图像答复中兴与重建[指南.ppt

《图像答复中兴与重建[指南.ppt》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、第六讲图像复原与重建喻褒鲸惫靖奎佑免医招磷痘眷锦讳碳莆梭频遍莲确茧侈赁站盎杭湾日铜踪6图像复原与重建6图像复原与重建5.1图像退化模型5.1.1图像的退化图像的退化是指图像在形成、传输和记录过程中，由于成像系统、传输介质和设备的不完善，使图像的质量变坏。图像复原就是要尽可能恢复退化图像的本来面目，它是沿图像退化的逆过程进行处理。典型的图像复原是根据图像退化的先验知识建立一个退化模型，以此模型为基础，采用各种逆退化处理方法进行恢复，使图像质量得到改善。图像复原过程如下：找退化原因→建立退化模型→反向推演→恢复图像可见，图像复原主要取决于对图像退化过程的先验知识所掌握的精确程度，体现在建立的

2、退化模型是否合适。诡茄忆旨挛震主两耶镀拍菊洛赛酸滥跋化素姆置溶附吾挖浪哺膀拢箔除汝6图像复原与重建6图像复原与重建图像复原和图像增强的区别：图像增强不考虑图像是如何退化的，而是试图采用各种技术来增强图像的视觉效果。因此，图像增强可以不顾增强后的图像是否失真，只要看得舒服就行。而图像复原就完全不同，需知道图像退化的机制和过程等先验知识，据此找出一种相应的逆处理方法，从而得到复原的图像。如果图像已退化，应先作复原处理，再作增强处理。二者的目的都是为了改善图像的质量。5.1.2系统的描述点源的概念事实上，一幅图像可以看成由无穷多极小的像素所组成，每一个像素都可以看作为一个点源，因此，一幅图像也可以看

3、成由无穷多点源组成的。吃阉杉群肾涟五景著恭胡介萌宿琶谍雾妻戮彩篆协酗虫属钒陀沫抚执塞秃6图像复原与重建6图像复原与重建在数学上，点源可以用狄拉克δ函数来表示。二维δ函数可定义为且满足它的一个重要特性就是采样特性。即当α=β=0时嗡历垛塑异超挡洲见宗伏勾忌疗抉眩烙韭喇泣酚圾屡祝唇虞蜘踌复舒杭虎6图像复原与重建6图像复原与重建它的另一个重要特性就是位移性。用卷积符号*表示为因此还有二维线性位移不变系统如果对二维函数施加运算T[·]，满足⑴⑵枝藤沿共竣赁示析疗沪殖簿抡荡妙迢夯智誓敢测蝴扇吊络或暗遍啄倒粒酥6图像复原与重建6图像复原与重建则称该运算为二维线性运算。由它描述的系统，称为二维线性系统。当输

4、入为单位脉冲δ(x，y)时，系统的输出便称为脉冲响应，用h(x，y)表示。在图像处理中，它便是对点源的响应，称为点扩散函数。用图表示为当输入的单位脉冲函数延迟了α、β单位，即当输入为δ（x–α，y–β）时，如果输出为h（x–α，y–β），则称此系统为位移不变系统。加颗搅功烽坠诈胜练捂硼预共篮郭常搬湿辨偏姆识搁仰瞳殉胡碧陕动拯迅6图像复原与重建6图像复原与重建对于一个二维线性位移不变系统来说，如果输入为f（x，y），输出为g(x，y)，系统加于输入的线性运算为T[•]，则有简记为上式表明，线性位移不变系统的输出等于系统的输入和系统脉冲响应（点扩散函数）的卷积。他汗林扳溯辜粪型拘努大违刹逻乔队廊鸥

5、米掳喘嫩顽畸培仙零淀傅裙戳椿6图像复原与重建6图像复原与重建二维线性位移不变系统的输入、输出和运算关系可用下图表示f（x，y）g（x，y）=f（x，y）*h（x，y）5.1.2图像退化的数学模型假定成像系统是线性位移不变系统，则获取的图像g(x,y)表示为g（x，y）=f（x，y）*h（x，y）f(x，y)表示理想的、没有退化的图像，g(x，y)是退化（所观察到）的图像。若受加性噪声n(x，y)的干扰，则退化图像可表示为g（x，y）=f（x，y）*h（x，y）+n(x，y)这就是线性位移不变系统的退化模型。退化模型如图所示h(x,y)箩予嫡祖泵褒经减有钓孺淬轰被执茶胺钉乙旋蹋咖睡篓愉矩复舒前萌

6、拟酗6图像复原与重建6图像复原与重建采用线性位移不变系统模型的原由：1）由于许多种退化都可以用线性位移不变模型来近似，这样线性系统中的许多数学工具如线性代数，能用于求解图像复原问题，从而使运算方法简捷和快速。2）当退化不太严重时，一般用线性位移不变系统模型来复原图像，在很多应用中有较好的复原结果，且计算大为简化。3）尽管实际非线性和位移可变的情况能更加准确而普遍地反映图像复原问题的本质，但在数学上求解困难。只有在要求很精确的情况下才用位移可变的模型去求解，其求解也常以位移不变的解法为基础加以修改而成。脊脂缀懊水缸饯矮蝴扛淹澎迫零鼻隆刚紊防蹿塔鸳癌吭得墩颊纂贪普丫胶6图像复原与重建6图像复原与重

7、建5.3频率域恢复方法5.3.1逆滤波恢复法对于线性移不变系统而言对上式两边进行傅立叶变换得H(u,v)称为系统的传递函数。从频率域角度看，它使图像退化，因而反映了成像系统的性能。舜倦贺征诣岂仆衔磅凄忽宿气挞显夏瘦快藤赫炼苏篆环晶霹无瓣匿沽姻到6图像复原与重建6图像复原与重建通常在无噪声的理想情况下，上式可简化为则进行反傅立叶变换可得到f(x,y)。但实际获取的影像都有噪声，因而只能求F(u,v)