畢設(shè)-圖像復(fù)原方法(共13頁(yè))

1、圖像復(fù)原方法綜述1、摘要圖像是人類(lèi)視覺(jué)的基礎(chǔ)，給人具體而直觀的作用。圖像的數(shù)字化包括取樣和量化兩個(gè)步驟。數(shù)字圖像處理就是將圖像信號(hào)轉(zhuǎn)換成數(shù)字格式，并利用計(jì)算機(jī)進(jìn)行加工和處理的過(guò)程。圖像復(fù)原是圖像處理中的一個(gè)重要問(wèn)題，對(duì)于改善圖像質(zhì)量具有重要的意義。解決該問(wèn)題的關(guān)鍵是對(duì)圖像的退化過(guò)程建立相應(yīng)的數(shù)學(xué)模型，然后通過(guò)求解該逆問(wèn)題獲得圖像的復(fù)原模型并對(duì)原始圖像進(jìn)行合理估計(jì)。本文主要介紹了圖像退化的原因、圖像復(fù)原技術(shù)的分類(lèi)和目前常用的幾種圖像復(fù)原方法，詳細(xì)的介紹了維納濾波、正則濾波、LR算法和盲區(qū)卷積，并通過(guò)實(shí)驗(yàn)證明了該方法的可行性和有效性。關(guān)鍵詞：圖像退化、圖像復(fù)原、維納濾波、正則濾波、LR算法、盲區(qū)卷

2、積、2、圖像復(fù)原概述在圖像的獲取、傳輸以及保存過(guò)程中，由于各種因素，如大氣的湍流效應(yīng)、攝像設(shè)備中光學(xué)系統(tǒng)的衍射、傳感器特性的非線(xiàn)性、光學(xué)系統(tǒng)的像差、成像設(shè)備與物體之間的相對(duì)運(yùn)動(dòng)、感光膠卷的非線(xiàn)性及膠片顆粒噪聲以及電視攝像掃描的非線(xiàn)性等所引起的幾何失真，都難免會(huì)造成圖像的畸變和失真。通常，稱(chēng)由于這些因素引起的質(zhì)量下降為圖像退化。圖像退化的典型表現(xiàn)是圖像出現(xiàn)模糊、失真，出現(xiàn)附加噪聲等。由于圖像的退化，在圖像接受端顯示的圖像已不再是傳輸?shù)脑紙D像，圖像效果明顯變差。為此，必須對(duì)退化的圖像進(jìn)行處理，才能恢復(fù)出真實(shí)的原始圖像，這一過(guò)程就稱(chēng)為圖像復(fù)原1。圖像復(fù)原技術(shù)是圖像處理領(lǐng)域中一類(lèi)非常重要的處理技術(shù)，

3、與圖像增強(qiáng)等其他基本圖像處理技術(shù)類(lèi)似，也是以獲取視覺(jué)質(zhì)量某種程度的改善為目的，所不同的是圖像復(fù)原過(guò)程實(shí)際上是一個(gè)估計(jì)過(guò)程，需要根據(jù)某些特定的圖像退化模型，對(duì)退化圖像進(jìn)行復(fù)原。簡(jiǎn)言之，圖像復(fù)原的處理過(guò)程就是對(duì)退化圖像品質(zhì)的提升，并通過(guò)圖像品質(zhì)的提升來(lái)達(dá)到圖像在視覺(jué)上的改善。由于引起圖像退化的因素眾多，且性質(zhì)各不相同，目前沒(méi)有統(tǒng)一的復(fù)原方法，眾多研究人員根據(jù)不同的應(yīng)用物理環(huán)境，采用了不同的退化模型、處理技巧和估計(jì)準(zhǔn)則，從而得到了不同的復(fù)原方法。圖像復(fù)原算法是整個(gè)技術(shù)的核心部分。目前，國(guó)內(nèi)在這方面的研究才剛剛起步，而國(guó)外卻已經(jīng)取得了較好的成果。早期的圖像復(fù)原是利用光學(xué)的方法對(duì)失真的觀測(cè)圖像進(jìn)行校正，

4、而數(shù)字圖像復(fù)原技術(shù)最早則是從對(duì)天文觀測(cè)圖像的后期處理中逐步發(fā)展起來(lái)的。其中一個(gè)成功例子是NASA的噴氣推進(jìn)實(shí)驗(yàn)室在1964年用計(jì)算機(jī)處理有關(guān)月球的照片。照片是在空間飛行器上用電視攝像機(jī)拍攝的，圖像的復(fù)原包括消除干擾和噪聲，校正幾何失真和對(duì)比度損失以及反卷積。另一個(gè)典型的例子是對(duì)肯尼迪遇刺事件現(xiàn)場(chǎng)照片的處理。由于事發(fā)突然，照片是在相機(jī)移動(dòng)過(guò)程中拍攝的，圖像復(fù)原的主要目的就是消除移動(dòng)造成的失真2。早期的復(fù)原方法有：非鄰域?yàn)V波法，最近鄰域?yàn)V波法以及效果較好的維納濾波和最小二乘濾波等。隨著數(shù)字信號(hào)處理和圖像處理的發(fā)展，新的復(fù)原算法不斷出現(xiàn)，在應(yīng)用中可以根據(jù)具體情況加以選擇。目前國(guó)內(nèi)外圖像復(fù)原技術(shù)的研究

5、和應(yīng)用主要集中于諸如空間探索、天文觀測(cè)、物質(zhì)研究、遙感遙測(cè)、軍事科學(xué)、生物科學(xué)、醫(yī)學(xué)影象、交通監(jiān)控、刑事偵察等領(lǐng)域。如生物方面，主要是用于生物活體細(xì)胞內(nèi)部組織的三維再現(xiàn)和重構(gòu)，通過(guò)復(fù)原熒光顯微鏡所采集的細(xì)胞內(nèi)部逐層切片圖，來(lái)重現(xiàn)細(xì)胞內(nèi)部構(gòu)成；醫(yī)學(xué)方面，如對(duì)腫瘤周?chē)M織進(jìn)行顯微觀察，以獲取腫瘤安全切緣與癌腫原發(fā)部位之間關(guān)系的定量數(shù)據(jù)；天文方面，如采用迭代盲反卷積進(jìn)行氣動(dòng)光學(xué)效應(yīng)圖像復(fù)原研究等。3、圖像退化模型圖像復(fù)原問(wèn)題的有效性關(guān)鍵之一取決于描述圖像退化過(guò)程模型的精確性。要建立圖像的退化模型，則首先必須了解、分析圖像退化的機(jī)理并用數(shù)學(xué)模型表現(xiàn)出來(lái)。在實(shí)際的圖像處理過(guò)程中，圖像均需以數(shù)字離散函數(shù)表

6、示，所以必須將退化模型離散化3。對(duì)于退化圖像： (1) 如果上式中，按相同間隔采樣，產(chǎn)生相應(yīng)的陣列、，然后將這些陣列補(bǔ)零增廣得到大小為的周期延拓陣列，為了避免重疊誤差，這里，。由此，當(dāng)k=0,1,L,M-1;l=0,1,L,N-1時(shí)，即可得到二維離散退化模型形式： (2)如果用矩陣表示上式，則可寫(xiě)為： (3)其中，,為一個(gè)行堆疊形成的列向量，H為階的塊循環(huán)矩陣。4、幾種較經(jīng)典的復(fù)原方法介紹圖像復(fù)原算法有線(xiàn)性和非線(xiàn)性?xún)深?lèi)。線(xiàn)性算法通過(guò)對(duì)圖像進(jìn)行逆濾波來(lái)實(shí)現(xiàn)反卷積，這類(lèi)方法方便快捷，無(wú)需循環(huán)或迭代，直接可以得到反卷積結(jié)果，然而，它有一些局限性，比如無(wú)法保證圖像的非負(fù)性。而非線(xiàn)性方法通過(guò)連續(xù)的迭代過(guò)

7、程不斷提高復(fù)原質(zhì)量，直到滿(mǎn)足預(yù)先設(shè)定的終止條件，結(jié)果往往令人滿(mǎn)意。但是迭代程序?qū)е掠?jì)算量很大，圖像復(fù)原時(shí)耗較長(zhǎng)，有時(shí)甚至需要幾個(gè)小時(shí)。所以實(shí)際應(yīng)用中還需要對(duì)兩種處理方法綜合考慮，進(jìn)行選擇4。(1) 維納濾波法維納濾波法是由Wiener首先提出的，應(yīng)用于一維信號(hào)處理，取得了很好的效果。之后，維納濾波法被用于二維信號(hào)處理，也取得了不錯(cuò)的效果，尤其在圖像復(fù)原領(lǐng)域，由于維納濾波計(jì)算量小，復(fù)原效果好，從而得到了廣泛的應(yīng)用和發(fā)展。維納濾波器尋找一個(gè)使統(tǒng)計(jì)誤差函數(shù) (7)最小的估計(jì)。E是期望值操作符，是未退化的圖像。該表達(dá)式在頻域可表示為 (8)其中， 表示退化函數(shù) 表示的復(fù)共軛表示噪聲的功率譜表示未退化圖

8、像的功率譜比率稱(chēng)為信噪功率比。在IPT中維納濾波使用函數(shù)deconvwnr來(lái)實(shí)現(xiàn)的。 模擬實(shí)驗(yàn)結(jié)果如下：代碼：I=imread('C:UsersbabyDesktopf.jpg'); figure(1);imshow(I,); title('原圖像'); PSF=fspecial('motion',40,75); MF=imfilter(I,PSF,'circular'); noise=imnoise(zeros(size(I),'gaussian',0,0.001); MFN=imadd(MF,im2uint8(

9、noise); figure(2);imshow(MFN,); title('運(yùn)動(dòng)模糊圖像'); NSR=sum(noise(:).2)/sum(MFN(:).2); figure(3); imshow(deconvwnr(MFN,PSF,NSR),); title('逆濾波復(fù)原'); figure(4); imshow(deconvwnr(MFN,PSF,NSR),); title('維納濾波復(fù)原'); NP=0.002*prod(size(I); reg1 LAGRA=deconvreg(MFN,PSF,NP/3.0); figure(5);

10、imshow(reg1); title('最小二乘濾波復(fù)原');(2) 正則濾波法另一個(gè)容易實(shí)現(xiàn)線(xiàn)性復(fù)原的方法稱(chēng)為約束的最小二乘方濾波，在IPT中稱(chēng)為正則濾波，并且通過(guò)函數(shù)deconvreg來(lái)實(shí)現(xiàn)。在最小二乘復(fù)原處理中，常常需要附加某種約束條件。例如令Q為f的線(xiàn)性算子，那么最小二乘方復(fù)原的問(wèn)題可以看成使形式為的函數(shù)，服從約束條件的最小化問(wèn)題，這種有附加條件的極值問(wèn)題可以用拉格朗日乘數(shù)法來(lái)處理。尋找一個(gè)，使下述準(zhǔn)則函數(shù)為最?。?(9)式中叫拉格朗日系數(shù)。通過(guò)指定不同的Q，可以得到不同的復(fù)原目標(biāo)。模擬實(shí)驗(yàn)結(jié)果如下：代碼：I=imread('C:UsersbabyDeskto

11、pf.jpg');subplot(231);imshow(I);I=rgb2gray(I);subplot(232);imshow(I);PSF=fspecial('gaussian',7,10);V=.01;BlurredNoisy=imnoise(imfilter(I,PSF),'gaussian',0,V);NOISEPOWER=V*prod(size(I);J LAGRA=deconvreg(BlurredNoisy,PSF,NOISEPOWER);subplot(233);imshow(BlurredNoisy);title('A=Bl

12、urred and Noisy');subplot(234);imshow(J);title('J LAGRA=deconvreg(A,PSF,NP)');subplot(235);imshow(deconvreg(BlurredNoisy,PSF,LAGRA/10);title('deconvreg(A,PSF,0.1*LAGRA)');subplot(236);imshow(deconvreg(BlurredNoisy,PSF,LAGRA*10);title('deconvreg(A,PSF,10*LAGRA');(3)Lucy-Ri

13、chardson算法L-R算法是一種迭代非線(xiàn)性復(fù)原算法，它是從最大似然公式印出來(lái)的，圖像用泊松分布加以模型化的。當(dāng)下面這個(gè)迭代收斂時(shí)模型的最大似然函數(shù)就可以得到一個(gè)令人滿(mǎn)意的方程： (10)*代表卷積，代表未退化圖像的估計(jì)，g和h和以前定義一樣。在IPT中，L-R算法由名為deconvlucy的函數(shù)完成的。模擬實(shí)驗(yàn)結(jié)果如下：代碼：I=imread('C:UsersbabyDesktopf.jpg');subplot(231);imshow(I);I=rgb2gray(I);subplot(232);imshow(I);PSF=fspecial('gaussian'

14、;,7,10);V=.0001;BlurredNoisy=imnoise(imfilter(I,PSF),'gaussian',0,V);BlurredNoisy=double(BlurredNoisy);WT=zeros(size(I);WT(5:end-4,5:end-4)=1;J1=deconvlucy(BlurredNoisy,PSF);J2=deconvlucy(BlurredNoisy,PSF,20,sqrt(V);J3=deconvlucy(BlurredNoisy,PSF,20,sqrt(V),WT);subplot(233);imshow(mat2gray(B

15、lurredNoisy);title('A=Blurred and Noisy');subplot(234);imshow(mat2gray(J1);title('deconvlucy(A,PSF)');subplot(235);imshow(mat2gray(J2);title('deconvlucy(A,PSF,NI,DP)');subplot(236);imshow(mat2gray(J3);title('deconvlucy(A,PSF,NI,DP,WT)');(4)盲去卷積在圖像復(fù)原過(guò)程中，最困難的問(wèn)題之一是，如何獲得P

16、SF的恰當(dāng)估計(jì)。那些不以PSF為基礎(chǔ)的圖像復(fù)原方法統(tǒng)稱(chēng)為盲區(qū)卷積。它以MLE為基礎(chǔ)的，即一種用被隨機(jī)噪聲所干擾的量進(jìn)行估計(jì)的最優(yōu)化策略。工具箱通過(guò)函數(shù)deconvblind來(lái)執(zhí)行盲區(qū)卷積。模擬實(shí)驗(yàn)結(jié)果如下：圖像分別迭代5次，10次，20次的結(jié)果。代碼：I=imread('C:UsersbabyDesktopf.jpg');subplot(231);imshow(I);I=rgb2gray(I);subplot(232);imshow(I);PSF=fspecial('gaussian',7,10);V=.0001;BlurredNoisy=imnoise(imf

17、ilter(I,PSF),'gaussian',0,V);BlurredNoisy=double(BlurredNoisy);WT=zeros(size(I);WT(5:end-4,5:end-4)=1;INITPSF=ones(size(PSF);FUN=inline('PSF+P1','PSF','P1');J P=deconvblind(BlurredNoisy,INITPSF,5,10*sqrt(V), WT,FUN,0);K P=deconvblind(BlurredNoisy,INITPSF,10,10*sqrt(V), WT,FUN,0);L P=deconvblind(BlurredNoisy,INITPSF,20,10*sqrt(V), WT,FUN,0);subplot(233);imshow(mat2gray(BlurredNoisy);title('A=Blurred and Noisy');subplot(234);imshow(mat2gray(J);title('True PSF');subplot(235);imshow(mat2gray(K);title('Deblured Image');s