【正文】 : : : 。十分感謝百忙之中閱讀此篇論文的老師，感謝答辯組的老師們，謝謝你們的寶貴意見，使得這篇論文有了一定的提高。感謝王順、錢六九、李奇等同學(xué)，在這段論文創(chuàng)作的時間里對我學(xué)術(shù)上的幫助。 (5)本文對圖像的評價采取主觀評價法，嚴(yán)格意義上講應(yīng)該采取主客觀相結(jié)合的方式對圖像質(zhì)量進行評價，才具有一定的說服力。 展望由于本人的能力及時間有限，而實際的運動模糊情況比之本文研究的內(nèi)容要復(fù)雜得多，因此，對于運動模糊圖像的復(fù)原研究還有很多需要改進和完善的地方，例如： (1)本文研究的是勻速直線運動模糊圖像的復(fù)原，而實際中存在這變速、曲線的運動模糊，這些條件下的圖像復(fù)原更為復(fù)雜，對這些情況本文缺乏研究。 論文的創(chuàng)新點(1)對于椒鹽噪聲的過濾，改進了中值濾波算法，使用自適應(yīng)的中值濾波算法，大大的提高了去噪效果，有效避免圖像細節(jié)的模糊。(3)研究了確定點擴散函數(shù)所需的兩個參數(shù)——運動模糊尺度和運動模糊角度的估計方法。為了對運動模糊圖像進行復(fù)原，首先要建立相應(yīng)的圖像退化模型，然后確定運動模糊尺度及運動方向兩個參數(shù)，確定參數(shù)以后再通過特定的圖像復(fù)原算法進行模糊圖像恢復(fù)，最后利用復(fù)原圖像評價方法評估復(fù)原結(jié)果 論文工作總結(jié)(1)介紹了相關(guān)的噪聲理論，建立了模糊圖像的一般退化模型以及勻速直線運動退化模型，變速、曲線運動可以看作是勻速直線運動的疊加，因此，對勻速直線運動的研究更加具有代表性。尤其是最小二乘濾波，只有在沒有噪聲或者噪聲系數(shù)很小的情況下，恢復(fù)效果才比較理想?？梢灾苯訌目臻g域的有約束最小二乘方恢復(fù)式(59)得到它的頻域解 (510)應(yīng)用有約束最小二乘方恢復(fù)方法時，只需有關(guān)噪聲均值和方差的知識就可對每幅給定的圖像給出最佳恢復(fù)結(jié)果。利用拉格朗日乘數(shù)法，構(gòu)造一輔助函數(shù)： （57）令可得： （58） 解之得： （59）式中。首先，由于使均方誤差最小化，維納濾波器以一種并非最合適人眼的方式對圖像進行平滑；其二，經(jīng)典的維納去卷積不能處理具有空間PSF可變的情形；最后，這種技術(shù)不能處理有著非平穩(wěn)信號和噪聲的一般情形。一般噪聲往往具有平坦的功率譜，即使不是如此其隨頻率升高而下降的趨勢要比原圖像功率譜慢得多。維納濾波恢復(fù)法也叫最小二乘方濾波恢復(fù)法，它是使原始圖像及其恢復(fù)圖像之間的均方差最小的恢復(fù)方法。利用逆濾波進行恢復(fù)處理可能會發(fā)生在，平面上有些點或區(qū)域或非常小的情況。下面將根據(jù)此先驗知識選用不同的處理方法對圖像進行復(fù)原。此次試驗取θ=45176。 模糊運動角度檢測選取一幅運動模糊圖像如下圖，采用第四章方法進行角度的檢測。 第五章 基于運動估計的圖像復(fù)原算法圖像復(fù)原指通過已建立的退化模型以及關(guān)于點擴散函數(shù)的先驗知識，對模糊圖像進行恢復(fù)處理，復(fù)原出原始圖像。 采用運動長度 L=3運動角度 θ=0176。y=C。figure,imshow(B2)。)。B=imfilter(L,PSF,39。LEN=35。)。的運動模糊圖像： 圖413 運動模糊圖像其頻譜圖如下： 圖414 頻譜圖為統(tǒng)計上圖中暗紋條數(shù)，將頻譜圖視為二維矩陣，求矩陣各列的和，得到一個行向量，該向量的每個元素值代表原頻譜矩陣中各列元素之和，暗紋條數(shù)即對應(yīng)于這個向量中極小值的個數(shù)。對不同角度，不同噪聲大小的運動模糊復(fù)原進行角度估計試驗，結(jié)果如下表： 表42 不同運動角度估計實驗結(jié)果 真實運動角度103060110估計運動角度93059109誤差1011 表43 對加不同噪聲的運動模糊圖像角度估計實驗結(jié)果真實運動角度 40 40 40 40噪聲大小 估計運動角度 39 40 39 39誤差 1 0 1 1 有以上實驗結(jié)果可以看出來，噪聲對于本文獲取運動角度方法沒有太大的影響，本文方法有很強的抗干擾能力。加入高斯噪聲的圖像如下： 圖 47 運動加燥模糊圖像先對模糊圖像進行傅里葉變換，得到其頻譜圖如下： 圖 48 模糊加燥圖像頻譜圖將灰度圖像轉(zhuǎn)化為二值圖像如下圖： 圖 49 頻譜的二值圖像將待測直線變?yōu)榱翖l紋，如下圖： 圖 410 頻譜的二值反轉(zhuǎn)圖 圖 411 截取圖像 圖 412 邊緣檢測后圖像對上圖進行 Hough 變換，檢測出變換域中各點疊加次數(shù)的峰值，得到峰值處對應(yīng)的直線角度，即可計算出模糊運動角度大小。II 有噪聲運動模糊圖像角度的估計以上實驗是在無噪聲的情況下進行的研究，得出了比較理想的結(jié)果。Matlab運行結(jié)果：對應(yīng)的運動模糊角度 θ=39176。 圖 41 運動模糊圖像首先對模糊圖像進行傅里葉變換，得到其頻譜圖如下： 圖 42 模糊圖像頻譜圖可以看出，頻譜圖中有一系列平行暗紋，只需確定暗紋方向即可得到運動模糊角度，為使圖中條紋更加清晰，先將灰度圖像轉(zhuǎn)化為二值圖像如下圖： 圖 43 頻譜的二值圖像 由于需要檢測的直線是暗條紋，為方便起見，先將二值圖像反轉(zhuǎn)，將待測直線變?yōu)榱翖l紋，如下圖： 圖 44 頻譜的二值反轉(zhuǎn)圖使用 Hough 變換對上圖進行直線方向確定，Hough 變換檢測圖像中亮度為255 的像素點，將每一個這樣的點轉(zhuǎn)換為另一個域中的一條曲線，共線的所有像素點對應(yīng)的變換域中的曲線交于一點，只需要在變換域中確定出相交次數(shù)最多的點，就能獲得原圖像中對應(yīng)直線的信息。Sobel 算子從不同的方向?qū)D像進行邊緣檢測，其本身是一組方向算子的集合，它提高了被考察像素點上下左右六個像素點的權(quán)重，其輸出為原圖像的邊緣圖像。 由于 Oxy 平面上存在著垂直與 x 軸的直線，這樣的直線斜率為無窮大，無法用y = ux +v的方式表達，因此常用直線的法線式表示： x co s θ + ysinθ =ρ (42)式中，ρ 為原點到直線的垂直距離，θ 為 x 軸與直線法線的夾角，Oxy 平面中一條直線對應(yīng)于 Oθρ 平面中一點，Oxy 平面中一點對應(yīng)于 Oθρ 平面中的一條曲線，則Oxy 平面中一條直線上的所有點對應(yīng)的 Oθρ 平面中的曲線相交于同一點，因此只需檢測到 Oθρ 平面各點信息，就可以確定 Oxy 平面中待測直線的位置，若對 Oθρ 平面上相交點處曲線相交次數(shù)進行統(tǒng)計，其統(tǒng)計值等于經(jīng)過該點的曲線條數(shù)，也就等于Oxy 平面中待測直線上像素點的個數(shù)，這樣一來，每一個統(tǒng)計值的峰值就對應(yīng) Oxy平面上的一條直線，這種檢測 Oxy 平面上直線的方法就是 Hough 變換直線檢測法。因此，只需要鑒別出頻譜圖上暗紋的方向，即可得到模糊運動角度值。 運動模糊角度的確定 運動模糊角度的確定對于整個點擴散函數(shù)的確定是十分重要的，確定了模糊角度之后就能夠?qū)⒎撬椒较虻哪：\動轉(zhuǎn)化為水平方向的勻速直線運動，降低了運動模糊長度和圖像復(fù)原的難度。 第四章 模糊運動參數(shù)的確定常用的模糊圖像復(fù)原方法有很多，包括逆濾波、維納濾波算法、盲解卷積算法、LucyRichardson 算法等，不同的算法效果和使用范圍各不相同，但是都有一個共同點，那就是需要預(yù)先確定點擴散函數(shù) PSF，在不知道點擴散函數(shù)的情況下，進一步的復(fù)原工作無法進行。n=n/12。0 1 1 1 0。h=h/8。 %半徑為 1 的鄰域平均figure,imshow(M1)。1 0 1。gaussian39。39。 高斯噪聲的處理高斯噪聲是指概率密度符合正態(tài)分布的一類噪聲，相比于椒鹽噪聲，高斯噪聲的濾除難度較大，且一般來說，去噪效果也不是十分理想，我們使用鄰域平均法來消除高斯噪聲。title(39。Smax 值為 539。)。 %混有椒鹽噪聲的圖像f4=adpmedian(J,3)。figure,imshow(J)。J=imnoise(I,39。figure,imshow(I)。 普通中值濾波處理效果如下 圖31 原始圖像 圖32 噪聲圖像 圖33 33模版中值濾波 圖34 55模版中值濾波 圖35 77模版中值濾波 圖36 99模版中值濾波從結(jié)果可以看出，中值濾波能夠很好的濾除椒鹽噪聲，但是會不同程度的使圖像細節(jié)變得模糊，33 窗口濾波后圖像細節(jié)保存較好，但椒鹽噪聲仍有少量未完全濾除，77 窗口能夠完全濾除椒鹽噪聲，但圖像模糊較嚴(yán)重，55 窗口既去除了噪聲，模糊程度也較輕，效果較好。k1=medfilt2(J)。subplot(232),imshow(J)。subplot(231),imshow(I)。J=imnoise(I,39。流程如下： 此算法的核心思想是通過選擇性的輸出 Zmed 或者 Zxy，來最大程度上保持圖像細節(jié)，在去掉椒鹽噪聲的前提下盡量減少模糊。中值濾波器也叫做最大值濾波器和最小值濾波器，其原理是將數(shù)字圖像中某點的灰度值用該點的一個鄰域中各點灰度值的中值代替，由于圖像在二維方向上具有相關(guān)性，因此鄰域一般選為二維窗口，常見的有 33，55 或 77 窗口等。 第三章 運動模糊圖像的去噪預(yù)處理在處理運動模糊圖像的復(fù)原問題時，由于圖像的采集、傳輸和輸出等過程都或多或少給圖像混入干擾因素，即噪聲，噪聲往往是難以避免的，并且混入何種噪聲也是不確定的，增加了噪聲的處理的復(fù)雜度。由于變速、曲線運動可看作是勻速直線運動的疊加，因此研究由勻速直線運動造成的圖像模糊恢復(fù)更加具有普遍性和代表性。 模糊圖像的一般退化模型圖像的模糊過程可用下面的數(shù)學(xué)表達式表示： g ( x , y ) = f ( x , y )* h ( x , y ) +n ( x , y) (23) 其中f(x,y)為原輸入圖像，n(x,y) 為噪聲、h(x,y) 為退化函數(shù)、g(x,y) 為模糊圖像。 噪聲具有隨機性與離散性，需要用概率論方法對其進行描述，由于噪聲的分布函數(shù)與概率密度函數(shù)并不一定能夠獲得，因此常用均值、方差、相關(guān)函數(shù)等統(tǒng)計概念進行描述。 第二章 運動模糊圖像復(fù)原理論基礎(chǔ) 本章主要介紹與運動模糊圖像復(fù)原相關(guān)的一些背景知識，為后面幾章的具體分研究做鋪墊，主要包括圖像噪聲相關(guān)知識，模糊圖像復(fù)原的基本概念，建立圖像復(fù)原的數(shù)學(xué)模型。(2)系統(tǒng)的闡述與運動模糊復(fù)原相關(guān)的一些理論知識，建立勻速直線模糊運動模型。Slepianl于 1967 年提出空域差分恢復(fù)算法，Sondhi 完善與改進此算法并提出估計邊界外像素灰度值的方法，目前差分恢復(fù)法已發(fā)展為比較有效的圖像復(fù)原算法。逆濾波適用于無噪聲圖像復(fù)原，處理有噪聲圖像效果很差，且使用逆濾波的時候可能會出現(xiàn)這樣的情況，即當(dāng)傳輸函數(shù)比較小或者等于零的時候，逆濾波公式無意義，即使原圖像沒有噪聲也不能恢復(fù)圖像，由于這種病態(tài)特性，逆濾波需要圖像有很高的信噪比，而由于運動模糊圖像點擴散函數(shù)有零點，因此限制了這種方法的使用。而圖像復(fù)原是利用對于退化的先驗知識恢復(fù)圖像的原貌?，F(xiàn)在大多數(shù)交通路口都設(shè)置有電子眼，拍攝記錄車輛的違章行為，但是一般情況下違規(guī)車輛的行駛速度都較高，由電子眼拍攝到的有違規(guī)行為的車輛照片或多或少都存在運動模糊，因而導(dǎo)致很難準(zhǔn)確獲取包括車牌在內(nèi)的車輛信息。圖像退化的典型表現(xiàn)是失真、噪聲以及模糊等。圖像復(fù)原是圖像處理技術(shù)的一個重要分支。其目的是改善圖像質(zhì)量，使退化了的圖像最大程度恢復(fù)原貌。造成圖像退化的因素很多，如成像系統(tǒng)缺陷，外界因素干擾，傳輸過程引入噪聲等，我們將要研究的運動模糊就是一種重要的圖像退化原因，在圖像采集的過程中，如果采集設(shè)備與目標(biāo)之間存在足夠大的相對運動，將會導(dǎo)致獲得的圖像模糊，這就是所謂的運動模糊。如何利用圖像復(fù)原技術(shù)對退化圖像進行處理，得到相對清晰的圖像就顯得十分重要。圖像復(fù)原是對估計圖像退化過程，建立相應(yīng)的數(shù)學(xué)模型，對由于退化造成的失真加以補償，獲得原圖像最優(yōu)估計值圖像復(fù)原使用的技術(shù)直接影響到其處理的結(jié)果好壞，目前比較常用的圖像復(fù)原技術(shù)包括逆濾波技術(shù)、空域濾波以及代數(shù)技術(shù)等。相比于逆濾波，維納濾波適用于帶噪聲圖像復(fù)原，且在圖像頻率特性及噪聲部分或者完全已知時效果很好，它是在使圖像在統(tǒng)