基于matlab的圖像復(fù)原與重建設(shè)計(編輯修改稿)
2025-07-21 06:01 本頁面
【文章內(nèi)容簡介】 2+(vn/2)^2)^(5/6)))。 end end G=F.*H。 I0=real(ifft2(fftshift(G)))。 I1=imnoise(uint8(I0),39。gaussian39。,0,) subplot(2,2,2)。imshow(uint8(I1))。title(39。模糊退化且添加高斯噪聲的圖像39。)。 F0=fftshift(fft2(I1))。 F1=F0./H。 I2=ifft2(fftshift(F1))。 subplot(2,2,3)。imshow(uint8(I2))。title(39。全逆濾波復(fù)原圖39。)。 K=。 for u=1:m for v=1:n H(u,v)=exp(k*(((um/2)^2+(vn/2)^2)^(5/6)))。 H0(u,v)=(abs(H(u,v)))^2。 H1(u,v)=H0(u,v)/(H(u,v)*(H0(u,v)+K))。 end end F2=H1.*F0。 I3=ifft2(fftshift(F2))。 subplot(2,2,4)。imshow(uint8(I3))。title(維納濾波復(fù)原圖)。 運行結(jié)果如下：原始圖：復(fù)原后圖像：經(jīng)過仿真，如上圖所示，可以看出逆濾波復(fù)原與維納濾波復(fù)原的區(qū)別和聯(lián)系。維納濾波后雖然仍有一些噪聲存在，但已經(jīng)和原圖很接近了。因為原圖像和噪聲函數(shù)都是已知的，可以正確的估算參量。LR算法是一種迭代非線性復(fù)原算法，它是從最大似然公式印出來的，圖像用泊松分布加以模型化的。當下面這個迭代收斂時模型的最大似然函數(shù)就可以得到一個令人滿意的方程： *代表卷積，代表未退化圖像的估計，g和h和以前定義一樣。這個算法的本質(zhì)是顯而易見的。它的非線性本質(zhì)是在方程右邊用來除產(chǎn)生的[4]。在IPT中，LR算法是由名為deconvlucy的函數(shù)完成的，此函數(shù)的語法為fr= deconvlucy(g,PSF,NUMIT,DAMPAR,WEIGHT)其中，fr代表復(fù)原的圖像，g代表退化的圖像，PSF是點擴散函數(shù)，NUMIT為迭代次數(shù)（默認為10次），DAMPAR是一個標量，它指定了結(jié)果圖像與原圖像g之間的偏離閾值。WEIGHT是一個與g同樣大小的數(shù)組，它為每一個像素分配一個權(quán)重來反映其重量。LR算法程序：I=imread(39。C:\ok\39。)。 PSF=fspecial(39。gaussian39。,5,5) 。Blurred=imfilter(I,PSF,39。symmetric39。,39。conv39。)。 V=.003。 BN=imnoise(Blurred,39。gaussian39。,0,V)。 luc=deconvlucy(BN,PSF,5)。 figuresubplot(2,2,1)。imshow(I)。title(39。原始圖像39。)。subplot(2,2,2)。imshow (Blurred)。title(39。模糊后的圖像39。)。subplot(2,2,3)。imshow (BN)。title(39。加噪后的圖像39。)。subplot(2,2,4)。imshow (luc)。title(39?；謴?fù)后的圖像39。)。模擬實驗結(jié)果如下：用LucyRichardson算法可以較好的恢復(fù)圖像[1]。但由于迭代產(chǎn)生的噪聲痕跡是最大化可能性數(shù)據(jù)逼近法的常見問題，在低信噪比條件下，恢復(fù)圖像可能會出現(xiàn)一些斑點，這些斑點并不代表圖像的真實結(jié)構(gòu)，只不過是恢復(fù)圖像過于逼近噪聲所產(chǎn)生的結(jié)果。另外此法存在一些較嚴重的缺陷，一是噪聲放大問題，二是對于恢復(fù)圖像中的不同部分，分別執(zhí)行多少迭代才合適的問題。因為圖像中信噪比高的部分可能需要數(shù)百次迭代才能獲得滿意的結(jié)果；而另一些光滑的對象可能只需很少次數(shù)即可達到滿意的結(jié)果，所以適當選擇迭代次數(shù)對圖像恢復(fù)也很重要。這兩個問題若得不到解決，將會對最終結(jié)果產(chǎn)生不利影響。 盲去卷積通常圖像恢復(fù)方法均在成像系統(tǒng)的點擴展函數(shù)PSF已知下進行, 實際上它通常是未知的. 在 PSF未知的情況下, 盲去卷積是實現(xiàn)圖像恢復(fù)的有效方法。因此，盲去卷積算法就是那些不以PSF知識為基礎(chǔ)的圖像復(fù)原的方法。 在過去的20年里，一種盲去卷積的方法已經(jīng)受到了人們的極大重視，它是以最大似然估計(MLE)為基礎(chǔ)，即一種用被隨機噪聲所干擾的量進行估計的最優(yōu)化策略。簡要的說，關(guān)于MLE方法的一種解釋就是將圖像數(shù)據(jù)看成隨機量，它們與另外一族可能的隨機量之間有著某種似然性。似然函數(shù)用、和來加以表達，然后，問題就變成了尋求最大似然函數(shù)。在盲去卷積中，最優(yōu)化問題規(guī)定的約束條件并假定收斂時通過迭代來求解，得到的最大和就是還原的圖像和PSF[3]。工具箱通過函數(shù)deconvblind來執(zhí)行盲去卷積，它有如下語法：[f,PSFe]=deconvblind(g,INITPSF)其中，g代表退化函數(shù)，INITPSF是點擴散函數(shù)的出事估計。PSFe是這個函數(shù)最終計算到的估計值，fr是利用估計的PSF復(fù)原的圖像。 用來去的復(fù)原圖像的算法是LR迭代復(fù)原算法[13]。PSF估計受其初始推測尺寸的巨大影響，而很少受其值的影響。盲去卷積程序：I=checkerboard(8)。PSF=fspecial(39。gaussian39。,7,10)。V=.0001。BlurredNoisy=imnoise(imfilter(I,PSF),39。gaussian39。,0,V)。WT=zeros(size(I))。WT(5:end4,5:end4)=1。INITPSF=ones(size(PSF))。FUN=inline(39。PSF+P139。,39。PSF39。,
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1