图像复原方法综述(扫盲)
摘要:
图像是人脸视觉的基础,给人具体而直观的作用。图像的数据化包括取样和量化两个部分。数字图像处理就是将图像信号转换程数字格式,并利用计算机进行加工和处理的过程。
图像复原是图像处理中一个重要问题,对于改善图像质量具体重要的意义。解决该问题的关键是对图像的退化过程建立相应的数学模型,然后通过求解该逆问题获得图像的复原模型并对原始图像进行合理估计。
本文主要介绍了图像退化的原因、图像复原技术的分类和目前常用的几种图像复原方法,详细的介绍了维纳滤波、正则滤波、LR算法和盲区卷积,并通过实验证明了该方法的可行性和有效性。
关键词:图像退化、图像复原、维纳滤波、正则滤波、LR算法、盲区卷积
2.图像复原概述
在图像的获取、传输以及保存过程中,由于各种因素,如大气的湍流效应、摄像设备中光学系统的衍射、传感器特性的非线性、光学系统的差、成像设备与物体之间的相对运动、感光胶卷的非线性及物体之间的相对运动、感光交卷的非线性及胶片颗粒噪声以及电视摄像扫描的非线性等所引起的几何失真,都难免会造成图像的畸变和失真。通常,称由于这些因素引起的质量下降为图像退化。
图像退化的典型表现是图像出现模糊、失真,出现附加噪声等。由于图像的退化,在图像接受端显示的图像已不再是传输的原始图像,图像效果明显变差。为此,必须对退化的图像进行处理,才能恢复出真实的原始图像,这一过程就成为图像的复原[1]。
图像复原技术是图像处理领域中一类非常重要的处理技术,与图像增强等其他基本图像处理技术类似,也是以获取视觉质量某种程度的改善为目的,所不同的是图像复原过程实际上是一个估计过程,需要根据某些特定的图像退化模型,对退化图像进行复原。简言之,图像复原的处理过程就是对退化图像品质的提升,并通过图像品质的提升来达到图像在视觉上的改善。
由于引起图像退化的因素众多,且性质各不相同,目前没有统一的复原方法,众多研究人员根据不同的对应物理环境,采用了不同的退化模型、处理技巧和估计准则,从而得到了不同的复原方法。
图像复原算法是整个技术的核心部分。目前,国内在这方面的研究才刚刚起步,而国外却已经取得了较好的成果。早期的图像复原是利用光学的方法对失真的观测图像进行校正,而数字图像复原技术最早则是从对天文观测图像的后期处理中逐步发展起来的。其中一个成功例子是NASA的喷气推进实验室在1964年用计算机处理有关月球的照片。照片是空间飞行器上用电视摄像机拍摄的,图像的复原包括消除干扰和噪声,校正几何失真和对比度损失以及反卷积。另一个典型的例子是对肯尼迪遇刺事件现场照片的处理。由于事发突然,照片是在相机移动过程中拍照的,图像复原的主要目的就是消除移动造成的失真[2] 。
早期的复原方法有:非领域滤波法,最近领域滤波法以及效果好的维纳滤波和最小二乘滤波等。随着数字信号处理和图像处理的发展,新的复原算法不断出现,在应用中可以根据具体情况加以选择。
目前国内外图像复原技术的研究和应用主要集中于诸如空间探索、天文观测、物质研究、遥感遥测、军事科学、生物科学、医学影像、交通监控、刑事侦察等领域。如生物方面,主要是用于生物活体细胞内部组织的三维再现和重构,通过复原荧光显微镜所采集的细胞内部逐层切片图,来重现细胞内部构成;医学方面,如对肿瘤周围组织进行显微镜观察,以获取肿瘤安全切缘与癌肿原发部位之间的定量数据;天文方面,如采用迭代盲反卷进行气动光学应图像复现研究等。
3.图像退化模型
图像复原问题的有效性关键之一取决于描述图像退化过程模型的精确性。要建立图像的退化模型,则首先必须了解、分析图像退化的机理并用数学模型表现出来,在实际的图像处理过程中,图像均需要以数字离散函数表示,所以必须将退化模型离散化[3]。
对于退化图像g(x,y):
如果用矩阵表示上式,则可写为:
(1) 线性移动降质
在拍照时,成像系统与目标之间有相对直接移动会造成图像的降质。水平方向线性移动可以用以下降质函数来描述:
式中,d是降质函数的长度。在应用中如果线性移动降质函数不在水平方向,则可类似地定义移动降质函数。
(2) 散焦降质
当镜头散焦时,光学系统造成的图像降质相应的点扩展函数是一个均匀的圆形光斑。此时,降质函数为:
式中,R是散聚半径。
(3) 高斯(Gauss)降质
Gauss降质函数是许多光学测量系统和成像系统最常见的降质函数。对于这些系统,决定系统点扩展函数的因素比较多。众多因素综合的结果总是使点扩展函数趋于Gauss型。典型的系统可以举出光学相机和CCD摄像机,r相机,CT相机,成像雷达,显微光学系统等。Gauss降质函数可以表达为:
4、几种较经典的复原方法介绍
图像复原算法有线性和非线性两类。线性算法通过对图像进行逆滤波来实现反卷积,这类方法方便快捷,无需循环或迭代,直接可以得到反卷积结果,然而,它有一些局限性,比如:无法保证图像的非负性。而非线性方法通过连续的迭代过程不断提高复原质量,直到满足预先设定的终止条件,结果往往令人满意。但是迭代程序导致计算量很大,图像复原时耗较长,有时甚至需要几个小时。所以实际应用中还需要对两种处理方法综合考虑,进行选择。
(1) 维纳滤波法
维纳滤波法是由Winer首先提出
图像复原方法综述(扫盲)相关推荐
- 【西安交大】2020年最新深度学习目标检测方法综述
关注上方"深度学习技术前沿",选择"星标公众号", 资源干货,第一时间送达! 目标检测的任务是从图像中精确且高效地识别.定位出大量预定义类别的物体实例.随着深度 ...
- 【北大-阿里巴巴】深度哈希方法综述,23页pdf,A Survey on Deep Hashing Methods
关注上方"深度学习技术前沿",选择"星标公众号", 资源干货,第一时间送达! 最近邻搜索是寻找数据库中的数据点,使它们到查询的距离最小,这是计算机视觉.推荐系统 ...
- 文本分类解决方法综述
文本分类解决方法综述 参考文章: (1)文本分类解决方法综述 (2)https://www.cnblogs.com/sxron/articles/7742692.html 备忘一下.
- 【技术综述】基于弱监督深度学习的图像分割方法综述
文章首发于微信公众号<有三AI> [技术综述]基于弱监督深度学习的图像分割方法综述 本文是基于弱监督的深度学习的图像分割方法的综述,阐述了弱监督方法的原理以及相对于全监督方法的优势,首发 ...
- 文献记录(part60)--高维模型选择方法综述
学习笔记,仅供参考,有错必纠 关键词:高维数据;模型选择;惩罚因子;降维;调整参数 文章目录 高维模型选择方法综述 摘要 引言 惩罚因子模型选择法 LASSO方法及其推广 LASSO方法 两步法LAS ...
- 文献学习(part23)--双向聚类方法综述
学习笔记,仅供参考,有错必纠 文章目录 双向聚类方法综述 摘要 引言 双向聚类方法 稀疏双向聚类 谱双向聚类 信息双向聚类 双向聚类方法综述 摘要 传统的聚类方法由于无法提取样本和变量间的局部对应关系 ...
- 【项目调研+论文阅读】(目录)中文实体识别研究方法综述 day6
文章目录 一.基于词典和规则的方法 二.基于统计机器学习的方法 1.隐马尔可夫模型(HiddenMarkovMode,HMM)的方法 2.基于最大熵(MaxmiumEntropy)的 方 法 3.基 ...
- lisp励遍图块中的实体_lisp励遍图块中的实体_「AutoCAD之图块编辑」八仙过海各显神通——图块编辑方法综述......
[AutoCAD之图块编辑]八仙过海各显神通--图块编辑方法综述 图块是AutoCAD设计中的重要核心部分之一,在往期也对其中的某些部分进行了扩展介绍,今天要介绍的是与图块有关的编辑方法. 主要分成三 ...
- 镜头分割:像素域方法综述
本文摘自论文<视频镜头分割方法综述>,列举并比较了几种像素域的镜头分割方法. 1 基于像素的镜头分割算法 基于像素的镜头分割主要是对视频帧的图像底层处理过程,包括亮度.灰度或者色彩值,其计 ...
- 论文阅读—图像分割方法综述(二)(arXiv:[cs:cv]20200410)
上一篇章,主要介绍了目前图像分割领域常用的基础网络结构,以及总结了十大图像分割算法,本节继续介绍剩余算法. 论文阅读-图像分割方法综述(一)(arXiv:[cs:cv]20200410) 论文阅读-图 ...
最新文章
- 根证书和中间证书的区别
- python语言编写一个生成九宫格图片的代码_Python切割图片成九宫格的示例代码
- 网站发布问题及使用Web Deployment Projects
- Python 面向对象-如何查看类的父类,外部如何获取类的名字
- Faster-RCNN训练自己数据集遇到的问题集锦
- system.img解包打包工具_好程序员云计算学习路线分享文件打包及压缩
- windows Hyper-V Server 2012创建脚本运行环境
- 三年级神奇电子计算机教案,人教版小学三年级下册信息技术教案
- _INTSIZEOF
- Android 系统性能优化(43)---Android OOM案例分析
- 交钱赎“人”!B站500万粉UP主被黑客勒索,腾讯都表示无解
- Android音视频【六】视频数据存储方式YUV
- 利用定时器中断方式控制led灯的闪烁速度_实验四 LED点阵
- SpringMVC入门简单静态资源处理
- 关于 “文件上传路径 C:/fakepath (安全机制)” 的解说办法
- 算法-点线关系-投影在线段上各点距离最大
- Iphone快捷指令示例:自动更换墙纸并叠放近期日程在墙纸上
- 无线路由器dhcp服务器连接失败,TP-Link路由器桥接提示“获取IP地址失败,请检查DHCP是否开启”怎么办...
- 基于量子计算的无收益标的资产欧式看涨期权定价和delta风险分析
- 决策树6:分类与回归树CART