图像处理与视觉感知复习--图像复原

本文主要是介绍图像处理与视觉感知复习--图像复原，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

图像复原与图像增强

图像复原与图像增强的目的都是在某种意义上对图像进行改进，即改善图像的视觉效果，但两者使用的方法和评价标准不同：

• 图像增强技术一般要利用人的视觉系统特性，目的是取得较好的视觉效果，不需要考虑图像退化的真实物理过程，增强后的图像也不一定要逼近原始图像。
• 图像复原技术需要针对图像的退化原因设法进行补偿，因此需要对图像的退化过程有一定的先验知识，利用图像退化的逆过程去恢复原始图像，使复原后的图像尽可能得到接近原图像。

图像退化模型

退化
成像过程中的“退化”，是指由于成像系统各种因素的影响，使得图像质量降低
引起图像退化的原因

• 成像系统的散焦
• 成像设备与物体的相对运动
• 成像器材的固有缺陷
• 外部干扰

噪声模型

• 数字图像的噪声主要来源于图像的获取和传输过程
• 图像获取的数字化过程，如图像传感器的质量和环境条件
• 图像传输过程中传输信道的噪声干扰，如通过无线网络传输的图像会受到光或其它大气因素的干扰

一些重要的噪声：高斯噪声、瑞利噪声、伽马（爱尔兰）噪声、指数分布噪声、均匀分布噪声、脉冲噪声（椒盐噪声）

几种噪声的运用：

• 高斯噪声源于电子电路噪声和由低照明度或高温带来的传感器噪声
• 瑞利噪声对分布在图像范围内特征化噪声有用
• 伽马分布和指数分布用于激光成像噪声
• 均匀密度分布用于模拟随机数生成器基础
• 脉冲噪声用于成像中的短暂留中，如错误的开关操作

周期噪声：

• 周期噪声是在图像获取中从电力或机电干扰中产生
• 周期噪声可以通过频率域滤波显著减少

图像复原模型

空间域滤波复原（唯一退化是噪声）

• 均值滤波器
  • 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
• 顺序统计滤波器
  • 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

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

自适应中值滤波器的主要目的：

• 去除“椒盐”噪声
• 平滑其它非冲激噪声
• 减少物体边界细化或粗化等失真

自适应中值滤波器算法：

• A层：找到一个非脉冲中值，如果满足 $z_{min}<z_{med}<z_{max}$, 则转到B层，说明 $z_{med}$ 不是脉冲， 否则就扩大窗口尺寸，只要尺寸小于 $S_{max}$， 就一直寻找。
• B层，如果满足 $z_{min}<z_{xy}<z_{max}$， 说明 $z_{xy}$ 不是脉冲， 输出 $z_{xy}$, 否则说明 $z_{xy}=z_{min}或z_{xy}=z_{max}$, 输出 $z_{med}$

频率域滤波复原（削减周期噪声）

• 带阻滤波器
  阻止一定频率范围内的信号通过而允许其它频率范围内的信号通过，消除或衰减傅里叶变换原点处的频段
  有：理想带阻滤波器、巴特沃思带阻滤波器、高斯带阻滤波器

• 带通滤波器
  允许一定频率范围内的信号通过而阻止其它频率范围内的信号通过
  1 - 相应的带阻滤波器

• 陷波滤波器

  • 阻止或通过事先定义的中心频率邻域内的频率
  • 由于傅里叶变换是对称的，陷波滤波器必须以关于原点对称的形式出现
  • 如果陷波滤波器位于原点处，则以它本身形式出现

• 最佳陷波滤波器

这篇关于图像处理与视觉感知复习--图像复原的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---