 估计退化函数(盲去卷积)

5.6.1 观察法

第5章-图像复原与重建_第3张图片

5.6.2 试验法

第5章-图像复原与重建_第4张图片

 5.6.3 建模法

(1)对导致退化的环境条件建模,例如根据大气湍流的物理特性提出退化模型H(u,v)=\mathrm e^{- k(u^2+v^2)^{5/6}}
(2)根据基本原理建模,例如采集过程中,物体与传感器之间的匀速线性运动造成的模糊H(u,v)=\dfrac{T}{\pi(ua+vb)}\sin\left[\pi(ua+vb)\right]\mathrm{e}^{-j\pi(u a+v b)}

5.7 逆滤波

逆滤波计算原图像:\hat F(u,v)=\dfrac{G(u,v)}{H(u,v)},易得\hat F(u,v)=F(u,v)+\dfrac{N(u,v)}{H(u,v)}

5.8 最小均方误差(维纳)滤波

将图像和噪声视为随机变量,求未污染图像和估计的均方误差最小,均方误差定义为e^2=E\left\{(f-\hat{f})^2\right\}
假设噪声和图像不相关,估计中的灰度级是退化图像中灰度级的线性函数,维纳滤波公式如下:\hat F(u,v)=\left[\dfrac{H^*(u,v)S_f(u,v)}{S_f(u,v)\left|H(u,v)\right|^2+S_\eta(u,v)}\right]G(u,v)=\left[\dfrac{H^*(u,v)}{\left|H(u,v)\right|^2+S_\eta(u,v)/S_f(u,v)}\right]G(u,v)=\left[\dfrac{1}{H(u,v)}\dfrac{\left|H(u,v)\right|^2}{\left|H(u,v)\right|^2+S_\eta(u,v)/S_f(u,v)}\right]G(u,v)

信噪比:信息承载信号功率(未退化的原图像)水平与噪声功率水平的测度。是表示复原算法性能的一个重要测度。
\mathrm{SNR}=\sum_{u=0}^{M-1} \sum_{v=0}^{N-1}|F(u, v)|^2 / \sum_{u=0}^{M-1} \sum_{v=0}^{N-1}|N(u, v)|^2

5.9 约束最小二乘方滤波

只需要知道噪声方差和均值

\hat F(u,v)=\left[\dfrac{H^*(u,v)}{\left|H(u,v)\right|^2+\gamma\left|P(u,v)\right|^2}\right]G(u,v)

5.10 几何均值滤波

推广维纳滤波器

\hat{F}(u, v)=\left[\frac{H^*(u, v)}{|H(u, v)|^2}\right]^\alpha\left[\frac{H^*(u, v)}{|H(u, v)|^2+\beta\left[\frac{S_\eta(u, v)}{S_f(u, v)}\right]}\right]^{1-\alpha} G(u, v)

5.11 由投影重建图像

你可能感兴趣的:(数字图像处理,算法,python,开发语言)