課程設(shè)計(jì)-運(yùn)動(dòng)模糊圖像的復(fù)原算法實(shí)現(xiàn)及應(yīng)用(參考版)
2024-11-05 13:51本頁(yè)面
【正文】 由于本人的設(shè)計(jì)能 力有限，在設(shè)計(jì)過(guò)程中難免出現(xiàn)錯(cuò)誤，懇請(qǐng)老師多多指教 ,我十分樂(lè)意接受你們的批評(píng)與指正，本人將萬(wàn)分感謝。在這次設(shè)計(jì)過(guò)程中，從中發(fā)現(xiàn)自己平時(shí)學(xué)習(xí)的不足和薄弱環(huán)節(jié)，從而加以彌補(bǔ)。課程設(shè)計(jì)是我們專(zhuān)業(yè)課程知識(shí)綜合應(yīng)用的實(shí)踐訓(xùn)練，著是我們邁向社會(huì)，從事職業(yè)工作前一個(gè)必不少的過(guò)程． ”千里之行始于足下 ”，通過(guò)這次課程設(shè)計(jì)，我深深體會(huì)到這句千古名言的真正含義．我今天認(rèn)真的進(jìn)行課程設(shè)計(jì)，學(xué)會(huì)腳踏實(shí)地邁開(kāi)這一步，就是為明天能穩(wěn)健地在社會(huì)大潮中奔跑打下堅(jiān)實(shí)的基礎(chǔ)． 通過(guò)這次 運(yùn)動(dòng)模糊圖像的復(fù)原 算法實(shí)現(xiàn)及應(yīng)用 設(shè)計(jì)， 我 在多方面都有所提高。在設(shè)計(jì)過(guò)程中，和同學(xué)們相互探討，相互學(xué)習(xí)，相互監(jiān)督。 20 總結(jié)與體會(huì) 本次設(shè)計(jì)的題目 是“運(yùn)動(dòng)模糊圖像的復(fù)原 算法實(shí)現(xiàn)及 應(yīng)用” ,首先我將本次設(shè)計(jì)分為三個(gè)模塊：復(fù)原理論基礎(chǔ)、退化理論基礎(chǔ)以及復(fù)原算法，其中復(fù)原的方法介紹了三種：逆濾波復(fù)原，維納濾波復(fù)原， 有約束最小二乘復(fù)原 。%維納濾波恢復(fù) subplot(133),imshow(wnr1),xlabel。 %產(chǎn)生運(yùn)動(dòng)模糊的 PSF CNN=imfiter(I,PSF,’ circular’ ,’ conv’ ） 。motion39。%對(duì)原始圖像做模糊操作運(yùn)動(dòng)位移為 40像素 THETA=80。 下面通過(guò)程序事例說(shuō)明維納濾波恢復(fù)圖像： I=imread(‘ ’ )。 維納濾波恢復(fù) MATLAB 實(shí)現(xiàn) 維納濾波恢復(fù)函數(shù) deconvwnr 的調(diào)用格式：J=deconvwnr(I,PSF,NCORR,ICORR)其中， I 表示輸入圖像， PSF 表示點(diǎn)擴(kuò)散函數(shù)， NSR（ 默認(rèn)值為 0）、 NCORR 和 ICORR 都是可選參數(shù)，分別表示信噪比、噪聲的自相關(guān)函數(shù)、原始圖像的自相關(guān)函數(shù) .輸出參數(shù) J 表示恢復(fù)后的圖像。前 面講述的 三 種運(yùn)動(dòng)模糊圖像復(fù)原 方法均可 在 matlab環(huán)境下實(shí)現(xiàn)。 我們可以直接從空間域的有約束最小二乘方恢復(fù)式 (36)得到它的頻域解 ),(),(),( ),(),(1),(? 22 2 vuFvuCvuH vuHvuHvuG ??? (37) 應(yīng)用有約束最小二乘方恢復(fù)方法時(shí)，只需有關(guān)噪聲均值和方差的知識(shí)就可對(duì)每幅給定的圖象給出最佳恢復(fù)結(jié)果 。 因 此可以用迭代法求出滿足約束條件 (33)式的待定系數(shù) ? ，16 首先任取一個(gè) ? ,代入 (36)，把求得的 g? 再代入式 (33)，若結(jié)果大于 n2時(shí)，便減少 ? ；反之增大 ? ， 再重復(fù)上述過(guò)程，直到約束條件式 (33)被滿足為止（實(shí)際求解時(shí)，只要能 ngHf 2? 2 ?? 之差小于某一給定值就可以了）。 利用拉格朗日乘數(shù)法，先構(gòu)造一輔助函數(shù)： )?(?),?( 222 ngHfgQgj ???? ?? （ 34） 令 0? ),?( ??? ggj ?可得： 0)?(2)?(2 ??? gHfHg TT ? （ 35） 解之得： fHHHg TTT 1)(? ??? ? （ 36） 式中 ?? 1? 。為了克服這一問(wèn)題，通常需要在恢復(fù)過(guò)程中對(duì)運(yùn)算施加某種約束。 實(shí)際應(yīng)用中 必須調(diào)節(jié) ? 以滿足式 (39)。 同樣根據(jù)式 (39)可求得頻域維納濾波公式如下 ),(),(),(),(),(),(1),(?22vuFvuSvuSvuHvuHvuHvuGgn??? (310) 15 ? =1 時(shí)，為標(biāo)準(zhǔn)維納濾波器； ? ≠ 1 時(shí)，為含參維納濾波器。即 ??????? ggER Tg ，??????? nnER Tn， 并且都是正定對(duì)稱矩陣，則根據(jù)式 (33)有 fHRRHHg TngT 1)(? 1 ??? ?? (39) gRRgQ ng ?? 2121? 的模方最小，實(shí)際上就意味著使噪聲和信號(hào)的比對(duì)復(fù)原圖象影響最小。以后算法又被引入二維信號(hào)理，也取得相當(dāng)滿意的效果，尤其在圖象復(fù)原領(lǐng)域，由于維納濾波器的復(fù)原效良好，計(jì)算量較低，并且抗噪性能優(yōu)良，因而在圖象復(fù)原領(lǐng)域得到了廣泛的應(yīng)用并不斷得到改進(jìn)發(fā)展，許多高效的復(fù)原算法都是以此為基礎(chǔ)形成的。為了 克服以上缺點(diǎn)，出了采用最小均方誤差的方法（維納濾波）進(jìn)行模糊圖象恢復(fù)。因此，可以14 料想功率譜的低頻分以信號(hào)為主，然而高頻部分則主要被噪聲所占據(jù)。由于圖象的功率譜是圖象本身自相關(guān)函數(shù)的傅里葉變換，我們可以認(rèn)為的功率譜隨著頻域的升高而下降。為了克服 H(u,v)接近 0 所引起的問(wèn)題，在分母中加入一個(gè)小的常數(shù) k，將式 (31)修改為： kvuH vuNvuGvuF ??? ),( ),(),(),(? （ 32） 維納濾波恢復(fù) 在大部分圖象中，鄰近的像素是高度相關(guān)的，而距離較遠(yuǎn)的像素其相關(guān)性較弱。將復(fù)原限定在 H(u,v)足夠大得 u， v 原點(diǎn)處得一個(gè)小鄰域中，可以克服這個(gè)問(wèn)題。這種狀況通常對(duì)于高頻 u，v。在該方法中，用退化函數(shù)除退化圖象的傅里葉變換 F(u,v)
公司管理相關(guān)推薦
鄂ICP備17016276號(hào)-1