利用bp神经网络实现监控图像盲复原

《利用bp神经网络实现监控图像盲复原》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第一章绪论◇成像系统的像差畸变◇成像系统的散焦◆采样量化以及A／D转换时造成的失真◆介质散射◆成像设备与物体的相对运动夺噪声干扰◆成像器材的其他固有缺陷图像复原技术的最终目的是改善给定的图像，尽可能复原出退化图像的本来面目。图像增强和图像复原有相互交叉的领域，但图像增强主要是一个主观的过程，而图像复原的大部分过程是一个客观过程。图像复原是试图利用退化现象的某种先验知识来重建或复原被退化的图像。图像复原在初级图像处理中占有极其重要的地位。目前数字图像复原技术的主要应用领域如下j1)空间科学领域在该

2、领域数字图像复原技术起着非常重要的应用。宇航卫星、航空测绘、遥感、天文学中得到的图像资料，由于大气湍流、空间辐射、光学系统的像差以及摄像机与物体之间的相对运动等等都会造成图像降质。2)医学领域在x射线成像系统、数字血管造影、核磁共振成像系统(MRI)等设备中，图像复原技术往往被用来抑制胶片引起的泊松(Poisson)噪声和其它形式的噪声：电子透镜的球面像差往往也会降低电子显微镜图像的质量。3)军事公安领域如巡航导弹地形识别，侧视雷达的地形侦察，指纹自动识别，手迹、人像、印章的鉴定识别等等，过期档

3、案文字的识别等，都与图像复原技术密不可分；电视监视器景深不准使可疑分子面目不清，使其难以辨认或者难以作为有利的证据等，这也需要对已有图片模糊部分进行复原以得到较好的图像。4)图像及视频编码领域随着提高编码效率、降低编码图像码率的技术的发展，人为图像缺陷，如方块效应成为一个明显的问题。特别是对某些特殊的应用，如移动视频通信，由于带宽的限制，要求压缩比高，而且在编、解码过程中还可能引入噪声等，这时也需要借助图像复原技术来还原图像。5)其他领域诸如对老照片的处理、对由于散焦或运动造成的图像模糊等，都要

4、用到图像复原技术。2第一章绪论本文中开发的神经网络复原系统主要针对公安领域中的监控图像，根据其应用特点，也可以推广到数码相机等其它拍摄设备的图像复原过程中。1．2国内外研究现状综述图像复原的难易程度主要取决于对退化过程的先验知识掌握的精确程度。对于图像复原，当我们对原始图像有足够的先验知识，对原始图像的退化的类型、机制和过程都十分清楚，那么就可以根据图像退化的先验知识建立退化模型，以此为基础，采用各种反退化的处理方法，如逆滤波等，对图像进行复原，这是典型的图像复原方法。然而要对降质图像建立图像退

5、化模型是非常复杂和困难的。因为在对实际的图像进行处理时，许多先验知识(包括图像及成像系统的先验知识)往往并不具备，这就给图像复原带来了很大的困难。图像复原这个课题从出现到现在已经经历了几十年。全世界有许多研究人员投入此领域中，进行了广泛的研究，对于各种不同的退化图像，从不同的角度提出了许多有价值的算法，但是只有少数一些方法能够在实际情况中针对特定的图像退化获得较好的结果。经典的图像复原方法归纳起来大致可分为逆滤波法(InverseFiltering)和代数方法(A19ebraicTechniqu

6、es)两种。其中逆滤波法大致有经典逆滤波法、维纳滤波法、卡尔曼滤波法等：代数方法可分为伪逆法、奇异值分解伪逆法、维纳估计法和约束图像复原方法等。经典逆滤波的变换函数是引起图像失真的变换函数的逆变换，其在没有噪声的情况下，可产生精确的复原图像，但是在有噪声时，将对复原图像产生严重的影响；维纳滤波法是通过选择变换函数，同时使用图像和噪声的统计信息来极小化均方复原误差，这虽然在一定程度上克服了逆滤波法的缺点，但是需要对退化图像进行满足广义平稳过程的假设，还需要知道非退化图像的相关函数或功率谱特性等等；

7、多帧维纳滤波法，是近年来维纳滤波法的新发展，主要针对图像序列；卡尔曼滤波是一种递归滤波方法，其虽可用于非平稳图像的复原，但是计算量过大，限制了其实际应用的效果。伪逆法，实质上是根据图像退化的向量空间模型来找到引起图像退化的模糊矩阵，但由于模糊矩阵总是很大，因此在计算上往往不可行：而奇异值分解伪逆法则是利用矩阵可分解成特征矩阵系列的思想，将模糊矩阵进行分解，由于简化了计算，从而有利于模糊矩阵的估计计算，但在有噪声存在时，经常会出现不稳定的现象；维纳估计法虽然考虑了噪声的情况，但它仅适合噪声是二维随

8、机过程，且己知其期望和协方差的情况：约束图像复原方法需要设定一些约束条件，如基于维纳估计法和回归技术而提出的图像复原方法就是通过选取不同的约束参数第一章绪论和回归方法得到不同的图像复原算法。这些经典的图像复原算法或面临着高维方程的计算问题，或要求复原过程满足广义平稳过程的假设，这些都是使得具有广泛应用价值的图像复原问题没有得到圆满地解决的根本原因。人工神经网络技术和遗传算法应用于数字图像复原是当前研究的热点。神经网络由于其固有的自学习性、自适应性、强鲁棒性和推广能力，同时由于其在并行处理及大容量