外文翻译--汪闯

《外文翻译--汪闯》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、毕业设计（论文）外文翻译毕业设计（论文）外文文献翻译题目：模糊图像的盲去卷积复原算法学院：数理学院专业名称：应用物理学学号：200941220105学生姓名：汪闯指导教师：余宏生2013年01月09日毕业设计（论文）外文翻译模糊图像的盲去卷积复原算法作者：AnandNagar,Krishnankoil，AnandNagar,Krishnankoil摘要：图像复原是从退化图像恢复原始图像的过程。该项目希望使用盲去卷积算法复原模糊/退化图像。图像复原的根本任务是根据可准确描述退化图像失真的点扩散函数进行逆运

2、算。首先对原始图像使用退化模型退化。它可以通过一种用于图像模糊的低通滤波器高斯滤波器来完成。在模糊图像边缘，出现的振铃效应可以使用Canny边缘检测方法检测，然后可以在恢复过程前被消除。盲去卷积算法应用于模糊的图像，使得在不知道退化滤波器、加性噪声和点扩算函数的情况下恢复原始图像成为可能。为了获得有效的结果，最大似然（MLE）估计方法被用于我们所提出的盲去卷积算法。关键词：盲去卷积算法，Canny边缘检测，退化模型，图像复原，最大似然估计法，点扩散函数。I.引言图像复原是一个逆问题，它希望恢复一个线性退

3、化的图象。模糊退化能够空间不变。图像复原方法可分为两大类：非盲复原，其中的模糊算子是已知的；和盲复原，模糊算子是未知的。模糊是在不完美的图像形成过程中一种图像带宽减少的形式。它可以通过摄像头和原图像之间相对运动造成的。一个图像可用低通滤波器和他的噪声来退化。该低通滤波器使用某些函数来模糊/平滑图像。图像复原是提高退化图像质量。它是从扭曲的图像恢复到原来的图像。这是一个客观的过程，消除了感知环境的影响。它是一个使用图像特性从退化或观察图像复原原始场景图像的过程。有两大类的图像复原的概念：图像卷积和图像盲去

4、卷积。图像卷积是一种线性图像复原问题，它使用观察或退化图像和已知的PSF（点扩散函数）来估计真实图像的参数。图像盲去卷积是一个更困难的图像复原，它仅仅依靠很少或根本没有点扩散函数的先验知识对图像进行重构。去卷积的好处是更高的分辨率和更好的图像质量。毕业设计（论文）外文翻译本文的结构如下：第2节描述了一个模糊图像的退化模型。第3节描述的是Canny边缘检测。第4节介绍了本文的去模糊算法和整体架构。第5节介绍了使用我们所提出的算法恢复图像的抽样结果。第6节描述的结论，比较和今后的工作。I.退化模型在退化模型

5、中，图像使用滤波器和加性噪声模糊。图像可以利用高斯滤波器和高斯噪声退化。高斯滤波器代表一个模糊的点扩散函数。退化的图像可以被描述为下式（1）在方程（1），g是退化/模糊图像，H是空间不变函数（i.e）的模糊函数，f为原始图像，n为加性噪声。下面的图1代表退化模型的结构。图1退化模型可以通过该技术实现图像复原，高斯模糊。这是2维高斯函数卷积图像。A）高斯滤波器：高斯滤波器是利用高斯函数模糊图像。它需要两个参数：均值和方差。它是加权模糊。高斯函数的形式如下（2）其中σ为方差，x和y分别表示横坐标和纵坐标的距

6、离.高斯滤波器效率较高，它可以在相对短的时间内产生一个非常模糊的图像。B）高斯噪声：能够模拟噪声的行为和影响是图像复原的核心。高斯噪声是一个有恒定的均值和方差的白噪声。均值和方差的默认值分别为0和0.01。C）模糊参数：毕业设计（论文）外文翻译对于一幅模糊图像，所需要的参数是：点扩散函数，模糊长度，模糊的角度和噪声类型。点扩散函数是一个模糊的函数。当观测点图像强度在几个像素值扩散，这就是所谓的点扩散函数。模糊长度是退化图像退化的像素数。这是像素从原来的位置转移的数目。模糊角是指在哪个角度图像退化。可用的

7、噪声类型是高斯噪声，椒盐噪声，泊松噪声，斑点噪声，都可用来模糊图像。在本文中，我们使用高斯噪声也被称为白噪声。它需要均值和方差两个参数。D）退化模型的算法输入：载入输入图像“f”初始化模糊长度'1'初始化模糊角'theta'指定的噪音'n'PSF（点扩散函数）'h'程序-Ⅰh=create(f,l,theta)%产生点扩散函数Blurredimage(g)=f*h+ng=filter(f,h,n,”convolution”)如果在'g'边缘包含“振铃”，利用边缘平滑函数消除振铃效应。如果在'g'边缘不包

8、含“振铃”，转到步骤-Ⅱ，结束程序-Ⅰ1.1Canny边缘检测和振铃效应去模糊函数利用离散傅立叶变换在图像的边缘产生高频衰减。这种高频衰减可以在去模糊图像中产生一个效果称为边界有关的振铃。为了避免图像边缘的振铃效应，我们必须检测图像的边缘。有各种边缘检测方法可用来检测图像的边缘。利用Canny边缘检测方法可以有效的检测图像边缘。它不同于其他的边缘检测方法，比如Sobel,，Prewitt，Roberts，Log，因为它使用了两个不同的阈值对