paper 108:系统学习数字图像处理之图像复原与重建
首先,必须注意这里所限制的处理条件。
关于图像退化/复原模型
退化的图像是由成像系统的退化加上额外的噪声形成的。
1.只考虑噪声引起的退化
噪声模型,包含于空间不相关和相关两种,除了空间周期噪声,这里所讨论的都是空间不相关的噪声,如高斯,爱尔兰,瑞利,指数分布,均匀分布,脉冲(椒盐)噪声等。
针对只存在噪声引起的退化,首先要估计噪声参数,然后估计噪声模型,接着做噪声滤除。此处可以选择空间滤波方法,图像增强与复原没有区别。几类滤波器的效果特性如下:
1.均值滤波
当图像仅存在加性噪声时,采用均值滤波
算数均值滤波,模糊图像,复原效果最差
几何均值滤波,与算数均值平滑度差不多,但细节丢失更少,
以上两种适合处理高斯或均匀噪声分布。
谐波均值滤波,适用于处理高斯和均匀分布噪声处理,在白点(盐噪声)效果好,不适合胡椒噪声。
逆谐波均值滤波,根据阶数处理椒/盐噪声,不能同时消除椒盐噪声。阶数为0,变成算数均值,为-1,变成谐波均值滤波器。如果Q选择不当,会产生严重后果。
2.顺序统计滤波
中值滤波
特点:1)在相同尺寸下,比起均值滤波器引起的模糊少;
2)对单极或双极脉冲(椒盐)噪声非常有效。只要脉冲噪声的空间密度不大,经验为(小于0.2)。
3)适于处理椒盐噪声,通过多次使用小模板,可以获得很好的去噪效果,但多次应用中值滤波器,会使图像模糊。
最大值滤波
特点:1)对图像中的亮点敏感;
2)最大值滤波器对于“椒”噪声具有良好消除效果。
3)最大值滤波器可以去除”胡椒”噪声,但会从黑色物体边缘移走一些黑色像素。
最小值滤波
1) 对图像中的暗点敏感;
2) 最小值滤波器对于“盐”噪声具有良好消除效果。
3)最小值滤波器可以去除”盐”噪声,但会从亮色物体边缘移走一些白色像素。
中点滤波,
这种滤波器结合了顺序统计和求平均 (均匀),对于高斯和均匀随机分布噪声有最好的效果。
修正后的α均值滤波
当滤波器非退变为算数均值和中值滤波器的情况下,非常适合于高斯和椒盐噪声混合的情况。
3.自适应滤波
自适应滤波优于以上讨论的所有滤波器。
自适应局部噪声消除滤波,需要估计噪声方差。但要注意噪声方差和图像方差比率超过1时的处理问题,一种是超过1限制在1,这会导致滤波的非线性,但可以防止负值,另外一种是允许出现负值,但最后要重新标定灰度值,但结果是损失动态范围。
自适应中值滤波,相比传统中值滤波有更大概率的处理空间,另外可以平滑非脉冲噪声时试图保留细节,减少图像边界的细化和粗话失真。
4,频域滤波
带阻,带通,陷波已经在之前讲过,不赘述。这里只增加最佳陷波滤波器。
通常不会清楚定义干扰模式,有几种干扰同时存在的时,且干扰成分不在是单频脉冲,前面的方法就不在适用。这里采用最佳的,最小化复原估计值的局部方差。
首先要提取噪声主频成分,得到噪声函数,再次选取加权函数(或者叫调制函数),然后以某种有意义的方法使得估计值在每一点指定领域上的方差最小。
2.噪声和成像系统退化同时存在
1.先说线性,位置不变的退化
线性,输入之和的响应等于输入响应的和,位置不变,表示只与输入值有关,与位置无关。
所以,在有加性噪声,且噪声随机,与位置无关时,有结论:对于具有加性噪声的线性空间不变退化系统,可表示为退化函数与图像的卷积,再加上噪声。
2.估计退化函数。
观察估计,选择一个强信号区域,这里受噪声的干扰可以忽略。接着处理该区域得到尽可能不模糊的结果。两者的DFT之比即可近似为退化函数。
试验估计,模拟出与获得退化图像的设备相似的装置,用冲激成像。
建模估计,数学建模,如大气湍流,匀速运动物体的退化函数模型等。
3.图像复原
忽略噪声后,退化模型的DFT,其中H已知,则IDFT(F)得到复原图像,这就是逆滤波。实际中,H为0或者接近0时,F变成无穷大或者非常大的数。
不忽略噪声时,不能 准确复原,因为噪声的DFT未知,如果退化是0或者接近0,噪声数值即使很小,但还是很容易决定F的估计值,因为复原公式中噪声复原引起的数值很大。
解决退化是0或者接近0的方法是,限制滤波频率,使其接近原点。即图像复原在H的原点周围的有限区域进行。
这种一般的直接逆滤波,效果较差,没有说明如何处理噪声。下面改进的方法是:
维纳滤波
它会综合考虑退化函数和噪声的统计特征。即寻找一个滤波器使其复原后的图像与原图像均方误差最小。因此,维纳滤波又叫最小均方误差复原,也叫最小二乘误差滤波器。注意,维纳滤波假设噪声和图像不相关,未污染图像和估计图像中有一个有零均值,且估计的灰度级是退化图像灰度级的线性函数。如果噪声均值为0,则维纳滤波器变成逆滤波器。信噪比,是以噪声和未退化图像的功率谱为基础的定义的。然而,未退化图像的功率谱很少已知,则常用常数K来估计。
因此维纳滤波的缺点是,
未退化图像和噪声的功率谱必须是已知的;
功率比(信噪比)常数K的估计一般还是没有合适的解。
转载于:https://www.cnblogs.com/molakejin/p/5766159.html
paper 108:系统学习数字图像处理之图像复原与重建相关推荐
- 系统学习数字图像处理之图像复原与重建
首先,必须注意这里所限制的处理条件. 关于图像退化/复原模型 退化的图像是由成像系统的退化加上额外的噪声形成的. 1.只考虑噪声引起的退化 噪声模型,包含于空间不相关和相关两种,除了空间周期噪声,这里 ...
- 系统学习数字图像处理之目标识别
模式:描绘子组合,即特征.x = (x1,x2,...xn)T. •模式类:共享某些属性的模式族 •常见模式组合: 向量.串和树 •类型可分离的程度的高低很大程度上取决于应用的描绘子的选择 两大模式识 ...
- 第5章 Python 数字图像处理(DIP) - 图像复原与重建1 - 高斯噪声
本章主要讲图像复原与重建,首先是了解一下各种噪声的特点与模型,还有形成的方法.一些重点的噪声,如高斯噪声,均匀噪声,伽马噪声,指数噪声,还有椒盐噪声等. 本章主要的噪声研究方法主要是加性噪声. 标题 ...
- 系统学习数字图像处理之频域滤波
最近在看模板匹配,虽然很简单,但还是想认真过下基础,因此把信号处理频域相关的内容,接着图像处理再过一遍. 理论上,对连续变量t的连续函数f(t)的傅里叶变换为F(u),利用f(t)取样后的函数重建f( ...
- 系统学习数字图像处理之形态学分析补充(灰度级处理)
一 基本概念 所谓的灰度级膨胀和腐蚀即将而知图像的二值形态学运算推广到灰度图像上.对于一幅图像的腐蚀(膨胀)运算定义为对每个像素赋值为某个领域内输入图像灰度级的最小(或最大值).在二值变换中的结 ...
- 系统学习数字图像处理之图像压缩
1.霍夫曼编码 霍夫曼编码的基本思想:输入一个待编码的串,首先统计串中各字符出现的次数,称之为频次,假设统计频次的数组为count[],则霍夫曼编码每次找出count数组中的值最小的两个分别作为左右孩 ...
- 系统学习数字图像处理之描绘子
图像分割结果是得到了区域内像素集合,或位于区域边界上的像素集合. 把图像分割后,为了进一步的识别等处理,分割后的图像一般要进行表示和描述. 表示是直接具体地表示目标,好的表示方法应具有节省存储空间.易 ...
- 系统学习数字图像处理之图像分割
图像分割,有区域法,直接确定边界,边缘检测法,大多数算法基于灰度的不连续性(边缘检测)和相似性(阈值处理,区域生长,区域分裂,区域聚合). 边缘分类:台阶边缘,斜坡边缘,屋顶边缘,一阶导数会产生粗边缘 ...
- 系统学习数字图像处理之形态学分析
http://blog.csdn.net/app_12062011/article/details/27351043 继膨胀.腐蚀.开运算和闭运算之后的有一个基本操作就是击中击不中变换(HMT),HM ...
最新文章
- 11.3/11.4/11.5 MySQL安装
- [云炬创业学笔记]第一章创业是什么测试11
- 云漫圈 | 如何给女朋友解释什么是HTTP
- 基础练习 高精度加法(蓝桥杯 java)
- 使用VS2008在windows平台上试用Kinect
- 数据库设计(五)第一范式(1NF)?
- 基于jquery.fixedheadertable 表格插件左侧固定 对齐
- Unity3D常用知识点总结
- php商城项目开发视频_ThinkPHP开发大型商城项目实战视频_ThinkPHP商城开发案例
- 三个人比饭量大小,每个人说了两句话。 A说:B比我吃得多,C和我吃得一样多。 B说:A比我吃得多,A也比C吃得多。 C说:我比B吃得多,B比A吃得多。 事实上饭量越小的人讲对的话越多。
- 状态机在PLC中的应用
- Pytorch 并行训练(DP, DDP)的原理和应用
- 上海南到金山卫22号线金山铁路最新时刻表
- FPGA 之 SOPC 系列(二)SOPC开发流程及开发平台简介
- uniapp打包WGT背景图不显示问题
- 怎么推导亥姆霍兹方程
- 推荐25个免费下载精美网站模板的网站
- 【英语面试】二.计算机专业英语面试常见问题(研究方向/前沿技术/本科毕设篇)
- VUE中使用百度地图BaiduMap
- 超简化版HBASE图书管理系统
热门文章
- Java开发中常用的设计模式-单例模式
- 2021年最新的Java面试题,精选100题,大厂必备
- 开课吧Java课堂:如何使用比较函数?
- Centos7-安装Weblogic并配置 domain
- asp.net core系列 37 WebAPI 使用OpenAPI (swagger)中间件
- 工具 - 怎么看微信h5的源码?
- Linux堆内存管理深入分析 (上半部)【转】
- Angular5--viewChild/viewChildren、contentChild/contentChildren使用规则小结
- Codeforces Round #320 (Div. 2) [Bayan Thanks-Round]
- Linux-apache的编译安装1