数字图像处理(冈萨雷斯)-5(精品·公开课件).ppt

第五章 图像复原与重建 5.1 图像退化/复原过程的模型 常见退化图像 常见退化图像 常见退化图像 5.1 图像退化/复原过程的模型 5.1 图像退化/复原过程的模型 5.1 图像退化/复原过程的模型 5.1 图像退化/复原过程的模型 有噪声情况下的图像复原 必须知道噪声的统计特性以及噪声和图像信号的相关情况，这是非常复杂的。在实际应用中，往往假设噪声是白噪声，即它的频谱密度为常数，且与图像不相关。 不同的复原技术需要不同的有关噪声的先验信息，如维纳滤波器需要知道噪声的谱密度，而约束去卷积法只需要知道噪声的协方差. 5.2 噪声模型 图像样本 典型的周期噪声---正弦噪声 Sinusoidal （单一频率） 5.2.4 噪声参数的估计 典型的周期噪声参数是通过检测图像的傅里叶谱来进行估计的。 周期噪声趋向于产生频率尖峰，这些尖峰甚至通过视觉分析也经常可以检测到。 另一种方法是尽可能直接从图像中推断噪声分量的周期性，但这仅仅在非常简单的情况下才是可能的。 当噪声尖峰格外显著或可以使用关于干扰的频率分量一般位置的某些知识时，自动分析是可能的。 噪声参数的估计 5.3 空间域滤波复原（唯一退化是噪声） 5.3.3 自适应滤波器 5.4 图像复原的频率域滤波器 ——目的：消减周期噪声 典型的周期噪声---正弦噪声 Sinusoidal 5.4.1 带阻滤波器 5.4.2 带通滤波器 5.4.3 陷波滤波器 (a)正弦噪声图像 (b)正弦噪声幅度谱 Sinusoidal （多频率） 计算一小块带有(a)高斯 (b)瑞利 (c)均匀噪声的图像的直方图 计算小块图像的灰度值的均值和方差。考虑由S定义的一条子带(子图像) 当唯一退化是噪声时，则退化系统 噪声项未知，不能从g(x,y)或G(u,v)减去噪声。（如果是周期噪声，也许可以） 可以选择空间滤波方法进行图像复原 图像复原的空间滤波器 均值滤波 算术均值滤波器、几何均值滤波器、谐波均值滤波器、逆谐波均值滤波器 统计排序滤波器 中值滤波器、最大值滤波器、最小值滤波器、中点滤波器、修正后的阿尔法均值滤波器 自适应滤波器： 自适应局部噪声消除滤波器、自适应中值滤波器 ? ? ? 算术均值滤波器 5.3.1 均值滤波器 ? ? ? 表示中心在(x,y)，尺寸为m×n的矩形窗口 平滑了一幅图像的局部变化 在模糊了结果的同时减少了噪声 几何均值滤波器 5.3.1 均值滤波器 ? ? ? 表示中心在(x,y)，尺寸为m×n的矩形窗口 几何均值滤波器所达到的平滑度可以与算术均值滤波器相比 但几何均值滤波器在滤波过程中，与算术均值滤波器相比，会丢失更少的图像细节——相对锐化 谐波均值滤波器 5.3.1 均值滤波器 ? ? ? 表示中心在(x,y)，尺寸为m×n的矩形窗口 谐波均值滤波器对于“盐”噪声效果好，但不适用于“胡椒”噪声 善于处理高斯噪声等 逆谐波均值滤波器 5.3.1 均值滤波器 ? ? ? 表示中心在(x,y)，尺寸为m×n的矩形窗口 Q称为滤波器的阶数。当Q为正数时，用于消除“胡 椒”噪声；当Q为负数时，用于消除“盐”噪声，但不能同时消除“椒盐”噪声 当Q=0，逆谐波均值滤波器转变为算术均值滤波器 当Q=-1，逆谐波均值滤波器转变为谐波均值滤波器 ? 例5.2 均值滤波举例 原图 3×3算术均值滤波器 被均值为0，方差为400的高斯噪声污染 3×3几何均值滤波器，图像更清晰 5.3.1 均值滤波器 “胡椒”噪声干扰图像 3×3大小，Q=1.5的 逆谐波均值滤波器 “盐”噪声干扰图像 3×3大小，Q=-1.5的 逆谐波均值滤波器 5.3.1 均值滤波器 例5.2 均值滤波举例 ? ? ? 总结 算术均值滤波器和几何均值滤波器适合于处 理高斯或均匀等随机噪声 谐波均值滤波器适合于处理脉冲噪声 缺点：必须事先知道噪声是暗噪声还是亮 噪声，以便于选择合适的Q符号 5.3.1 均值滤波器 5.3.2 统计排序滤波器 中值滤波器 在相同尺寸下，比起均值滤波器引起的模糊少 对单极或双极脉冲噪声非常有效 最大值滤波器 用于发现图像中的最亮点 可以有效过滤“胡椒”噪声（因为“胡椒”噪声是非常低的值） 最小值滤波器 用于发现图像中的最暗点 可以有效过滤“盐”噪声（因为“盐”噪声是非常高的值） 5.3.2