数字图像实验：图像退化和还原
数字图像实验：图像退化和还原.
%1.使用函数fspecial创建退化滤波器PSF，然后调用imfilter对图像进行卷积运算，就可以 %得到一幅运动退化图像，观察并记录结果。
I=imread('C:\Documents and Settings\Administrator\桌面\16\fig0222b.jpg'); %读入图像LEN=31;THETA=11;PSF=fspecial('motion',LEN,THETA); %生成退化函数blurred=imfilter(I,PSF, 'circular', 'conv');figuresubplot(1,2,1),imshow(I);title('原图像');subplot(1,2,2),imshow(blurred);title('6.1 运动退化图像');%2.使用imnoise函数对图像添加随机噪声，观察并记录结果。
fnblurred =imnoise( blurred, 'gaussian',0,0.001); %产生随机噪声图像figure, imshow(fnblurred);title('6.2 加噪之后');%3.使用函数deconvwnr对无噪声的运动模糊图像进行复原，观察并记录结果。
同时采用不同的%LEN和THETA参数，进行实验，体会一下退化函数PSF的重要性，观察并记录结果。
LEN=31;THETA=11;PSF=fspecial('motion',LEN,THETA);wnr1=deconvwnr(blurred,PSF);wnr2=deconvwnr(blurred, fspecial('motion',2*LEN,THETA));wnr3=deconvwnr(blurred, fspecial('motion', LEN, 2*THETA));figureimshow(wnr1);title('6.3.1 无噪运动模糊图像复原1');figuresubplot(1,2,1),imshow(wnr2);title('6.3.2 无噪运动模糊图像复原2');subplot(1,2,2),imshow(wnr3);title('6.3.3 无噪运动模糊图像复原3');%4.使用函数deconvwnr对一幅有噪声的运动模糊图像进行维纳滤波复原，观察并记录结果。
图像复原实验
数字图像处理实验报告1 - 图像复原学生姓名：学号：实验时间：地点：指导教师:一、实验目的运用理论知识，在MA TLAB环境下对图像复原技术进行实验验证，学习算法实现的科学方法，增强对算法及其效果的感性认识。
（1）对图像进行复原处理。
调用MA TLAB中的图像复原函数，编写MA TLAB程序，实现对图像的复原。
（2）C++编程，利用双线性插值将照片放大。
二、实验内容要求：以下实验采用学生本人的照片作为处理对象。
（1）利用MA TLAB做图像复原实验。
实验方法和步骤如下：选择一幅完好的照片，进行退化处理，然后对退化后的图像进行复原，并对不同参数的复原结果进行比较。
（2）用VC++编写程序，采用邻近差值和双线性插值两种方法，将图像放大到原来的1.5倍, 并存储为res0.yuv 和res1.yuv。
三、实验结果（1）①先对图像进行模糊处理，用matlab中fspecial函数产生motion滤波器，然后对灰度图像进行滤波即可得到。
再用deconvwnr函数对图像进行维纳滤波可的如下结果（程序代码详见附录1.1）：由此可见滤波效果并不是很明显，其中一个原因就是要取合适的len、theta参数是很困难的，所以导致模糊效果不是很好。
②先对图像进行模糊处理，用matlab中fspecial函数产生motion滤波器，然后对灰度图像进行滤波即可得到。
在对图像加高斯噪声，用imnoise函数。
再用deconvwnr函数对图像进行维纳滤波可见不同参数情况下的滤波情况如下（程序代码详见附录1.2）：由此可见，平滑滤波不一定总是能带来很好的效果，如果图像过于模糊，平滑滤波就会导致图像过于平滑，就会使得图像高频分量也就是边缘轮廓十分的不明显。
③先对图像进行模糊处理，用matlab中fspecial函数产生motion滤波器，然后对灰度图像进行滤波即可得到。
在对图像加高斯噪声，用imnoise函数。
再用deconvblind函数对图像进行盲滤波可见不同参数情况下的滤波情况如下（程序代码详见附录1.3）：（2）采用双线性插值法对所给图像实现长和宽分别1.5倍的放大。
图像退化图像复原
4记录和整理实验报告。
图像降质的数学模型图像复原处理的关键问题在于建立退化模型。
输入图像f(x, y)经过某个退化系统后输出的是一幅退化的图像。
为了讨论方便， 把噪声引起的退化即噪声对图像的影响一般作为加性噪声 考虑， 这也与许多实际应用情况一致，如图像数字化时的量化 噪声、 随机噪声等就可以作为加性噪声，即使不是加性噪声而 是乘性噪声， 也可以用对数方式将其转化为相加形式。
原始图像f(x, y) 经过一个退化算子或退化系统H(x, y) 的作用， 再和噪声n(x,y)进行叠加，形成退化后的图像g(x, y)。
图2-1表示退化过程的输入和输出的关系，其中H(x, y)概括了退化系统的物理过程，就是所要寻找的退化数学模型。
图2-1 图像的退化模型数字图像的图像恢复问题可看作是： 根据退化图像g(x , y)和退化算子H(x , y)的形式，沿着反向过程去求解原始图像f(x , y)， 或者说是逆向地寻找原始图像的最佳近似估计。
图像退化的过程可以用数学表达式写成如下的形式： g(x, y)=H ［f(x, y)］+n(x, y) (2-1) 在这里，n(x, y)是一种统计性质的信息。
在实际应用中， 往往假设噪声是白噪声，即它的频谱密度为常数，并且与图像不相关。
在图像复原处理中， 尽管非线性、 时变和空间变化的系统模型更具有普遍性和准确性，更与复杂的退化环境相接近，但它给实际处理工作带来了巨大的困难， 常常找不到解或者很难用计算机来处理。
因此，在图像复原处理中，往往用线性系统和空间不变系统模型来加以近似。
这种近似的优点使得线性系f (x , y )g (x , y )统中的许多理论可直接用于解决图像复原问题，同时又不失可用性。
2.2匀速直线运动模糊的退化模型在所有的运动模糊中，由匀速直线运动造成图象模糊的复原问题更具有一般性和普遍意义。
因为变速的、非直线运动在某些条件下可以被分解为分段匀速直线运动。
数字图像的退化与复原
数字图像的退化与复原1. 实验目的(1) 掌握数字图像的存取与显示方法。
(2) 理解数字图像运动模糊、高斯模糊以及其他噪声引起模糊（图像降质现象）的物理本质。
(3)掌握matlab的开发环境。
(4)掌握降质图像的逆滤波复原和维纳滤波复原方法。
2. 实验原理此实验是对数字图像处理课程的一个高级操作。
在深入理解与掌握数字图像退化的基础理论上，利用逆滤波与维纳滤波方法对数字图像进行复原。
(1) 图像的退化数字图像在获取过程中，由于光学系统的像差、光学成像衍射、成像系统的非线性畸变、成像过程的相对运动、环境随机噪声等原因，图像会产生一定程度的退化。
(2) 图像的复原图像复原是利用图像退化现象的某种先验知识，建立退化现象的数学模型，再根据模型进行反向的推演运算，以恢复原来的景物图像。
因而图像复原可以理解为图像降质过程的反向过程。
(3) 图像降质的数学模型图像复原处理的关键问题在于建立退化模型。
输入图像f(x,y)经过某个退化系统后输出的是一幅退化的图像。
为了讨论方便，把噪声引起的退化即噪声对图像的影响一般作为加性噪声考虑。
原始图像f(x,y)经过一个退化算子或退化系统H(x,y)的作用，再和噪声n(x,y)进行叠加，形成退化后的图像g(x,y)。
图1表示退化过程的输入和输出关系，其中H(x,y)概括了退化系统的物理过程，就是要寻找的退化数学模型。
图1 图像的退化模型数字图像的图像恢复问题可以看作是：根据退化图像g(x,y)和退化算子H(x,y)的形式，沿着反向过程去求解原始图像f(x,y)。
图像退化的过程可以用数学表达式写成如下形式：g(x,y)=H[f(x,y)]+n(x,y) (1)在这里，n(x,y)是一种统计性质的信息。
在实际应用中，往往假设噪声是白噪声，即它的频谱密度为常熟，并且与图像不相关。
在对退化系统进行了线性系统和空间不变系统的近似之后，连续函数的退化模型在空域中可以写成：g(x,y)=f(x,y)*h(x,y)+n(x,y) (2)在频域中可以写成：G(u,v)=F(u,v)H(u,v)+N(u,v) (3)其中，G(u,v)、F(u,v)、N(u,v)分别是退化图像g(x,y)、原图像f(x,y)、噪声信号n(x,y)的傅立叶变换；H(u,v)是系统的点冲击响应函数h(x,y)的傅立叶变换，称为系统在频率域上的传递函数。
数字图像处理_图像复原
图像复原1、实验目的1、 熟练掌握图像的几何操作原理，图像几何变换的程序设计技术，可以按要求完成对任意图像几何变换。
2、掌握图像复原的原理及常用图像复原方法。
2、实验原理图像恢复指将退化的图像尽量恢复到原来的状态。
1、几何校正图像与原景物图像相比，会产生比例失调，扭曲，我们把这类图像退化现象称之为几何畸变，消除几何畸变的复原过程，称几何校正。
设两幅图像坐标系统之间几何畸变关系能用解析式来描述若函数h1(x,y)和h2(x,y)已知，则可以从一个坐标系统的像素坐标算出在另一坐标系统的对应像素的坐标。
在未知情况下， 通常h1(x,y)和h2(x,y)可用多项式来近似。
几何校正分平移、旋转、缩放、镜像、转置。
（1）图像旋转使用B=imrotate(A,angle,method); angle 是旋转的角度(单位是“度”)；method 是插补的方法，可以是nearest （最邻近插补）,bilinear （双线性插补）,bicubic （双立方插补）。
还可使用B= B=imrotate(A,angle,method,’crop ’); crop 表示剪切。
（2）图像剪切使用：x2=imcrop(x,map),对索引图像进行交互式剪切；I2=imcrop(I), 对灰度图像进行交互式剪切；RGB2＝imcrop(rgb)，对彩色图像进行交互式剪切；x2=imcrop(x,map ，RECT)，对索引图像进行非交互式剪切；I2=imcrop(I ，RECT), 对灰度图像进行非交互式剪切；rgb2＝imcrop(rgb ，RECT)，1(,)x h x y '=2(,)y h x y '=1100N N ij ij i j x a x y --=='=∑∑1100N N i j ij i j y b x y --=='=∑∑对彩色图像进行非交互式剪切；RECT是四元素向量[xmin ymin width height] 例如：rgb2＝imcrop(rgb，[100 100 80 10])，（3）图像缩放使用B=imresize(A,m,method) 返回为A的m倍]大小的图像；b=imresize(A,[mrows ncols],method),返回为mrows× ncols]大小的图像。
数字图像处理之图像复原
实验五、图象复原一、实验目的1．了解图象退化的几种原因；2．掌握对相应退化原因的复原方法。
二、实验内容1．使用函数fspecial( )和imfilter( )模拟产生退化图象；2．对于不同的噪声引起图像的退化，采用不同的滤波方法复原图象。
3．学会使用维纳滤波器deconvwnr()函数对图像进行复原的方法。
三、实验步骤1．加性噪声退化图象用imnoise( )函数给图象加噪声，如增加高斯白噪声。
使用平滑滤波器对其进行滤波，可达到复原图像的效果x=imread(‘cameraman.tif’);x=imnoise(x,’gaussian’)imshow(x)h=fspecial(‘average’)y=imfilter(x,h);figureimshow(y)2、周期噪声退化图像对于周期噪声可以通过频域滤波来减弱或消除，实现复原图像。
实验五文件夹中有被正弦周期噪声污染退化的图像'pout_g_64.bmp'，使用理想带阻滤波器对其频域滤波，复原图像。
(1) pout_g_64.bmp图像及其傅立叶谱见下图。
(2) 构造理想带阻滤波器close allx=imread('pout_g_64.bmp');xm=size(x,1); xn=size(x,2);M2=floor(xm/2); N2=floor(xn/2);u=-M2:1:M2-1; v=-N2:1:N2-1;[U,V]=meshgrid(u,v);D=sqrt(U.^2+V.^2);D0=64;W=4;H=double(D<(D0-W/2)|D>(D0+W/2));figureMesh(U,V,H) ;title('D0=64,W=4,理想带阻滤波器')思考：使用上述理想带阻滤波器对’pout_g_64.bmp’图像进行频域滤波，得到复原图像，结果类似下图。
close allx=imread('pout_g_64.bmp');xm=size(x,1); xn=size(x,2);M2=floor(xm/2); N2=floor(xn/2);u=-M2:1:M2-1; v=-N2:1:N2-1;[U,V]=meshgrid(u,v);D=sqrt(U.^2+V.^2);D0=64;W=4;H=double(D<(D0-W/2)|D>(D0+W/2));F=fft2(x);f=fftshiFt(F);G=f.*H;subplot(121)imshow(real(G));title('频域滤波')GG=fftshift(G);I=ifft2(GG);subplot(122)imshow(uint8(I))title('复原后图像')3、运动模糊退化图像给图像添加运动模糊，使用deconvwnr（）维纳滤波器进行图像复原。
数字图像处理实验三：图像的复原
南京工程学院通信工程学院实验报告课程名称数字图像处理C实验项目名称实验三图像的复原实验班级算通111 学生姓名夏婷学号 208110408 实验时间 2014年5月5日实验地点信息楼C322实验成绩评定指导教师签名年月日实验三、图像的恢复一、实验类型：验证性实验二、实验目的1. 掌握退化模型的建立方法。
2. 掌握图像恢复的基本原理。
三、实验设备：安装有MATLAB 软件的计算机四、实验原理一幅退化的图像可以近似地用方程g=Hf+n 表示，其中g 为图像，H为变形算子，又称为点扩散函数（PSF ），f 为原始的真实图像，n 为附加噪声，它在图像捕获过程中产生并且使图像质量变坏。
其中，PSF 是一个很重要的因素，它的值直接影响到恢复后图像的质量。
I=imread(‘peppers.png’);I=I(60+[1:256],222+[1:256],:);figure;imshow(I);LEN=31;THETA=11;PSF=fspecial(‘motion’,LEN,THETA);Blurred=imfilter(I,PSF,’circular’,’conv’);figure;imshow(Blurred);MATLAB 工具箱中有4 个图像恢复函数，如表3-1 所示。
这4 个函数都以一个PSF 和模糊图像作为主要变量。
deconvwnr 函数使用维纳滤波对图像恢复，求取最小二乘解，deconvreg 函数实现约束去卷积，求取有约束的最小二乘解，可以设置对输出图像的约束。
deconvlucy 函数实现了一个加速衰减的Lucy-Richardson 算法。
该函数采用优化技术和泊松统计量进行多次迭代。
使用该函数，不需要提供有关模糊图像中附加噪声的信息。
deconvblind 函数使用的是盲去卷积算法，它在不知道PSF 的情况下进行恢复。
调用deconvblind 函数时，将PSF 的初值作为一个变量进行传递。
数字图像处理实验九、图像复原
fs(x,y):
FFt
Fs(u,v)
Gs(u,v)
Hs(u,v)=
Fs(u,v)
2.数学建模法 大气湍流的退化函数：
H (u, v) e
k ( n2 v 2 )5 / 6
匀速运动的退化函数：
T H ( u, v) sin[ ( ua vb)]e j ( ua vb ) ( ua vb)
三、退化函数引起图像退化的复原方法 1.逆滤波法： 无噪声时： F(u,v)= G(u,v) H(u,v) N(u,v) H(u,v)
有噪声时： F(u,v)= F(u,v)+ 问
题：在H(u,v)趋于0处，噪声会被急剧放大。
解决办法：增加一个低通滤波器。
1 | H (u, v) |2 ]G(u, v) 2.维纳滤波法： F (u, v) [ 2 H (u, v) | H (u, v) | k
调入原始图像 fxy
计算退化图像的频谱 Guv
K=0.01;%特殊常数，一般要用交互的方式确定 Fuvyp=(Huv.*conj(Huv)).*Guv./(Huv.*(Huv.*conj(Huv)+K)); 计算原始图像频谱 计算噪声的频谱 Nuv Rtuxy=abs(ifft2(Fuvyp)); Fuv=fft2(fxy) subplot(2,2,2),imshow(Rtuxy,[]),title('K=0.01时维纳滤波的结果') 还
生 成 退 化 图 像
原 退 Fuvyp=(Huv.*conj(Huv)).*Guv./(Huv.*(Huv.*conj(Huv)+K)); 化 Rtuxy=abs(ifft2(Fuvyp)); 计算 复原图像的频谱Fuvyp 图 生产退化图像频谱 subplot(2,2,3),imshow(Rtuxy,[]),title('K=0.005时维纳滤波的结果') Guv=Huv· Fuv 像
数字图像处理实验报告4
数字图像处理与分析实验报告学院：班级：姓名：学号：实验四图像复原一、实验目的1. 了解图象退化的几种原因2. 掌握对相应退化原因的复原方法二、实验内容1. 使用函数fspecial( )和imfilter( )模拟产生退化图象2. 使用平滑滤波器和维纳滤波器复原图象三、实验步骤1. 加性噪声退化图象（1）先用imnoise( )函数给图象加噪声，如对图象增加高斯白噪声x=imread(‘cameraman.tif’);x=imnoi se(x,’gaussian’)得到图像：（2）使用平滑滤波器对其进行滤波h=fspecial(‘average’)y=imfilter(x,h);得到图像：（3）使用维纳滤波器进行处理w=wiener2(x) %注意：维纳滤波要求为灰度图像！得到图像：2. 使用演示程序比较各种滤波器的效果：nrfiltdemo3.运动退化图像（1）使用fspecial( )和imfilter( )模拟产生运动退化图象相应的程序如下：I = imread('C:\Documents and Settings\Administrator\桌面\1.BMP');figure;imshow(I);title('Original Image');LEN = 31;THETA = 15;PSF = fspecial('motion',LEN,THETA); % create PSFBlurred = imfilter(I,PSF,'circular','conv'); % blur the imagefigure;imshow(Blurred);title('Blurred Image');得到图像：（2）使用维纳滤波器进行处理wnr1=deconvwnr(Blurred,PSF);figure;imshow(wnr1);title('Restored, True PS');四、实验总结本次实验的目的就是了解图像退化的几种原因，比如性噪声，通过对图像添加高斯噪声对图像进行退化，在图像退化以后再对图像进行恢复。
数字图像处理实验八、图像复原Ⅰ
zminmed=sortSxymin(st+2);%排序后的第st+2个像素的值是中值zminmed zmedmed=sortSxymed(st.*4+1);%排序后的第st.*4+1个像素的值是中值zmedmed zmaxmed=sortSxymax(st.*8+1);%排序后的第st.*8+1个像素的值是中值zmaxmed
2.自适应中值滤波器：
输入待处理图像 给出Smax的大小 设定St起始大小 给出Sxy区域 增大 Sxy 计算Zmin、Zmax、Zmed和 A1 =Zmed- Zmin,A2= Zmed- Zmax 否 否 Sxy≥Smax 是 否 g(x,y)=Zmed A1>0 A2<0 是 B1 =Zxy- Zmin,B2= Zxy- Zmax 检查Zxy是否 是冲击噪声 检查Zmed是 否是冲击噪声
if zminmin<zminmed&zminmed<zminmax if zminmin<zxy&zxy<zminmax g(n,m)=zxy; else g(n,m)=zminmed; end else if zmedmin<zmedmed&zmedmed<zmedmax if zmedmin<zxy&zxy<zmedmax g(n,m)=zxy; else g(n,m)=zmedmed; end else if zmaxmin<zmaxmed&zmaxmed<zmaxmax if zmaxmin<zxy&zxy<zmaxmax g(n,m)=zxy; else g(n,m)=zmaxmed; end else g(n,m)=zxy; end end end end end subplot(1,3,2),imshow(g,[]),title('自适应中值滤波器的处理结果') b=medfilt2(a,[7,7]); subplot(1,3,3),imshow(b,[]),title('7×7中值滤波器的处理结果')
(完整word版)数字图像处理实验 ——图像恢复
数字图像处理实验——图像恢复班级：信息10—1姓名：张慧学号：36实验四、图像复原一、实验目的1了解图像退化原因与复原技术分类化的数学模型；2熟悉图像复原的经典与现代方法；3热练掌握图像复原的应用；4、通过本实验掌握利用MATLAB编程实现数字图像的图像复原。
二、实验原理：图像复原处理是建立在图像退化的数学模型基础上的，这个退化数学模型能够反映图像退化的原因。
图像的退化过程可以理解为施加于原图像上的运算和噪声两者联合作用的结果，图像退化模型如图1所示，可以表示为：g ( x, y ) H [ f ( x, y )] n( x, y ) f ( x, y )h( x, y ) n( x, y) （1）图1 图像退化模型(1)在测试图像上产生高斯噪声lena图-需能指定均值和方差；并用滤波器（自选）恢复图像；噪声是最常见的退化因素之一，也是图像恢复中重点研究的内容，图像中的噪声可定义为图像中不希望有的部分。
噪声是一种随机过程，它的波形和瞬时振幅以及相位都随时间无规则变化，因此无法精确测量，所以不能当做具体的处理对象，而只能用概率统计的理论和方法进行分析和处理。
本文中研究高斯噪声对图像的影响及其去噪过程。
①高斯噪声的产生：所谓高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。
一个高斯随机变量z的PDF可表示为：P（z）()22x pz u2σ-⎡⎤-⎢⎥⎣⎦（2）其中z代表灰度，u是z的均值，σ是z的标准差。
高斯噪声的灰度值多集中在均值附近。
图2 高斯函数可以通过不同的算法用matlab 来产生高斯噪声。
②高斯噪声对信号的影响噪声影响图像处理的输入、采集、处理的各个环节以及输出结果的全过程，在图像中加高斯噪声通常会使图像变得模糊并且会出现细小的斑点，使图像变得不清晰。
③去除高斯噪声的一些方法去除高斯噪声的方法有直方图变换，低通滤波，高通滤波，逆滤波，维纳滤波，中值滤波等。
本文应用高斯平滑滤波进行去噪处理。
《数字图像处理A》图像复原与重建实验
《数字图像处理A》图像复原与重建实验一、实验目的图像的降噪与复原既在日常生活中拥有广泛的应用场景，又是数字图像处理领域的经典应用。
本实验首先对特定图像进行添加噪声和模糊，然后再使用经典的算法对噪声退化图像进行复原和重建。
通过该实验，进一步理解图像降噪和复原的基本原理，巩固图像处理基本操作的同时，提升对图像降噪和复原的理解和掌握。
二、实验内容1.利用matlab实现对特定图像添加高斯噪声和运动模糊。
2.使用逆滤波对退化图像进行处理。
3.使用常数比进行维纳滤波。
4.使用自相关函数进行维纳滤波。
三、实验原理1. 图像退化模型在一般情况下图像的退化过程可建模为一个退化函数和一个噪声项，对一幅图像f(x,y)进行处理，产生退化图像g(x,y),如下所示，其中η(x,y)是噪声项，H则是源图像的退化函数。
g(x,y)=H[f(x,y)]+η(x,y)2. 图像的噪声模型图像的噪声模型分为空间域噪声模型（通过噪声的概率密度函数对噪声进行描述）和频率域噪声模型（由噪声的傅里叶性质进行描述）两种类型。
在本实验中，我们采用的是空间噪声的经典噪声模型高斯噪声，高斯噪声模型的概率分布函数如下所示,其中σ是标准差，μ是期望。
p(z)=√2πσ−(x−μ)22σ2⁄3. 图像模糊图像模糊是一种常见的主要的图像退化过程。
场景和传感器两者导致的模糊可以通过空间域和频率域低通滤波器来建模。
而另一种常见的退化模型是图像获取时传感器和场景之间的均匀线性运动生成的图像模糊。
本实验的模糊模型采用的则是运动模糊，该模糊可以通过工具箱函数fspecial进行建模。
1.带噪声退化图像的复原在图像复原中经典的方法包括两种，分别是直接逆滤波和维纳滤波。
其中，直接逆滤波的复原模型如下所示,其中G(u,v)表示退化图像的傅里叶变换，H(u,v)则表示退化函数。
除了直接逆滤波之外，更为常见的是使用维纳滤波对退化图像进行复原，复原模型如教材100页4.7节所示。
图像恢复(数字图像处理实验报告)
数字图像处理作业——图像恢复摘要数字图像恢复是数字图像处理的一个基本的和重要的课题，它是后期图像处理（分析和理解）的前提。
图像在摄取、传输、储存的过程中不可避免地引起图像质量的下降（图像退化），图像恢复就是试图利用退化过程的先验知识使已退化的图像恢复本来面貌，即根据退化的原因，分析引起退化的环境因素，建立相应的数学模型，并沿着使图像降质的逆过程恢复图像。
本文首先对测试图像进行模糊及加噪处理，然后用不同的图像恢复方法，如维纳滤波恢复、约束最小二乘滤波进行图像恢复，并比较它们的处理效果。
发现维纳滤波较约束最小二乘法滤波效果要好，这是因为前者利用了原图像的统计信息，采用了真实的PSF函数来恢复。
无论何种算法，它们都要依据获取的相关信息才能有效地实施，算法利用的信息越多，信息的准确性越高，复原图像的质量也就越高。
实验原理：图像复原处理是建立在图像退化的数学模型基础上的，这个退化数学模型能够反映图像退化的原因。
图像的退化过程可以理解为施加于原图像上的运算和噪声两者联合作用的结果，图像退化模型如图1所示，可以表示为：g ( x , y ) = H [ f ( x , y )] + n ( x , y ) = f ( x , y ) *h ( x , y ) + n ( x , y ) （1）图1 图像退化模型(1)在测试图像上产生高斯噪声lena 图-需能指定均值和方差；并用滤波器（自选）恢复图像；实验原理：噪声是最常见的退化因素之一，也是图像恢复中重点研究的内容，图像中的噪声可定义为图像中不希望有的部分。
噪声是一种随机过程，它的波形和瞬时振幅以及相位都随时间无规则变化，因此无法精确测量，所以不能当做具体的处理对象，而只能用概率统计的理论和方法进行分析和处理。
本文中研究高斯噪声对图像的影响及其去噪过程。
①高斯噪声的产生：所谓高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。
一个高斯随机变量z 的PDF 可表示为：P （z ）（2）其中z 代表灰度，u 是z 的均值，是z 的标准差。
图像退化与复原
一．实验名称：图像退化与复原二．实验目的1．了解光电图像的退化原因；2．掌握和理解基本的噪声模型，并能对图像进行加噪处理；3．了解点扩展函数(PSF)与光学传递函数(OTF)的关系，熟悉几种经典的退化模型的模拟试验和 OTF 估计方法；4．熟悉和掌握几种经典的图像复原方法与其基本原理；5．能熟练利用 MATLAB 或 C/C++工具进行图像的各种退化处理，并能编程实现退化图像的复原。
三．实验原理光电成像系统出现图像退化的过程是复杂多变的，为了研究的需要，通常情况下都把退化简化为化为一个线性移不变过程，见下图 1 所示。
图 1 光电图像退化与复原原理图因此，在空域中退化过程可以表示如下：g f h(1)(x,y)(x,y)(x,y)(x,y)只有加性噪声不存在情况下，退化过程可以模型化如下表达式：g f(2)(x,y)(x,y)(x,y)其频域表达式为：u (3)v v=(,)+(),)G,(F u v N u针对这种退化图像的复原，除了周期噪声以外，通常都可以采用空间域滤波的方法进行图像复原，此时图像复原与图像增强几乎是没有区别的。
常见的空间域滤波方法有均值滤波器和统计排序滤波器。
当退化图像存在线性移不变退化时，图像的复原不能采用简单空间域滤波器来实现，要实现线性移不变退化图像的复原，必须知道退化系统的退化函数，即点扩展函数(x,y)h 。
在点扩展函数已知的情况下，常见图像复原方法有逆滤波和维纳滤波两种。
在考虑噪声的情况下，逆滤波的原理可以表示如下：()()()()()()G u,v N u,v F u,v F u,v H u,v H u,v(4)通常情况下，()N u,v 是未知的，因此即使知道退化模型也不能复原图像。
此外，当,H u v 的任何元素为零或者值很小时，,/,N u v H u v 的比值决定着复原的结果，从而导致图像复原结果出现畸变。
对于这种情况，通常采用限制滤波频率使其难以接近原点值，从而减少遇到零值的可能性。
数字图像处理图像复原实验报告
图像复原信息132 李佳奇1304010311一、实验目的1、熟悉并掌握MATLAB图像处理工具箱的使用；2、理解并掌握常用的图像的恢复和分割技术。
二、实验内容空域滤波复原close all;clear all;clc;I=imread('d:/zhien.jpg');I=im2double(I);I=imnoise(I,'gaussian',0.05);%添加高斯噪声PSF=fspecial('average',3);J=imfilter(I,PSF);K=exp(imfilter(log(I),PSF));figure;subplot(131);imshow(I);subplot(132);imshow(J);subplot(133);imshow(K);分析：空域滤波就是在待处理图像中逐点地移动掩模。
在每一点(x,y)处，滤波器在该点的响应通过事先定义的关系来计算。
对于线性空间滤波，其响应由滤波器系数与滤波掩模扫过区域的相应像素值的乘积之和给出维纳滤波I=imread('d:/zhien.jpg');H=fspecial('motion',50,45);J=imfilter(I,H,'circular','conv');subplot(221);imshow(J);title('运动模糊后的lena.bmp(角度为45)');J1=imnoise(J,'gaussian',0,0.01);subplot(222);imshow(J1);title('加噪模糊的lena.bmp');%figure;J2=deconvwnr(J1,H);subplot(223)imshow(J2);title('模糊噪声图像的维纳滤波复原');noise=imnoise(zeros(size(I)),'gaussian',0,0.01);NSR=sum(noise(:).^2)/sum(im2double(I(:)).^2);J3=deconvwnr(J1,H,NSR);subplot(224)imshow(J3);title('引入SNR的维纳滤波复原');分析：维纳滤波是一种有约束的复原恢复，它综合了退化图像和噪声统计特性两个方面进行了复原处理。
数字图像处理三试验要求1理解图像增强恢复退化等概念
数字图像处理 三一、实验要求：1、 理解图像增强、恢复、退化等概念、原理及意义。
2、 学习退化函数的表示、参数确定，点扩展函数的确定及应用。
3、 学会图像回复的滤波方法：逆滤波和维纳滤波。
二、实验的主要原理:1、 图像退化、恢复过程的模型退化过程中可以被模型化为一个退化函数和一个加噪声项，处理一副输入图像f(x,y)产生一副退化图像g(x,y),给定g(x,y)和关于退化图像H 的一些知识以及外加噪声项η(x,y),图像恢复的目的是获得关于原始图像的近似估计.若系统H 是线性的、位置不变性的过程，则空间域的退化图像：g(x,y)= h(x,y)* f(x,y)+ η(x,y)其频域下的描述为： G(x,y)=H(x,y)F(x,y)+ N(x,y)综上来说，图象恢复力求保持图象的本来面目，以保真原则为前提，从而找出图象降质的原因，描述其物理过程，提出数学模型。
恢复的过程是沿着质量降质的逆过程来重现原始图象的。
2、 点扩展函数的确定① 运用先验知识一般可以根据导致模糊的物理过程（先验知识）来确定h(x,y)或H(u,v)；学习的过程中，我们接触到大气湍流、光学系统散焦、照相机与景物相对运动等转移函数及其性质，这里实验中涉及到的仅有大气湍流，后面再做详细介绍。
② 运用后验判断的方法我们可以从退化图象本身来估计h(x,y)，这里有两种方法：一是若有把握断定原始景物某部位有一个清晰的点，于是那个点再退回图象的模糊图象就是h(x,y)；二是若原景物含有明显的直线，从这些线条的退化图象得出h(x,y) 。
③ 实验估计方法3、 图象恢复的滤波方法① 逆滤波由前所述，用退化函数除退化图像的傅立叶变换可计算原始图像的傅立叶变换估计F’(x,y)： F’(x,y)= G(x,y)/H(x,y)在有噪声存在的情况下，F’(x,y)= F(x,y)+N(x,y)/H(x,y)这个表达式告诉我们即使知道退化函数，也不能准确地复原未退化的图像，因为N(x,y)是一个随机函数，而它的傅立叶变换未知。
数字图像处理运动模糊图像复原
运动模糊图像复原实验报告一、运动模糊图像复原【应用背景】运动模糊是一种重要的图像退化原因，在图像采集的过程中，如果采集设备与目标之间存在足够大的相对运动，将会导致获得的图像模糊，这就是所谓的运动模糊。
现在大多数交通路口都设置有电子眼，拍摄记录车辆的违章行为，但是一般情况下违规车辆的行驶速度都较高，由电子眼拍摄到的有违规行为的车辆照片或多或少都存在运动模糊，因而导致很难准确获取包括车牌在内的车辆信息，如何利用图像复原技术对退化图像进行处理，得到相对清晰的图像就显得十分重要，另外，在国防航天等领域，图像的运动退化问题也十分常见，对于图像复原技术的研究具有重要的理论价值与现实意义【模糊图像的一般退化模型】图像的模糊过程可用下面的数学表达式表示：g x,y=f x,y∗ x,y+n(x,y)f(x,y)：原输入图像n(x,y)：噪声h(x,y)：退化函数g(x,y)：模糊图像模糊过程即原始图像在被退化函数作用后再叠加上噪声的过程，其中f(x,y)*h(x,y)表示原始图像与退化函数的卷积，退化模型可表示为下图[19]：其中H 为h(x,y)的频域变换，也称作点扩散函数(PSF)或传输函数，退化过程在频域可表示为：G x,y=F x,y H x,y+N(x,y)G(u,v)、F(u,v)、H(u,v)和N(u,v)分别为g(x,y)、f(x,y)、h(x,y)和n(x,y)的傅里叶变换。
【维纳滤波方法】维纳滤波是一种线性滤波方法，以小误差准则为基础，即使恢复图像与原图像的均方误差小。
利用Matlab的维纳滤波恢复函数：deconvwnr(I,PSF)其中参数I为输入图像，PSF为点扩散函数，PSF为：PSF=fpescial(‘motion’,len,theta)其中，恢复图像的重点为确定参数len和theta参数len为模糊图像位移的像素，theta为运动的角度。
【算法原理】第一步：确定运动方向对于匀速直线运动模糊而言，其点扩散函数具有零点，这就导致模糊图像的频谱也具有零点，在相应的频率处，频谱上会出现一系列平行的暗纹。
数字图像处理实验07图像的复原处理
一、数字图像处理实验实验七 图像的复原处理一、实验目的熟悉几种在实际应用中比较重要的图像复原技术，学会用MATLAB复原函数对退化图像进行复原处理。
二、实验内容1．用点扩散(PSF)函数创建运动模糊图像,修改参数改变模糊程度。
2．用维纳滤波复原函数deconvwnr 对模糊图像进行复原重建。
三、实验原理图像在形成、传输和记录的过程中，由于受多种原因的影响，图像的质量会有下降，典型表现为图像模糊、失真、有噪声等。
这一降质的过程称为图像的退化。
而图像复原试图利用退化现象的某种先验知识（即退化模型），把已经退化了的图像加以重建和复原。
其目的就是尽可能地减少或去除在获取图像过程中发生的图像质量的下降（退化），恢复被退化图像的本来面目。
本实验主要学习如何使用MATLAB函数来恢复原图像，请参考第一部分4.7节MATLAB复原处理内容。
四、实验方法及程序MATLAB图像处理工具箱包含四个图像复原函数，本实验编程实现一个相对比较简单的维纳滤波复原函数。
1．用点扩散(PSF)函数创建运动模糊图像a) 无噪声运动模糊图像b) 有噪声运动模糊图像2．维纳滤波复原函数deconvwnra) 对无噪声运动模糊图像用deconvwnr(I,PSF)进行复原b)对有噪声运动模糊图像用deconvwnr(I,PSF)、deconvwnr(I,PSF,NSR)和deconvwnr(I,PSF,NCORR,ICORR)函数进行复原。
用help查阅复原函数的具体使用方法。
五、实验结果与分析1. 分别对复原后的图像进行分析和比较。
2. 叙述图像复原和图像增强两者之间的区别。
1。
图像退化与复原实验报告
电子科技大学实验报告学生姓名：李雄风学号：2905301014指导老师：彭真明日期：2012年4月12日光电楼327、329学生机房二、实验项目名称：图像退化与复原三、实验原理：1.图像退化与复原图像复原是图像处理的主要内容之一，所谓图像复原就是指去除或减轻在图像获取过程中发生的图像质量的下降。
成像过程中的图像“退化”，是指由于成像系统各种因素的影响，使得图像质量降低。
图像复原可以看作图像退化的逆过程，是将图像退化的过程加以估计，建立退化的数学模型后，补偿退化过程造成的失真。
图像在形成、传输和记录过程中，由于受到多方面的影响，不可避免地造成图像质量的退化（degradation）。
造成图像退化的原因很多，主要有：•射线辐射、大气湍流等造成的照片畸变；•模拟图像数字化的过程中，由于会损失部分细节，造成质量下降；•镜头聚焦不准产生的散焦模糊；•成像系统中始终存在的噪声干扰；•拍摄时，相机与景物之间的相对运动产生的运动模糊；•底片感光、图像显示时会造成记录显示失真；•成像系统的像差、非线性畸变、有限带宽等造成的图像失真；•携带遥感仪器的飞机或卫星运动的不稳定，以及地球自转等因素引起的照片几何失真。
2.维纳（Wiener）滤波掌握图像f和噪声n的准确先验知识是非常困难的，一种较为合理的假设是将它们近似的看成是平稳随机过程。
假设和表示f和n的自相关矩阵，其定义为：式中，E{•}代表数学期望。
定义，得：假设M=N，和分别为图像信号和噪声的功率谱，则：式中，，。
四、实验目的：1.了解光电图像的退化原因和熟悉退化模型；2.掌握和理解基本的噪声模型及运动模糊退化过程；3.熟悉和掌握几种经典的图像复原方法及其基本原理；4.能熟练利用Matlab工具进行图像的各种退化处理，并能编程实现退化图像的复原。
1.滤波器设计及图像滤波实验；2.基于Wiener滤波的图像复原。
六、实验器材（设备、元器件）：微型计算机、Matlab工具及相应的开发环境。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
%1.使用函数fspecial创建退化滤波器PSF，然后调用imfilter对图像进行卷积运算，就可以%得到一幅运动退化图像，观察并记录结果。
I=imread('C:\Documents and Settings\Administrator\桌面\16学时实验\实验六\fig0222b.jpg'); %读入图像
LEN=31;
THETA=11;
PSF=fspecial('motion',LEN,THETA); %生成退化函数
blurred=imfilter(I,PSF, 'circular', 'conv');
figure
subplot(1,2,1),imshow(I);title('原图像');
subplot(1,2,2),imshow(blurred);title('6.1 运动退化图像');
%2.使用imnoise函数对图像添加随机噪声，观察并记录结果。
fnblurred =imnoise( blurred, 'gaussian',0,0.001); %产生随机噪声图像
figure, imshow(fnblurred);title('6.2 加噪之后');
%3.使用函数deconvwnr对无噪声的运动模糊图像进行复原，观察并记录结果。
同时采用不同的
%LEN和THETA参数，进行实验，体会一下退化函数PSF的重要性，观察并记录结果。
LEN=31;
THETA=11;
PSF=fspecial('motion',LEN,THETA);
wnr1=deconvwnr(blurred,PSF);
wnr2=deconvwnr(blurred, fspecial('motion',2*LEN,THETA));
wnr3=deconvwnr(blurred, fspecial('motion', LEN, 2*THETA));
figure
imshow(wnr1);title('6.3.1 无噪运动模糊图像复原1');
figure
subplot(1,2,1),imshow(wnr2);title('6.3.2 无噪运动模糊图像复原2');
subplot(1,2,2),imshow(wnr3);title('6.3.3 无噪运动模糊图像复原3');
%4.使用函数deconvwnr对一幅有噪声的运动模糊图像进行维纳滤波复原，观察并记录结果。
wnr4=deconvwnr(fnblurred,PSF);
figure,imshow(wnr4);title('6.4 维纳滤波复原');
%5.为了使维纳滤波复原的效果变好，必须使用deconvwnr函数的可选参数NSR、NCORR 和ICORR，
%通过改变参数获得不同的复原效果，观察并记录结果。
%使用deconvblind函数进行盲目去卷积，采用不同的退化函数，观察并记录结果。
PSF=fspecial('gaussian',7,10);
blurred01=imfilter(I,PSF, 'circular', 'conv');%图像退化
UNDERPSF=ones(size(PSF)-4);
[J1 P1]= deconvblind(blurred01, UNDERPSF); % 使用较小的PSF进行逆滤波OVERPSF=padarray(UNDERPSF,[4 4], 'replicate', 'both');
[J2 P2]= deconvblind(blurred01, OVERPSF); % 使用较大的PSF进行逆滤波INITPSF=padarray(UNDERPSF,[2 2], 'replicate', 'both');
[J3 P3]= deconvblind(blurred01, INITPSF); % 使用真实的PSF进行逆滤波
figure, imshow(blurred01);title('6.5.1 图像退化');
figure, imshow(J1); title('6.5.2 盲目卷积（使用较小的PSF进行逆滤波）');
figure, imshow(J2); title('6.5.3 盲目卷积（使用较大的PSF进行逆滤波）');
figure, imshow(J3);title('6.5.4 盲目卷积（使用真实的PSF进行逆滤波）');
原图像 6.1 运动退化图像
6.2 加噪之后
6.3.1 无噪运动模糊图像复原1
6.3.2 无噪运动模糊图像复原2 6.3.3 无噪运动模糊图像复原3
6.4 维纳滤波复原
6.5.1 图像退化
6.5.2 盲目卷积（使用较小的PSF进行逆滤波）
6.5.3 盲目卷积（使用较大的PSF进行逆滤波）
6.5.4 盲目卷积（使用真实的PSF进行逆滤波）。