400 likes | 609 Views
第 5 章 图像复原. 图像复原-又称为图像恢复. 与图像增强相似-都要得到在某种意义上改进的图像,或者说,希望要改进输入图像的视觉质量 不同之处-图像增强技术一般要借助人的视觉系统的特性,以取得看起来好的视觉结果,而图像复原则认为图像是在某种情况下退化或恶化了 ( 图像品质下降了),现在需要根据相应的退化模型和知识重建或恢复原始的图像 图像恢复技术是要将图像退化的过程模型化,并据此采取相反的过程以得到原始的图像. 图像恢复的内容. 退化模型和循环矩阵对角化 复原的代数方法 逆滤波 最小二乘方滤波 交互式恢复 空间复原技术. 退化模型和循环矩阵对角化.
E N D
图像复原-又称为图像恢复 • 与图像增强相似-都要得到在某种意义上改进的图像,或者说,希望要改进输入图像的视觉质量 • 不同之处-图像增强技术一般要借助人的视觉系统的特性,以取得看起来好的视觉结果,而图像复原则认为图像是在某种情况下退化或恶化了(图像品质下降了),现在需要根据相应的退化模型和知识重建或恢复原始的图像 • 图像恢复技术是要将图像退化的过程模型化,并据此采取相反的过程以得到原始的图像
图像恢复的内容 • 退化模型和循环矩阵对角化 • 复原的代数方法 • 逆滤波 • 最小二乘方滤波 • 交互式恢复 • 空间复原技术
退化模型和循环矩阵对角化 传感器非线性畸变 • 退化模型 光学系统中的衍射 光学系统的像差 产生原因 几何畸变 摄影胶片的非线性 图像运动造成的模糊 大气流的扰动效应
定义: • f[x,y]: 原始图像 • g[x,y]: 退化图像 • n[x,y]: 加性噪声 • g[x,y] = H{f[x,y]} + n[x,y] • H{ }: 系统或操作 图像恢复就是在给定g(x,y)和代表退化的H的基础上,得到对f(x,y)的某个近似的过程
简单的通用退化模型 n(x,y) g(x,y) f(x,y) H{.} +
常数 2幅图像 H多具有的性质 • 线性: • H{k1f1 + k2f2} = k1H{f1} + k2H{f2} • 相加性:令 k1 = k2 = 1,则 • H{f1 + f2} = H{f1} + H{f2} • 一致性:令 f2 = 0,则 • H{k1f1} = k1H{f1} • 位置(空间)不变性: • H{f[x-a, y-b] } = g[x-a, y-b] 图像任意位置的响应只与在该位置的输入值有关,而与位置本身无关
常见具体退化模型示例 线性 空间不变 非线性 摄影胶片的冲洗过程 模糊退化 光学成像系统,由于孔径衍射产生的退化 目标运动造成的模糊退化 随机噪声迭加,随机性的退化
退化模型的计算 假设对2个函数f(x)和h(x)进行均匀采样,其结果放到尺寸为A和B地2个数组。 对f(x),x的取值范围是0,1,2…A-1;对h(x),x的取值范围是0,1,2,….B-1。利用卷积计算g(x)。为了避免卷积的各个周期重叠,取M≥A+B-1,并将函数用0扩展补齐 fe(x)和he(x)表示扩展函数,卷积为 ge(x)=∑fe(m)he(x-m)x=0,1,…M-1 矩阵表示 g和f是M维列矢量: fT = [ f[0], f[1], …, f[M-1] ] gT = [ g[0], g[1], …, g[M-1] ] g=Hf
H称为M×M循环矩阵 H= 考虑噪声 g=Hf+n (1)
循环矩阵对角化 如果直接对式(1)进行计算求解f,计算量达,如M=N=512 ,则H的尺寸为262144×262144,可以通过对角化H来简化 当k=0,1…M-1时,循环矩阵H(设为M×M)的特征矢量和特征值分别为
将H的M个特征矢量组成1个M×M的矩阵W W = [w(0) w(1) w(2) … w(M-2) w(M-1)] H = WDW-1D = W-1HW 其中:D(k,k) = λ(k),WW-1 =W-1W=I
复原的代数方法 • 图像复原的主要目的是当给定退化的图像g以及H和n的某种假设,估计出原始图像f • 代数复原方法的中心是寻找一个估计的f^,它使事先确定的某种优度准则为最小
无约束复原方法 • 由退化模型可知,其噪声项为: n= g-Hf 在并不知道n的情况下,希望找到一个f^,使得Hf^在最小二乘方意义上来说近似于g,也就是说,寻找一个f^,使得 ||n||2 = ||g – Hf^||2 J(f^)
或 nTn = (g – Hf^)T(g – Hf^) 实际上是求J(f^)的极小值问题,除了要求J(f^)为最小外,不受任何其它条件约束,因此称为无约束复原 dJ(f^ )/df^ = 0 = -2HT(g – Hf^) 即 f^ = (HTH)-1 HTg (2) M=N时,则有 f^ = H-1(HT)-1 HTg = H-1 g
约束复原方法 • 在最小二乘方复原处理中,为了在数学上更容易处理,常常附加某种约束条件。 如令Q为f的线性算子,最小二乘复原问题可看成是使形式为||Qf^||2函数,服从约束条件||g – Hf^||2 = ||n||2 的最小问题,这种带有附件条件的极值问题可用拉各朗日乘数法处理
处理过程 寻找一个f^,使下述准则函数为最小 J(f^) = ||Qf^||2 + α{||g – Hf^||2 - ||n||2} 拉各朗日系数 dJ(f^ )/df^ = 0 f^ = (HTH + γQTQ)–1 HTg α=1/λ
逆滤波 • 基本原理 在不考虑噪声的情况下,假设M=N,则根据前面的公式,有 反向滤波的作用 f^ = H–1 g = WD–1 W–1 g 或 W–1 f^ = D–1 W–1 g F^(u,v) = G(u,v)/H(u,v) 傅立叶变换 经过傅立叶反变换,可求得原始图像f(x,y)
F^(u,v) = F(u,v) + N(u,v)/H(u,v) • 在有噪声的情况下 从上面两式可以看出,在进行复原处理时可能会发生下列情况: • H(u,v)=0或H(u,v)非常小,在这种情况下,即使无噪声,也无法精确恢复f(x,y) • 在有噪声存在时,在H(u,v)的邻域内,H(u,v)的值可能比N(u,v)的值小的多,由上式得到的噪声项可能会非常大,不能使f(x,y)正确恢复
一般说,逆滤波不能正确估计H(u,v)的零点 实际中,不用1/H(u,v),而用另外一个关于u,v的函数M(u,v) 处理框图为: F^(u,v) G(u,v) + f(x,y) M(u,v) H(u,v) N(u,v) 1/H(u,v) u2+v2≤w20 M(u,v)= 1 u2+v2> w20
例子 散焦模糊 利用大的邻域进行恢复 原始图像 利用原始图像的一个邻域光谱面恢复
消除匀速直线运动引起的模糊 • 在获取图像时,由于景物和摄像机之间的相对运动,造成图像的模糊。 假设对平面匀速运动的景物采集1幅图像f(x,y),并设x0(t)和y0(t)分别是景物在x和y方向的运动分量,T是采集时间长度。 实际采集到的由运动而造成的模糊图像g(x,y)为: g(x,y)=∫0Tf[x-x0(t),y-y0(t)]dt G(u,v) = F(u,v) 0Texp{-j2p[ux0(t) + vy0(t)]}dt = F(u,v)H(u,v) H(u,v) = 0Texp{-j2p[ux0(t) + vy0(t)]}dt 如果知道运动分量x0(t)和y0(t),从上式直接得到H(u,v)
只考虑x方向的运动情况,即x0(t)=ct/T,y0(t)=0,则只考虑x方向的运动情况,即x0(t)=ct/T,y0(t)=0,则 H(u,v) = 0Texp{-j2πux0(t)}dt = (T/πuc)sin(πuc)e-jπuc 当n为整数时,H在u=n/c处为0 根据模糊图像g(x,y),不考虑y的变化 g(t) = 0Tf[x-x0(t)]dt = 0Tf[x-ct/T]dt = x-cxf[t]dt, 0 x L 其中:t = x – ct/T. 因此, g’(x) = f(x) – f(x-c) or f(x) = g’(x) + f(x-c)
假设 L = Kc, 其中 K使整数. 变量x为: x = z + mc 其中 z 在[0,c]范围, m 是 (x/a)的整数部分 (m 的取值为 0, 1, …, K-1). 则, f(z+mc) = g’(z+mc) + f[z+(m-1)c] 这个等式能通过递归 f(z)解决, f(z) = f(z-a) 定义为运动范围的一部分 0 z < c. f(x) = Sk=0m g’(x-kc) + f(x-mc) 由于g(x)为已知,问题就转化为估计f(x)
为了估计f(x): f(x-mc) = f(x) – f^(x). • 对每个 kc x < (k+1)c计算,并将 k = 0, 1, …, K-1 的结果加起来,得到 • Kf(x) = Sk=0K-1f(x+kc) – Sk=0K-1f^(x+kc), 0 x < c • f(x) A – (1/K) Sk=0K-1f^(x+kc), 0 x < c • 其中 (1/K) Sk=0K-1f(x+kc) 是未知的,但是当 K很大时,其接近平均值,将其设为常数A。 • 因此, • f(x-mc) A – (1/K) Sk=0K-1f^(x+kc-mc), 0 x L • A – (1/K)Sk=0K-1Sj=0kg’[x-mc+(k-j)c] • 或对 0 x,y L • f(x,y) A – (1/K)Sk=0K-1Sj=0kg’[x-mc+(k-j)c,y] + Sj=0mg’[x-jc,y]
最小二乘方滤波 • 最小二乘滤波也就是维纳滤波,它是使原始图像f(x,y)及其恢复图像f^(x,y)之间的均方误差最小的复原方法 具体的数学公式推导过程忽略,直接给出公式 • Sf(u,v):为f[x,y]的功率普,Sh(u,v)为 n[x,y]的功率普
讨论一下上式的几种情况 (1)如果s=1,方括号中的项就是维纳滤波器 (2)如果s是变量,就称为参数维纳滤波器 (3)当没有噪声时,Sn(u,v)=0,维纳滤波器就退化为理想的逆滤波器 (4)当Sn(u,v)和Sf(u,v)未知时,用常数K可代替 因此必须调节s以满足 f^ = (HTH + sQTQ)–1 HTg
逆滤波和维纳滤波恢复比较 SNR 1 10 100 退化图像傅立叶功率普 逆滤波恢复 维纳滤波恢复 光谱图
模糊和增加噪声 原始图像 约束的最小二乘滤波 逆滤波恢复
交互式恢复 • 前面讨论都是自动解析的恢复方法,在具体恢复工作中,常常需要人机结合,由人来控制恢复过程,以达到一些特殊的效果 实际中,有时图像会被1种2-D的正弦干扰模式(也叫相关噪声)覆盖。令η(x,y)代表幅度为A,频率分量为(u0,v0)的正弦干扰模式,即: η(x,y)=Asin(u0x+v0y) 傅立叶变换为: N(u,v)=-jA[δ(u-u0/(2π),v-v0/v(2π))- δ(u+u0/ (2π),v+v0/ (2π)) ]
这里退化仅由噪声造成,所以有: G(u,v)=F(u,v)+N(u,v) 利用前面讲的带阻滤波器消除,以去掉正弦干扰模式影响 n(x,y) = A sin(u0x+v0y) 傅立叶光谱 正弦干扰 恢复图像
例子 周期干扰退化图像 傅立叶谱
干涉模式 处理后图像
空间复原技术 • 空间变换 • 灰度插值
空间变换 • 在图像的获取或显示过程中,产生几何失真,如成像系统有一定的几何非线性,因此会造成如图所示的枕形失真或桶形失真,另外,由于地球表面呈球形,摄取的平面图像也将会有较大的几何失真。对这些图像必须加以校正,以免影响分析精度 原始图像 桶形失真 枕形失真
* * * * * * * * * * * * * * * * • 校正过程 + + 已校正图像 观测图像 实际空 间畸变 空间变 形校正 理想图像 观测图像和校正图像之间对应点
设原图为f(x,y),受到几何形变得影响变成g(x’,y’),这里(x’,y’)表示失真图像的坐标设原图为f(x,y),受到几何形变得影响变成g(x’,y’),这里(x’,y’)表示失真图像的坐标 x’=s(x,y) y’=t(x,y) 线性失真 s(x,y)=k1x+k2y+k3 t(x,y)=k4x+k5y+k6 非线性失真 s(x,y)=k1+k2x+k3y+k4x2+k5xy+k6y2 t(x,y)=k7+k8x+k9y+k10x2+k11xy+k12y2 如果已知s(x,y)和t(x,y)的解析表达,可以通过反变换来恢复图像
在实际中,通常不知道解析表达,需要在恢复过程中的输入图象(失真图)和输出图(校正图)上找一些其位置确切知道的点(称为约束对应点),然后利用这些点建立2幅图像间其它象素空间位置的对应关系在实际中,通常不知道解析表达,需要在恢复过程中的输入图象(失真图)和输出图(校正图)上找一些其位置确切知道的点(称为约束对应点),然后利用这些点建立2幅图像间其它象素空间位置的对应关系
灰度插值 (x^,y^) (x,y) f(x,y) g(x^,y^) 最近邻内插
实例 变形图像 几何校正后的图像