3.1-圖像的復(fù)原解析課件

1、3.1 圖像的復(fù)原主要內(nèi)容圖像退化的原因圖像退化模型的建立圖像復(fù)原的方法重點(diǎn)與難點(diǎn)重點(diǎn):圖像退化的原因圖像退化模型圖像恢復(fù)的方法難點(diǎn)圖像退化模型的建立圖像復(fù)原的方法1 圖像的退化1.1圖像退化的原因(1)目標(biāo)或拍攝裝置的移動(dòng)造成的運(yùn)動(dòng)模糊、長(zhǎng)時(shí)間曝光引起的模糊等。(2)焦點(diǎn)沒(méi)對(duì)準(zhǔn)、廣角引起的模糊、大氣擾動(dòng)引起的模糊、曝光時(shí)間太短引起拍攝裝置捕獲的光子太少引起的模糊；(3)散焦引起的圖像扭曲；(4)圖像在成像、數(shù)字化、采集和處理過(guò)程引入的噪聲。光學(xué)散焦造成的圖像退化散焦對(duì)應(yīng)的點(diǎn)擴(kuò)展函數(shù)目標(biāo)相對(duì)運(yùn)動(dòng)造成的圖像退化運(yùn)動(dòng)形成的模糊示例圖像退化效果對(duì)應(yīng)的點(diǎn)擴(kuò)展函數(shù)1.2圖像退化的數(shù)學(xué)模型 圖像復(fù)原的關(guān)鍵

2、是建立圖像的退化模型，一幅清晰的圖像通過(guò)一個(gè)退化系統(tǒng)H，然后加入加性噪聲能夠生成一幅退化圖像，圖像的退化模型如下圖所示。以上模型可以用下面的數(shù)學(xué)表達(dá)式表述：g(x,y)=h(x,y)*f(x,y)+n(x,y)g(x,y)指退化的圖像，h(x,y)失真函數(shù)，f(x,y)原圖像,n(x,y)加性噪聲，*代表卷積 由于數(shù)字圖像都是離散形式的，因此在實(shí)際應(yīng)用中，圖像的退化模型可以寫(xiě)成如下表達(dá)式，離散形式的退化模型若圖像中不含有噪聲，即n(x,y)=0,則數(shù)學(xué)表達(dá)式簡(jiǎn)化為如下形式： 在空間域中，卷積運(yùn)算對(duì)應(yīng)于頻域的相乘，上面的模型可以用空間域的模型表示為：G(u,v)=H(u,v)F(u,v)+N(u

3、,v)G(u,v),H(u,v),F(u,v),N(u,v)分別用g(u,v),h(u,v),f(u,v),n(u,v)的頻域表示。上面的退化模型可以簡(jiǎn)寫(xiě)為如下形式：g=Hf+ng圖像質(zhì)量退化的圖像H失真函數(shù)，即點(diǎn)擴(kuò)散函數(shù)，點(diǎn)擴(kuò)散函數(shù)描述的是一個(gè)光學(xué)系統(tǒng)對(duì)真實(shí)圖像的模糊程度。f指真實(shí)圖像n是加性噪聲。圖像去模糊的主要任務(wù)是用點(diǎn)擴(kuò)散反卷積模糊的圖像。1.3圖像的噪聲 數(shù)字圖像的噪聲主要來(lái)自數(shù)字圖像的獲取和傳輸過(guò)程。圖像中的噪聲種類(lèi)很多，常見(jiàn)的噪聲有高斯噪聲、瑞麗噪聲、伽馬噪聲，指數(shù)分布噪聲、椒鹽噪聲等，并由此建立相應(yīng)的模型。imnoise函數(shù)可以在圖像中加入噪聲。例1：通過(guò)均值和方差來(lái)產(chǎn)生高斯噪

4、聲clear all;I=uint8(100*ones(256,256);%建立均值為100的圖像數(shù)據(jù)J=imnoise(I,gaussian,0,0.01); %加入方差為0.01的高斯噪聲K=imnoise(I,gaussian,0,0.03);%加入方差為0.03的高斯噪聲figure;subplot(231);imshow(I);xlabel(a)圖像);subplot(232);imhist(I);xlabel(b)圖像直方圖);subplot(233);imshow(J);xlabel(c)含方差為0.01的高斯噪聲圖像);subplot(234);imhist(J);xlabel

5、(d)0.01的噪聲圖像直方圖);subplot(235);imshow(K);xlabel(e)含方差為0.03的高斯噪聲圖像);subplot(236);imhist(K);xlabel(f)0.03的噪聲圖像直方圖);例2：通過(guò)位置信息來(lái)產(chǎn)生高斯噪聲clear all;I=imread(coins.png);I=im2double(I);V=zeros(size(I);for i=1:size(V,1) V(i,:)=0.02*i/size(V,1);endJ=imnoise(I,localvar,V);figure;subplot(121);imshow(I);xlabel(a)圖像)

6、;subplot(122);imshow(J);xlabel(b)噪聲圖像)例3：根據(jù)亮度值來(lái)產(chǎn)生高斯噪聲clear all;I=imread(cameraman.tif);I=im2double(I);h=0:0.1:1;v=0.01:-0.001:0;J=imnoise(I,localvar,h,v);figure;subplot(121);imshow(I);xlabel(a)圖像);subplot(122);imshow(J);xlabel(b)噪聲圖像)例4：添加椒鹽噪聲clear all;I=imread(cameraman.tif);I=im2double(I);J=imnois

7、e(I,salt & pepper,0.01);K=imnoise(I,salt & pepper,0.03);figure;subplot(121);imshow(J);xlabel(a)0.01噪聲圖像);subplot(122);imshow(K);xlabel(b)0.03噪聲圖像)2圖像復(fù)原的模型 圖像的復(fù)原是圖像退化的逆過(guò)程，它盡可能地恢復(fù)退化圖像的本來(lái)面目。一般來(lái)說(shuō)，圖像復(fù)原是指在建立系統(tǒng)退化模型的基礎(chǔ)上，以退化圖像為依據(jù)，運(yùn)用某些先驗(yàn)知識(shí)，將劣化了的圖像以最大的保真度復(fù)原圖像。 圖像的復(fù)原關(guān)鍵取決于對(duì)于圖像退化過(guò)程的先驗(yàn)知識(shí)所掌握的精度和建立的退化模型是否合適。圖像的復(fù)原模型：

8、g(x,y)是指退化的圖像，w(x,y)是指圖像復(fù)原濾波器， 恢復(fù)的圖像 由于引起圖像質(zhì)量退化的原因很多，因此為了消除圖像質(zhì)量的退化而采取的圖像復(fù)原方法有很多種，而恢復(fù)的質(zhì)量標(biāo)準(zhǔn)也不盡相同，因此圖像的復(fù)原是一個(gè)復(fù)雜的數(shù)學(xué)過(guò)程，其方法技術(shù)也各不相同。 在給定退化模型的情況下，圖像復(fù)原可以分為無(wú)約束和有約束兩大類(lèi)；而根據(jù)是在頻域恢復(fù)還是在空域恢復(fù)圖像，圖像復(fù)原可以劃分為頻域復(fù)原方法和空域復(fù)原方法。3圖像的復(fù)原方法 4種圖像復(fù)原的函數(shù)： 維納濾波器復(fù)原 規(guī)則化濾波器復(fù)原 Lucy-Richardson方法復(fù)原 盲反卷積復(fù)原3.1維納濾波使用deconvwnr函數(shù)進(jìn)行維納濾波器圖像復(fù)原常見(jiàn)的調(diào)用格式：

9、J=deconvwnr(I,PSF)J=deconvwnr(I,PSF,NSR)J=deconvwnr(I,PSF,NCORR,ICORR)I指退化的圖像，是原圖像卷積一個(gè)點(diǎn)擴(kuò)散函數(shù)PSF然后加上加性噪聲得到的。NSR是噪聲信號(hào)功率比，可為一標(biāo)量，也可為與I同樣大小的矩陣，默認(rèn)值為0NCORR和ICORR分別是信號(hào)和原圖像的自相關(guān)函數(shù)。J是返回的復(fù)原圖像。例1：維納濾波復(fù)原圖像維納（wiener）濾波最早是由Wiener提出，針對(duì)一維、二維信號(hào)進(jìn)行復(fù)原，計(jì)算量較低，但效果較好。例：通過(guò)維納濾波對(duì)運(yùn)動(dòng)模糊進(jìn)行復(fù)原。clear all;I=imread(onion.png);I=rgb2gray(

10、I);I=im2double(I);LEN=25;THETA=20;PSF=fspecial(motion,LEN,THETA);J=imfilter(I,PSF,conv,circular);NSR=0;K=deconvwnr(J,PSF,NSR);figure;subplot(131);imshow(I);xlabel(a)原圖像);subplot(132);imshow(J);xlabel(b)退化圖像)subplot(133);imshow(K);xlabel(c)復(fù)原圖像)3.2規(guī)則化(最小二乘)濾波 規(guī)則化濾波是在知道噪聲信息的情況下有效的反卷積方法，規(guī)則化濾波器濾波的函數(shù)是dec

11、onvreg。 deconvreg的調(diào)用方法：J=deconvreg(I,PSF)J=deconvreg(I,PSF,NOISEPOWER)J=deconvreg(I,PSF,NOISEPOWER,LRANGE)J=deconvreg(I,PSF,NOISEPOWER,LRANGE,REGOP)J,LAGRA=deconvreg(I,PSF,NOISEPOWER,LRANGE,REGOP)I是退化的圖像PSF是點(diǎn)擴(kuò)散函數(shù)NOISEPOWER是加性噪聲的能量，默認(rèn)值為0；LANGE是函數(shù)優(yōu)化過(guò)程中拉格朗日算子的范圍，默認(rèn)值為1e-9,1e9REGOP是約束優(yōu)化中的規(guī)則化操作，默認(rèn)值為laplac

12、ian操作；J是去模糊后返回的圖像LAGRA是返回的拉格朗日算子。例2：規(guī)則化復(fù)原圖像clear all;I=imread(rice.png);I=im2double(I);PSF=fspecial(motion,8,4);J=imfilter(I,PSF,conv);%退化figure;subplot(221);imshow(I);xlabel(a)原圖像);subplot(222);imshow(J);xlabel(b)退化圖像)v=0.02;K=imnoise(J,gaussian,0,v);%噪聲NP=v*prod(size(I);L=deconvreg(K,PSF,NP);subpl

13、ot(223);imshow(K);xlabel(c)噪聲圖像);subplot(224);imshow(L);xlabel(d)復(fù)原圖像)3.3Lucy-Richardson Lucy-Richardson（簡(jiǎn)稱(chēng)L-R）濾波器方法假設(shè)噪聲服從泊松分布，基于貝葉斯理論使產(chǎn)生圖像的似然性達(dá)到最大。在matlab圖像處理工具箱中，使用Lucy-Richardson濾波器方法復(fù)原圖像的函數(shù)為deconvlucy。該函數(shù)在最初的Lucy-Richardson方法的基礎(chǔ)上進(jìn)行了一下改進(jìn)：(1)減小放大噪聲的影響(2)對(duì)圖像質(zhì)量不均勻的像素進(jìn)行修正。deconvlucy函數(shù)的調(diào)用方式：J=deconvlu

14、cy(I,PSF)J=deconvlucy(I,PSF,NUMIT,DAMPAR)J=deconvlucy(I,PSF,NUMIT, DAMPAR,WEIGHT)J=deconvlucy(I,PSF,NUMIT, DAMPAR,WEIGHT,READOUT)J=deconvlucy(I,PSF,NUMIT, DAMPAR,WEIGHT,READOUT,SUBSMPLI是指要復(fù)原的退化圖像PSE是點(diǎn)擴(kuò)散函數(shù)NUMIT是指迭代的次數(shù)，默認(rèn)值為10DAMPAR規(guī)定了原圖像和恢復(fù)圖像之間的偏差WEIGHT是一個(gè)權(quán)重矩陣，它規(guī)定了圖像I中的壞像素的權(quán)值為0，其它的為1，默認(rèn)值為跟I同樣維數(shù)的全1矩陣；R

15、EADOUT是與噪聲和讀出設(shè)備有關(guān)的參數(shù)，默認(rèn)值為0；SUBSMPL是指二次抽樣頻率，默認(rèn)值為1；J是反卷積后恢復(fù)出來(lái)的圖像例3：Lucy-Richardson方法復(fù)原圖像clear all;I=imread(rice.png);I=im2double(I);LEN=30;THETA=20;PSF=fspecial(motion,LEN,THETA);J=imfilter(I,PSF,circular,conv);%圖像退化figure;subplot(221);imshow(I);xlabel(a)原圖像);subplot(222);imshow(J);xlabel(b)退化圖像);K=de

16、convlucy(J,PSF,20);L=deconvlucy(J,PSF,35);subplot(223);imshow(K);xlabel(c)20次迭代復(fù)原圖像)subplot(224);imshow(J);xlabel(d)35次迭代復(fù)原圖像);例4：對(duì)彩色圖像進(jìn)行模糊，增加噪聲，然后利用Lucy-Richardson濾波器對(duì)其進(jìn)行復(fù)原處理clear all;I=imread(board.tif);I=I(50+1:256,2+1:256,:);subplot(131);imshow(I);xlabel(a)原始圖像);PSF=fspecial(gaussian,5,5);%創(chuàng)建PSF

17、Blurred=imfilter(I,PSF,symmetric,conv);%圖像中創(chuàng)建一個(gè)模擬的模糊和添加噪聲V=.002;BlurredNoisy=imnoise(Blurred,gaussian,0,V);%圖像中添加噪聲subplot(132);imshow(BlurredNoisy);xlabel(b)降質(zhì)圖像);%使用deconvlucy函數(shù)復(fù)原模糊圖像luc1=deconvlucy(BlurredNoisy,PSF,5);subplot(133);imshow(luc1);xlabel(c)圖像復(fù)原);3.4盲反卷積 盲反卷積是在Lucy-Richardson算法的基礎(chǔ)上改進(jìn)的

18、方法，該方法在不知道模糊和噪聲信息的情況下很有效。使用盲反卷積進(jìn)行圖像復(fù)原的函數(shù)為deconvblind,其常見(jiàn)調(diào)用方法：J,PSE=deconvblind(I,INITPSE)J,PSE=deconvblind(I,INITPSE,NUMIT)J,PSE=deconvblind(I,INITPSE,NUMIT,DAMPAR)J,PSE=deconvblind(I,INITPSE,NUMIT,DAMPAR,WEIGHT)J,PSE=deconvblind(I,INITPSE,NUMIT,DAMPAR,WEIGHT,READOUT)I是指要恢復(fù)的模糊的圖像INITPSE是初始的PSE函數(shù)NUMIT是指迭代的次數(shù)，默認(rèn)值為10DAMPAR規(guī)定了原圖像和恢復(fù)圖像之間的偏差；WEIGHT是一個(gè)權(quán)重矩陣，它規(guī)定了圖像I中的壞像素的權(quán)值為0，其它的為1，默認(rèn)值為跟I同樣維數(shù)的全1矩陣；READOUT是與噪聲和讀出設(shè)備有關(guān)的參數(shù)，默認(rèn)值為0；J是反卷積后恢復(fù)出來(lái)的圖像PSF是最后反卷積后得到的點(diǎn)擴(kuò)散函數(shù)例：盲反卷