【文章內(nèi)容簡介】 nvwnr (g, PSF,NACORR, FACORR)其中，g代表退化圖像，fr是復(fù)原圖像，PSF是噪信比（或是個常量或是個數(shù)組），NSPR可以是一個交互的標(biāo)量輸入，NACORR和FACORR是噪聲和未退化圖像的自相關(guān)函數(shù)。 約束最小乘方（正則）濾波（1）約束最小乘方（正則）濾波使用函數(shù)deconverg來實(shí)現(xiàn)，語法為：fr = deconverg (g, PSF, NOISEPOWER, RANGE)其中，g是被污染的圖像，fr是復(fù)原圖像，NOISEPOWER與 成比例，RANGE為值的范圍。 使用LucyRichardson復(fù)原的迭代非線性復(fù)原（1）LucyRichardson復(fù)原的迭代非線性復(fù)原利用deconvlucy函數(shù)來實(shí)現(xiàn)，語法為：fr = deconvlucy (g, PSF, NUMIT, DAMPAR, WEIGHT)其中，g是退化的圖像，fr是復(fù)原圖像，,PSF是點(diǎn)擴(kuò)散函數(shù)，NUMIT為迭代的次數(shù)（默認(rèn)10次）。DAMPAR是一個標(biāo)量，它指定了結(jié)果圖像與原圖像g之間的偏離閾值，當(dāng)像素值偏離原值的范圍并在DAMPAR之內(nèi)時，就不用迭代。這樣可以抑制這些像素的噪聲，有保存了必要的圖像細(xì)節(jié)，默認(rèn)值為0（無衰減）。WEIGHT是一個與g相同大小的數(shù)組，它為每一個像素分配一個權(quán)重來反映其重量。例如從某個有缺陷的成像數(shù)組 得出一個不良像素，最終會被賦以權(quán)重值零，從而排除該像素去求解。 盲去卷積（1）盲去卷積通過函數(shù)deconvblind來實(shí)現(xiàn)，其語法為：[f, PSFe] = deconvblind (g, INITPSF)其中，g是退化的圖像，INITPSF是點(diǎn)擴(kuò)散函數(shù)的初步估計(jì)，PSFe是這個函數(shù)最終計(jì)算得到的估計(jì)值，fr是用估計(jì)的PSF復(fù)原的圖像。迭代默認(rèn)10次。 幾何變換與圖像配準(zhǔn)（1）空間幾何變換。IPT利用一個所謂的tform結(jié)構(gòu)來表示空間變換，通過函數(shù)maketform來實(shí)現(xiàn)，語法為：tform = maketform (transform_type, transform_parameters)transform_type是下列字符串之一：‘a(chǎn)ffine’, ‘projective’, ‘box’, ‘posite’或‘custom’。函數(shù)imtransform使用反向映射，即按照順序掃描每個輸出像素，用 計(jì)算出輸入圖像上的對應(yīng)位置，并將其插值到最近的輸入像素之中，以決定輸出像素的值。其語法為：g = imtransform (f, tform, interp)其中，interp是一個字符串，用來指明像素怎樣獲得輸出像素，可以是：‘nearest’, ‘billnear’, ‘bicublc’ 或 ‘bicubic’。（2）圖像配準(zhǔn)。工具箱支持以控制點(diǎn)為基礎(chǔ)的圖像配準(zhǔn)，控制點(diǎn)也稱為聯(lián)接點(diǎn)，即在兩幅圖像中的位置已知或可以交互地選擇的像素的一個子集。函數(shù)cp2tform支持的空間變換類型已列在下表中。表格 01 函數(shù)cp2tform和maketform支持的變換類型變換類型描述函數(shù)Affine(仿射)縮放、旋轉(zhuǎn)、剪切和平移的組合。直線仍然保持直線，平行線保持平移。maketformBox(盒)沿著每個方向獨(dú)立地縮放和平移；仿射變換的子集。cp2tformComposite(合成)順序應(yīng)用的空間變換集合。maketformCustom(自定義)用戶自定義的空間變換；用戶提供 和 函數(shù)。maketformLinear conformal(線性等角)縮放（在各個方向上都相同）、旋轉(zhuǎn)、和平移；仿射變換的子集。maketformLWM局部加權(quán)平均；局部變化的空間變換。cp2tformPiecewise linear(分段線性)局部變化的空間變換。cp2tformPolynomial(多項(xiàng)式)輸入空間坐標(biāo)是輸出空間的多項(xiàng)式。maketformProject(投影)如仿射變換那樣，直線保持為直線，但平行線收斂于消失點(diǎn)。cp2tform 實(shí)驗(yàn)內(nèi)容 使用函數(shù)imnoise2（在M函數(shù)文件夾下）產(chǎn)生數(shù)據(jù)的六種直方圖：高斯、均勻、對數(shù)正態(tài)、瑞利、指數(shù)、厄蘭（從左至右），如圖所示。請寫出實(shí)驗(yàn)代碼。 r=imnoise2(39。gaussian39。,100000,1,0,1)。 p=hist(r,50)。 bar(p)。 r2=imnoise2(39。uniform39。,100000,1)。 p=hist(r2,50)。 bar(p) r2=imnoise2(39。lognormal39。,100000,1)。 p=hist(r2,50)。 bar(p) r2=imnoise2(39。rayleigh39。,100000,1)。 p=hist(r2,50)。 bar(p) r2=imnoise2(39。exponential39。,100000,1)。 p=hist(r2,50)。 bar(p) r2=imnoise2(39。erlang39。,100000,1)。 p=hist(r2,50)。 bar(p) 使用函數(shù)imnoise3，產(chǎn)生頻譜和空間正弦噪聲模式，如圖所示。 c=[0 64。0 128。32 32。64 0。128 0。32 32]。 [r,R,s] = imnoise3 (512,512,c)。 imshow(s, []) figure,imshow(r, []) c2=[0 32。0 64。16 16。32 0。64 0。16 16]。 [r2,R2,s2] = imnoise3 (512,512,c2)。 figure,imshow(s2, []) figure,imshow(r2, []) c3=[6 32。2 2]。 [r3,R3,s3] = imnoise3 (512,512,c3)。 figure,imshow(r3,[])。 a=[1 5]。 [r4,R4,s4]=imnoise3(512,512,c3,a)。 figure,imshow(r4,[])。 估計(jì)噪聲參數(shù)。如圖所示，是一副帶有噪聲的圖像（39。(b).jpg39。），利用已學(xué)的技術(shù)來估計(jì)噪聲類型及其參數(shù)。寫出實(shí)驗(yàn)步驟。 f=imread(39。(b).jpg39。)。 [B,c,r]=roipoly(f)。 ‘此時利用鼠標(biāo)在圖像上選取多邊形 figure,imshow(B)。 [p, npix]=histroi(f, c, r)。 figure,bar(p,1) [v, unv]=statmoments(p, 2)。 vv = unvunv = X=imnoise2(39。gaussian39。, npix,1,147,20)。 figure,hist(X, 130) axis([0 300 0 140]) 使用函數(shù)spilt。如圖所示的8幅圖像分別是：(a)、(b)、(c)用階為Q=*3反調(diào)和濾波器對圖a濾波的結(jié)果、(d)用Q=、(e)用3*3最大濾波器對a濾波的結(jié)果、(f)用3*3最小濾波器對圖b濾波的結(jié)果。請寫出實(shí)驗(yàn)步驟。 f=imread(39。(a).jpg39。)。 [m,n]=size (f)。 r = imnoise2(39。salt amp。 pepper39。,m ,n, , 0)。 c = find(r == 0)。 gp = f。 gp (c) = 0。 r=imnoise2(39。salt amp。 pepper39。,m,n,0,)。 c=find(r ==1)。 gs=f。 gs(c)=255。 figure, imshow(gs) fp = spfilt(gp, 39。chmean39。, 3, 3, )。 figure,imshow(fp) fs= spfilt(gs, 39。chmean39。, 3, 3, )。 figure,imshow(fs) fmax = spfilt(gp, 39。max39。, 3, 3)。 figure,imshow(fmax) fmin = spfilt(gs, 39。min39。, 3, 3)。 figure,imshow(fmin) 自適應(yīng)中值濾波。如圖所示，3副圖像分別為：，使用大小為7*7的中值濾波器得到的結(jié)果、使用Smax=7的自適應(yīng)中值濾波得到的結(jié)果。請寫出實(shí)驗(yàn)步驟。 f=imread(39。(a).jpg39。)。 g=imnoise(f,39。salt amp。 pepper39。, .25)。 imshow(g) f1=medfilt2(g, [7 7], 39。symmetric39。)。 figure,imshow(f1)。 f2=adpmedian (g, 7)。 figure,imshow(f2)。 模糊噪聲圖像的建模。如圖所示，（a）原圖像；（b）使用參數(shù)len=7和theta=45的函數(shù)fspecial模糊的圖像；（c）噪聲圖像；（d）圖（b）和圖（c）之和。請寫出實(shí)驗(yàn)步驟。 ff=checkerboard(8)。 figure,imshow(ff)。 psf= fspecial(39。motion39。, 7,45)。 gb=imfilter(ff, psf, 39。circular39。)。 figure,imshow(gb)。 psfpsf = 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 noise=imnoise(zeros(size(ff)), 39。gaussian39。, 0, )。 figure,imshow(noise)。 g= gb+ noise。 figure,imshow(g) figure,imshow(pixeldup(ff, 8), [ ]) 使用函數(shù)deconvwnr復(fù)原模糊噪聲圖像。如圖所示，（a）模糊的噪聲圖像；（b）逆濾波的結(jié)果；（c）使用常數(shù)比率的維納濾波結(jié)果；（d）使用自相關(guān)函數(shù)的維納濾波的結(jié)果。請寫出實(shí)驗(yàn)步驟。 ff=checkerboard(8)。 psf= fspecial(39。motion39。, 7,45)。 gb=imfilter(ff, psf, 39。circular39。)。 figure,imshow(gb)。 noise=imnoise(zeros(size(ff)), 39。gaussian39。, 0, )。 figure,imshow(noise)。 g= gb+ noise。 fr1= deconvwnr(g, psf)。 figure,imshow(fr1) sn= abs(fft2(noise)).^2。 na= sum(sn(:))/prod(size(noise))。 sf=abs(fft2(ff)).^2。 fa=sum(sf(:))/prod(size(ff))。 r=na/fa。 fr2=deconvwnr(g,psf,r)。 figure,imshow(fr2) ncore=fftshift(real(ifft2(sn)))。 icorr=fftshift(real(ifft2(sf)))。 fr3=deconvwnr(g, psf, ncore, icorr)。 figure,imshow(fr3) 使用函數(shù)deconvreg復(fù)原模糊噪聲圖像（（d）圖）。如圖所示，（a）使用參量NOISEPOWER等于4的正則濾波器復(fù)原的圖中的圖像；（b）[1e7 1e7]的正則濾波器復(fù)原的同一副圖像。請寫出實(shí)驗(yàn)步驟。 fr=deconvreg(g,psf,4)。 figure,imshow(fr)。 frr=deconvreg(g,psf,[1e7 1e7])。 figure,imshow(frr)。 使用函數(shù)deconvlucy復(fù)原模糊噪聲圖像。如圖所示，（a）原圖像；（b）由高斯模糊污染和模糊的圖像；（c）到（f）是對圖像（b）用LR算法分別迭代5次、10次、20次和100次后的復(fù)原圖像。請寫出實(shí)驗(yàn)步驟。 figure,imshow(pixeldup(f,8))。 psf=fspecial(39。gaussian39。, 7, 10)。 sd=。 g=imnoise