计算机视觉（基于MWORKS）课件 第五章 图像复原

第五章

图像复原计算机视觉目录CONTENTS

案例背景5.1

图像退化的数字模型5.2

图像模糊处理及其复原方法5.35.1

案例背景成像系统的像差、畸变、有限带宽等造成的图像失真。射线辐射、大气湍流等造成的图像畸变。携带遥感仪器的飞机或卫星运动的不稳定，以及地球自转等因素引起的图像几何失真。模拟图像在数字化的过程中会损失部分细节，造成图像质量下降。拍摄时，相机与景物之间的相对运动产生的运动模糊。镜头聚焦不准产生的散焦模糊。底片感光、图像显示时会造成记录显示失真。成像系统中存在的噪声干扰。图像在摄取、传输、存储和处理的过程中，不可避免地会出现某些失真而使图像退化。造成图像退化的原因有很多，大致可分为以下几个方面：5.1

案例背景图像复原和图像增强都是改善图像质量的技术，但它们的目标和方法有所不同。图像复原：分析退化原因，建立退化模型。通过求逆过程的方法，将退化的图像恢复到其原始状态。图像增强：聚焦视觉感官体验。允许对图像的失真进行忽视。最终结果令人感到舒适即可。综上所述，当图像发生退化时，应该先进行复原处理，以恢复其真实信息，之后再进行增强处理，以达到更好的视觉效果。5.2

图像退化的数字模型5.2.1图像退化模型通用图像退化模型

5.2

图像退化的数字模型5.2.1图像退化模型四种常见的具体退化模型。图（a）表示的是一种非线性退化，摄影胶片的冲洗过程可用这种模型表示。图（b）表示的是一种模糊造成的退化，由孔径衍射产生的退化可用这种模型表示。图（c）表示的是一种目标运动造成的模糊退化。图（d）表示的是随机噪声的叠加，也可以看作是一种具有随机性的退化。（a）非线性退化（b）模糊退化（c）运动模糊退化（d）随机噪声叠加5.2

图像退化的数字模型5.2.2连续函数的退化模型

5.2

图像退化的数字模型5.2.2连续函数的退化模型

5.2

图像退化的数字模型5.2.3离散的退化模型许多图像处理的理论基础，最初源于连续模型。为了将这些连续的理论应用到离散的数字图像中，我们需要将连续模型进行离散化，即从一个定义在连续空间上的模型转换为在离散像素空间上的对应形式。离散化：将连续模型中的运算转化为其离散形式，如用求和来代替积分。借助有限的离散点的求和值来代替连续空间中的积分。5.3

图像模糊处理及其复原方法运动模糊由拍摄过程中相机的抖动，使图像中的边缘呈现拖尾或条纹状的模糊。高斯模糊由光学器件的散焦或像差，导致图像中的细节被平滑化，形成模糊效应。散焦模糊由图像拍摄时未能正确聚焦，导致整个图像或部分区域会出现失焦的模糊。由于图像模糊的产生原因不同，因此其表现形式也有所区别。根据模糊成因，可以将其大致分为以下几类:图像模糊的复原是通过逆向操作或推断来重建或恢复原始图像的细节。常见的去模糊方法包括逆滤波法、维纳滤波法、盲去卷积法、基于深度学习的去模糊方法等。5.3

图像模糊处理及其复原方法均值模糊又称均值滤波，旨在平滑图像并有效降低噪声。5.3.1图像均值模糊处理操作步骤：选定一个窗口（滤波核），如3×3、5×5或更大的正方形区域。将该窗口在图像上逐像素移动，每次移动时计算窗口内所有像素的均值。将计算得到的均值替换窗口中央像素点的原始值。移动窗口，重复上述步骤，直到整个图像处理完毕。5.3

图像模糊处理及其复原方法加权叠加方法旨在通过整合多幅图像的特征来显著提高图像的整体质量，其核心思想是将多幅图像中的信息以加权的方式进行叠加，从而生成一幅更加清晰、更加准确的复原图像。常见的权重选择如下：5.3.2使用加权叠加方法进行图像复原的Julia实现图像质量，如清晰度或信噪比。质量较高的图像可以赋予更大的权重，从而在复原时能够更好地保留信息。空间特征，如边缘强度、纹理信息等。边缘信息丰富的图像可以获得更高的权重，以保证复原结果的细节丰富度。频域特征，如高频或低频成分。通过傅里叶变换等手段计算图像的频域特征，以决定各幅图像的权重。5.3

图像模糊处理及其复原方法匀速直线运动模糊的恢复常常涉及逆滤波等图像复原技术。5.3.3图像匀速运动模糊处理此外，结合现代图像处理算法，研究者们还可以利用机器学习等先进技术，对模糊图像进行更为精细的复原，从而提高恢复效果。处理步骤推断原始清晰图像的特征。定义模糊核、模糊过程的参数等建立一个描述运动模糊过程的数学模型。微调模型参数以优化复原性能。5.3

图像模糊处理及其复原方法逆滤波器复原旨的核心思想是利用已知的模糊过程，将模糊图像在频域中进行逆变换，以恢复原始清晰图像。逆滤波器的基本原理依赖频域分析。5.3.4基于逆滤波器复原的Julia实现基本原理通过傅里叶变换将模糊图像转换到频域。在频域中，模糊图像可以表示为原始图像与