图像恢复思维脑图思维导图

王马甲同学

2024-01-03

浏览量: 2

图像恢复

图像编辑

图像处理

基本概念，噪声模型，退化情况等内容讲解

树图思维导图提供《图像恢复思维脑图》在线思维导图免费制作，点击“编辑”按钮，可对《图像恢复思维脑图》进行在线思维导图编辑，本思维导图属于思维导图模板主题，文件编号是：a007148e81dd60df682443b68cfba496

思维导图大纲

基本概念

典型的图像恢复是根据图像退化的先验知识建立一个退化模型，以此模型为基础，采用各种逆退化处理方法进行恢复，得到质量改善的图像。  过程：找退化原因——建立退化模型——反向推演——恢复图像  图像恢复主要取决于对图像退化过程的先验知识所掌握的精确程度，体现在建立的退化模型是否合适

图像恢复vs.图像增强

相同之处：改进输入图像的视觉质量

不同之处：  图像增强借助人的视觉系统特性，以取得较好的视觉结果（不考虑退化原因）  图像恢复根据相应的退化模型和知识重建恢复原始的图像（考虑退化原因）

通常有关于退化过程的先验知识.  g(x,y)是已知的  h(x,y),f(x,y),(x,y)是未知的  通常需要：  1) 退化模型h(x,y)  2) 原始图像的一些信息  3) 噪音模型(x,y)  注意：即使一个人不知道原始图像，依然容易造型一些频谱密度、自相关函数等

噪声模型

用均值和方差描述：均值：总体强度方差：分布强弱差异

高斯噪声模型

电子电路噪声  高温导致的传感器噪声  暗光照导致的传感器噪声

 瑞利(Rayleigh)噪声

适用于深度图像  不对称的直方图

 伽马（爱尔兰）噪声·

指数噪声

激光成像

均匀噪声

椒盐噪声

总结

只存在噪声的空间域图像复原——去噪复原

均值滤波

算数均值

模糊

几何均值

比算数均值清楚

谐波均值

只对盐噪声有用，高斯也行

逆谐波均值

椒盐不可同时，正q椒，负q盐，q=0算数均值，q=-1谐波

统计排序可多次使用小模板

中值

对多种随机噪声有良好的去噪能力,引起的模糊更少,尤其对脉冲噪声非常有效

最大最小

大：椒小：盐

中点

结合了统计排序和求平均操作，使得其对于高斯和均匀随机分布的噪声有较好的效果

阿尔法修剪平均滤波器 Alpha-trimmed mean filter

d可取0~ mn-1：d=0时退化成算数均值滤波器；d=mn-1时退化成中值滤波器； d取其他值时，适合包含多种噪声的图像处理，如高斯和椒盐噪声的混合情况

自适应(Adaptive)中值滤波器

自适应滤波器是基于m*n 的矩形窗口Sxy定义的区域内图像的统计特征而变化的。-----退化图像=原图像+噪声  自适应滤波器要优于迄今为止讨论过的所有滤波器的性能。但改善滤波能力的代价是滤波器的复杂度提高了

基本思想

中值滤波器的尺寸如果太小，可以较好地保护图像的某些细节，但往往遗漏噪声；多次滤波造成特征丧失、图像模糊  反之，如果太大的话，可以加强噪声抑制能力，但图像会很模糊，有时候会滤去图像中的一些细线、尖锐边角等重要细节，从而破坏图像的几何结构  因此，先采用小尺寸的中值滤波；当发现滤波器不够好（遗漏噪声）时，扩大其尺寸，再次滤波；再不好；再扩大，直到达到最大尺寸  这个策略称为自适应的策略

3个主要目的：去除椒盐(脉冲)噪声；平滑其他非脉冲噪声；减少诸如物体边界细化或粗化等失真。

退化情况

估计退化函数

图像观察估计法

实验估计法

建模估计法

逆向滤波

在频率域处理++

忽略掉H接近零的部分，即高频部分

若噪声为0，则采用逆滤波器能完全再现原图像； 若噪声存在，而且H(u,v)很小或者为0，则N(u,v)/H(u,v)很容易支配整个式子，即噪声被放大了。这意味着即使退化图像中存在小噪声干扰，在H(u,v)较小时也会对逆滤波器恢复的图像产生很大的影响，有可能使恢复的图像和f(x,y)相差很大甚至面部全非。可见，逆滤波对噪声非常敏感。除非我们知道噪声的分布情况 (事实上，这也很难知道)，逆滤波几乎不可用。

埃隆·马斯克的商业版图思维导图