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)原的方法重點與難點重點:圖像退化的原因圖像退化模型圖像恢復(fù)的方法難點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)或拍攝裝置的移動造成的運動模糊、長時間曝光引起的模糊等。(2)焦點沒對準、廣角引起的模糊、大氣擾動引起的模糊、曝光時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、采集和處理過程引入的噪聲。光學(xué)散焦造成的圖像退化散焦對應(yīng)的點擴展函數(shù)目標(biāo)相對運動造成的圖像退化運動形成的模糊示例圖像退化效果對應(yīng)的點擴展函數(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一個退化系統(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，因此在實際應(yīng)用中，圖像的退化模型可以寫成如下表達式，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)表達式簡化為如下形式： 在空間域中，卷積運算對應(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寫為如下形式：g=Hf+ng圖像質(zhì)量退化的圖像H失真函數(shù)，即點擴散函數(shù)，點擴散函數(shù)描述的是一個光學(xué)系統(tǒng)對真實圖像的模糊程度。f指真實圖像n是加性噪聲。圖像去模糊的主要任務(wù)是用點擴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自數(shù)字圖像的獲取和傳輸過程。圖像中的噪聲種類很多，常見的噪聲有高斯噪聲、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：通過均值和方差來產(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：通過位置信息來產(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程，它盡可能地恢復(fù)退化圖像的本來面目。一般來說，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)，運用某些先驗知識，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)鍵取決于對于圖像退化過程的先驗知識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)準也不盡相同，因此圖像的復(fù)原是一個復(fù)雜的數(shù)學(xué)過程，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)原可以分為無約束和有約束兩大類；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)進行維納濾波器圖像復(fù)原常見的調(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，是原圖像卷積一個點擴散函數(shù)PSF然后加上加性噪聲得到的。NSR是噪聲信號功率比，可為一標(biāo)量，也可為與I同樣大小的矩陣，默認值為0NCORR和ICORR分別是信號和原圖像的自相關(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，針對一維、二維信號進行復(fù)原，計算量較低，但效果較好。例：通過維納濾波對運動模糊進行復(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是點擴散函數(shù)NOISEPOWER是加性噪聲的能量，默認值為0；LANGE是函數(shù)優(yōu)化過程中拉格朗日算子的范圍，默認值為1e-9,1e9REGOP是約束優(yōu)化中的規(guī)則化操作，默認值為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（簡稱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)上進行了一下改進：(1)減小放大噪聲的影響(2)對圖像質(zhì)量不均勻的像素進行修正。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是點擴散函數(shù)NUMIT是指迭代的次數(shù)，默認值為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)，默認值為0；SUBSMPL是指二次抽樣頻率，默認值為1；J是反卷積后恢復(fù)出來的圖像例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：對彩色圖像進行模糊，增加噪聲，然后利用Lucy-Richardson濾波器對其進行復(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。使用盲反卷積進行圖像復(fù)原的函數(shù)為deconvblind,其常見調(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)，默認值為0；J是反卷積后恢復(fù)出來的圖像PSF是最后反卷積后得到的點擴散函數(shù)例：盲反卷