《数字图像处理-MATLAB》运动模糊图像复原
如何在Matlab中进行图像去噪与复原
如何在Matlab中进行图像去噪与复原图像去噪与复原在计算机视觉和图像处理领域有着重要的应用价值。
当图像受到噪声污染或损坏时，我们需要采取适当的方法来还原图像的清晰度和准确性。
在这方面，Matlab作为一种强大的数值计算软件，提供了丰富的图像处理工具和函数，能够帮助我们有效地进行图像去噪和复原。
一、图像去噪方法介绍在进行图像去噪之前，我们需要了解一些常见的图像噪声类型和去噪方法。
常见的图像噪声类型包括高斯噪声、椒盐噪声和泊松噪声等。
对于这些噪声，我们可以采用滤波方法进行去噪处理。
Matlab提供了多种滤波函数，包括均值滤波、中值滤波、高斯滤波等。
这些函数能够基于不同的滤波算法，去除图像中的噪声，提高图像质量。
1.1 均值滤波均值滤波是一种简单的滤波方法，通过计算像素周围邻域的平均灰度值来减小噪声的影响。
在Matlab中，可以使用imfilter函数实现均值滤波。
该函数可以指定滤波器的大小和形状，对图像进行滤波处理。
均值滤波适用于高斯噪声的去除，但对于椒盐噪声等其他类型的噪声效果不佳。
1.2 中值滤波中值滤波是一种非线性滤波方法，通过在像素周围邻域中选择中间灰度值来减小噪声的影响。
在Matlab中，可以使用medfilt2函数实现中值滤波。
该函数可以指定滤波器的大小和形状，对图像进行滤波处理。
中值滤波适用于椒盐噪声的去除，对于高斯噪声等其他类型的噪声有效果不佳。
1.3 高斯滤波高斯滤波是一种线性滤波方法，通过根据像素周围邻域的权重来减小噪声的影响。
在Matlab中，可以使用imgaussfilt函数实现高斯滤波。
该函数可以指定滤波器的大小和标准差，对图像进行滤波处理。
高斯滤波适用于高斯噪声的去除，对于椒盐噪声等其他类型的噪声效果较好。
二、图像复原方法介绍除了去噪，图像复原也是图像处理中常见的任务之一。
图像复原主要是指恢复图像中的缺失或破损的信息，使得图像在视觉上更加清晰和准确。
在Matlab中，可以使用多种方法进行图像复原，包括图像插值、图像修复和图像增强等。
Matlab中的模糊图像恢复与图像重建技术详解
Matlab中的模糊图像恢复与图像重建技术详解引言：随着数码相机、移动设备以及各种图像处理软件的普及，人们对图像质量要求越来越高。
然而，在图像获取和传输过程中，由于种种原因，图像可能会变得模糊，失真或损坏。
为了解决这些问题，图像恢复和重建技术应运而生。
本文将详细介绍基于Matlab的模糊图像恢复与图像重建技术。
一、图像模糊恢复技术1. 模糊图像的概念和原因模糊图像是指由于摄像机移动、图像采集设备问题、环境光线等因素而导致图像失真的现象。
图像模糊会降低图像的细节和清晰度，使得图像难以辨认和识别。
常见的模糊原因有运动模糊、焦距模糊、镜头畸变等。
2. 模糊图像恢复方法为了恢复模糊图像的清晰度和细节，研究人员提出了各种方法。
其中，基于傅里叶变换的频域滤波是最常用的方法之一。
该方法通过将模糊图像转换到频域，应用适当的频域滤波器来消除模糊效果。
Matlab提供了丰富的函数和工具箱来实现这些滤波方法，比如利用低通滤波器恢复运动模糊图像。
另外，基于对图像恢复的数学建模和优化算法也是常用的方法。
例如，最小二乘法、最小化总变差等。
3. Matlab中的模糊图像恢复函数Matlab提供了多种函数用于模糊图像恢复。
其中，`deconvwnr`函数可以用于模糊图像的逆滤波处理。
该函数通过对图像进行频域滤波，去除模糊效果。
另外，`deconvblind`函数可以用于盲去卷积处理，即对图像进行反卷积操作以恢复图像细节。
二、图像重建技术1. 图像重建的意义和应用图像重建指的是利用已有的图像信息来还原、修复或生成新的图像。
与图像恢复类似，图像重建技术对于改善图像质量、还原损坏图像、生成虚拟图像等方面有着重要的应用。
图像重建技术在医学影像、图像压缩和增强、虚拟现实等领域都有广泛的应用。
2. 图像重建算法在Matlab中，图像重建可以通过多种算法实现。
其中一种常用的算法是基于插值的图像重建方法。
该方法通过对已有图像的像素进行插值来生成新的图像。
matlab模糊图像恢复数字图像处理
实验六 模糊图像恢复一、实验目的本实验是一个综合性实验，要求学生巩固学习多个知识点和内容，主要有： 1、理解掌握运动图像的退化模型； 2、掌握维纳滤波法的原理和实现方法；3、在不同的噪声和点扩散函数参数下进行恢复，并比较结果；4、通过分析和实验得出相应的结论。
二、实验准备1、运动模糊退化模型：运动模糊是图像退化的一种，可以用数学表达式刻画出来。
对线性移（空）不变系统，退化模型可表示为：g(x,y)=h(x,y)*f(x,y)+n(x,y)。
对匀速直线运动而言，退化图像为：()()()[]⎰--=Tdt t y y t x x f y x g 000,,其中x 0(t)和y 0(t)分别表示x 和y 方向的运动分量。
并假设退化系统是线性移不变的，光学成像过程是完善的，快门开关是瞬间完成的。
对上式进行傅立叶变换，则得频域表达式为()()()[]()()[]()[]()()()[]{}),(),(2exp ,2exp ,2exp ,,000000v u H v u F dt t vy t ux j v u F dtdxdy vy ux j t y y t x x f dxdy vy ux j y x g v u G T T=+-=⎥⎥⎦⎤⎢⎢⎣⎡+---=+-=⎰⎰⎰⎰⎰⎰+∞∞-+∞∞-+∞∞-+∞∞-πππ 其中()()()[]{}dt t vy t ux j v u H T⎰+-=0002exp ,π假设景物只在x 方向匀速运动，在T 时间内共移动距离是a ，即x 0(t)=at/T ，y 0(t)=0,则()()[]ua j ua ua T dt T at uj v u H Tππππ-=⎥⎦⎤⎢⎣⎡-=⎰exp sin 2exp ,0 在Matlab 中可用滤波器卷积的方法仿真出运动模糊图像。
h=fspecial(‘motion ’,len,theta),表示在theta 方向移动len 长度，产生运动模糊的点扩散函数h 。
Matlab中的模糊图像处理和图像模糊恢复技术
Matlab中的模糊图像处理和图像模糊恢复技术随着数字图像的广泛应用和发展，图像模糊成为一个重要的问题。
由于摄像器材或传输媒介等方面的限制，图像的清晰度可能受到一定程度的影响，导致图像模糊。
在实际应用中，图像的模糊问题会给图像解析、目标跟踪、计算机视觉等许多领域带来困扰。
为了改善模糊图像的质量，并解决图像模糊问题，Matlab提供了一系列的模糊图像处理和图像模糊恢复技术。
一、图像模糊的产生原因图像模糊一般是由光学系统的缺陷、运动物体、相机抖动等因素引起的。
光学系统的缺陷包括镜头的失真、散射、衍射等；运动物体指的是图像中的物体在拍摄过程中出现运动造成模糊；相机抖动是由于相机本身的不稳定性或者手持摄影造成的。
二、模糊图像处理的方法1.滤波方法滤波方法是最基本也是最常用的图像模糊处理方法。
在Matlab中，可以使用各种滤波器对图像进行处理，例如平滑滤波、高斯滤波、中值滤波等。
这些滤波器可以消除图像中的高频噪声，同时也会导致图像的模糊。
2.图像退化模型图像退化模型是描述图像模糊过程的数学模型。
常见的图像退化模型有运动模糊模型、模糊核模型等。
通过了解图像退化模型的特性，可以更准确地恢复图像的清晰度。
在Matlab中，可以根据图像退化模型进行图像恢复的研究和实现。
3.频域方法频域方法是一种基于图像频谱的模糊图像处理方法。
通过对图像进行傅里叶变换，可以将图像从空间域转换到频率域，然后在频率域进行处理，最后再进行逆傅里叶变换得到恢复后的图像。
在Matlab中，可以利用fft2函数进行傅里叶变换和逆傅里叶变换，实现频域方法对图像的处理。
三、图像模糊恢复技术1.盲去卷积算法盲去卷积算法是一种不需要知道图像退化模型的图像恢复方法。
通过对模糊图像进行去卷积处理，可以尽可能地恢复图像的清晰度。
在Matlab中，可以使用盲去卷积相关的函数和工具箱实现图像模糊恢复。
2.基于深度学习的图像超分辨率重建技术深度学习技术如今在计算机视觉领域取得了巨大的成功。
Matlab中的图像重建与图像恢复技术
Matlab中的图像重建与图像恢复技术深入研究和掌握图像重建与图像恢复技术对于图像处理和计算机视觉领域的研究人员来说至关重要。
在现实生活中，图像可能因传感器噪声、数据传输损失或其他因素而受损，导致图像出现模糊、噪声等问题。
为了改善这些问题，我们需要使用图像重建和恢复技术，将受损的图像还原到原始清晰的状态。
Matlab作为一种功能强大的科学计算软件，提供了丰富的工具和函数，可以帮助我们实现图像重建和恢复的任务。
在本文中，我们将探讨几种常用的图像重建和恢复技术，并介绍如何使用Matlab来实现它们。
第一部分：图像去噪与平滑图像中的噪声往往是由电子设备、图像采集过程或传输过程中引入的。
去除这些噪声对于提高图像质量非常重要。
在Matlab中，我们可以使用均值滤波、中值滤波、高斯滤波等方法进行图像去噪和平滑。
均值滤波是一种常用的线性滤波方法，它通过计算图像周围像素的平均值来减小噪声。
中值滤波则取邻域像素的中值作为当前像素的值，可以有效地去除脉冲噪声和椒盐噪声。
高斯滤波则使用高斯核函数对图像进行平滑，可以在平滑图像的同时保留图像的细节信息。
第二部分：图像复原与去模糊当图像受到模糊因素的影响时，如相机抖动、运动模糊等，我们可以使用图像复原和去模糊技术来提高图像的清晰度。
在Matlab中，我们可以使用逆滤波、维纳滤波等方法进行图像复原和去模糊。
逆滤波是一种经典的图像复原方法，通过将图像的频谱进行逆变换，消除因模糊而引入的相位延迟和衰减。
然而，逆滤波在存在噪声的情况下容易引入放大噪声的问题。
为了解决这个问题，可以使用维纳滤波器，它通过权衡图像信号和噪声的功率谱来恢复原始图像。
第三部分：图像超分辨率重建超分辨率重建是一种在低分辨率图像的基础上提高图像分辨率的技术。
它在很多应用中都非常有用，如视频监控、医学图像分析等。
在Matlab中，我们可以使用插值方法、重建方法等技术进行图像超分辨率重建。
插值方法是一种常用的图像超分辨率技术，它通过对像素进行重新采样来增加图像的分辨率。
MATLAB处理模糊图像程序
%%通过BP神经网络训练将模糊化的图像进行还原处理%%下面是主程序image=imread('image.bmp');image1=rgb2gray(image);figure,subplot(121),imshow(image);title('RGB原图'); subplot(122),imshow(image1);title('灰度图');image2=imresize(image1,[128,128]);%读入图像，并改变成90*90image2=double(image2)./256;len=5;theta=10;PSF=fspecial('motion',len,theta);%加入运动模糊Blurredmotion=imfilter(image2,PSF,'circular','conv' );w=fspecial('gaussian',[9 9],1);%加入高斯模糊blurred_image=imfilter(Blurredmotion,w);P_Matrix=zeros(32,(size(image2,1))*(size(image2,2)) /16);%输入矩阵T_Matrix=zeros(16,(size(image2,1))*(size(image2,2))/16);%目标矩阵blurred_BW = edge(blurred_image,'sobel');%提取模糊图像边缘BW = edge(image2,'sobel');%提取清晰图像边缘image_edge=double(BW).*image2;blurred_image_edge=double(blurred_BW).*blurred_imag e;%blurred_image_flat=blurred_image-blurred_image_edg e;%得到模糊图像非边缘区域,即平坦区域%target_image=zeros(size(image2,1),size(image2,2));%目标矩阵t=1;%初始化输入矩阵P_Matrix，假设神经网络是32-30-16的结构，故按如下方式初始化for i=1:4:size(image2,1)for j=1:4:size(image2,2)P_Matrix(1,t)=blurred_image(i,j);%前16位为degraded image的block，大小为4x4P_Matrix(2,t)=blurred_image(i,j+1);P_Matrix(3,t)=blurred_image(i,j+2);P_Matrix(4,t)=blurred_image(i,j+3);P_Matrix(5,t)=blurred_image(i+1,j);P_Matrix(6,t)=blurred_image(i+1,j+1);P_Matrix(7,t)=blurred_image(i+1,j+2);P_Matrix(8,t)=blurred_image(i+1,j+3);P_Matrix(9,t)=blurred_image(i+2,j);P_Matrix(10,t)=blurred_image(i+2,j+1);P_Matrix(11,t)=blurred_image(i+2,j+2);P_Matrix(12,t)=blurred_image(i+2,j+3);P_Matrix(13,t)=blurred_image(i+3,j);P_Matrix(14,t)=blurred_image(i+3,j+1);P_Matrix(15,t)=blurred_image(i+3,j+2);P_Matrix(16,t)=blurred_image(i+3,j+3);P_Matrix(17,t)=blurred_image_edge(i,j);%后16位为original image's edge 的block，大小为4x4P_Matrix(18,t)=blurred_image_edge(i,j+1);P_Matrix(19,t)=blurred_image_edge(i,j+2);P_Matrix(20,t)=blurred_image_edge(i,j+3);P_Matrix(21,t)=blurred_image_edge(i+1,j);P_Matrix(22,t)=blurred_image_edge(i+1,j+1);P_Matrix(23,t)=blurred_image_edge(i+1,j+2);P_Matrix(24,t)=blurred_image_edge(i+1,j+3);P_Matrix(25,t)=blurred_image_edge(i+2,j);P_Matrix(26,t)=blurred_image_edge(i+2,j+1);P_Matrix(27,t)=blurred_image_edge(i+2,j+2);P_Matrix(28,t)=blurred_image_edge(i+2,j+3);P_Matrix(29,t)=blurred_image_edge(i+3,j);P_Matrix(30,t)=blurred_image_edge(i+3,j+1);P_Matrix(31,t)=blurred_image_edge(i+3,j+2);P_Matrix(32,t)=blurred_image_edge(i+3,j+3);t=t+1;endendt=1;%初始化目标矩阵for i=1:4:size(image2,1)for j=1:4:size(image2,2)T_Matrix(1,t)=image2(i,j);T_Matrix(2,t)=image2(i,j+1);T_Matrix(3,t)=image2(i,j+2);T_Matrix(4,t)=image2(i,j+3);T_Matrix(5,t)=image2(i+1,j);T_Matrix(6,t)=image2(i+1,j+1);T_Matrix(7,t)=image2(i+1,j+2);T_Matrix(8,t)=image2(i+1,j+3);T_Matrix(9,t)=image2(i+2,j);T_Matrix(10,t)=image2(i+2,j+1);T_Matrix(11,t)=image2(i+2,j+2);T_Matrix(12,t)=image2(i+2,j+3);T_Matrix(13,t)=image2(i+3,j);T_Matrix(14,t)=image2(i+3,j+1);T_Matrix(15,t)=image2(i+3,j+2);T_Matrix(16,t)=image2(i+3,j+3);t=t+1;endendnet=newff(P_Matrix,T_Matrix,30);%得到神经网络，假设使用的是BP神经网络net=train(net,P_Matrix,T_Matrix);Y=sim(net,P_Matrix);%Y得到复原矩阵restored_image=zeros(size(image2,1),size(image2,2)) ;%复原图像t=1;%通过复原矩阵得到复原图像for i=1:4:size(image2,1)for j=1:4:size(image2,2)restored_image(i,j)=Y(1,t);restored_image(i,j+1)=Y(2,t);restored_image(i,j+2)=Y(3,t);restored_image(i,j+3)=Y(4,t);restored_image(i+1,j)=Y(5,t);restored_image(i+1,j+1)=Y(6,t);restored_image(i+1,j+2)=Y(7,t);restored_image(i+1,j+3)=Y(8,t);restored_image(i+2,j)=Y(9,t);restored_image(i+2,j+1)=Y(10,t);restored_image(i+2,j+2)=Y(11,t);restored_image(i+2,j+3)=Y(12,t);restored_image(i+3,j)=Y(13,t);restored_image(i+3,j+1)=Y(14,t);restored_image(i+3,j+2)=Y(15,t);restored_image(i+3,j+3)=Y(16,t);t=t+1;endendPSNR_edge_BP=Cal_PSNR(image2*255,restored_image*255 );SSIM_edge_BP=ssim_index(image2*255,restored_image*2 55);PSNR_edge_BP_blurred=Cal_PSNR(image2*255,blurred_im age*255);SSIM_edge_BP_blurred=ssim_index(image2*255,blurred_ image*255);figure,%显示结果subplot(221),imshow(image2);title('原图像');subplot(222),imshow(blurred_image);title('运动模糊后的图像');subplot(223),imshow(restored_image);title('BP神经网络复原图像');imwrite(image2,'image.bmp');imwrite(blurred_image,'blurred_image.bmp');imwrite(restored_image,'restored_image.bmp');image=imread('image.bmp');image1=rgb2gray(image);figure,subplot(121),imshow(image);title('RGB原图'); subplot(122),imshow(image1);title('灰度图');image2=imresize(image1,[128,128]);%读入图像，并改变成90*90image2=double(image2)./256;len=5;theta=10;PSF=fspecial('motion',len,theta);%加入运动模糊Blurredmotion=imfilter(image2,PSF,'circular','conv' );w=fspecial('gaussian',[9 9],1);%加入高斯模糊blurred_image=imfilter(Blurredmotion,w);P_Matrix=zeros(32,(size(image2,1))*(size(image2,2)) /16);%输入矩阵T_Matrix=zeros(16,(size(image2,1))*(size(image2,2)) /16);%目标矩阵blurred_BW = edge(blurred_image,'sobel');%提取模糊图像边缘BW = edge(image2,'sobel');%提取清晰图像边缘image_edge=double(BW).*image2;blurred_image_edge=double(blurred_BW).*blurred_imag e;%blurred_image_flat=blurred_image-blurred_image_edg e;%得到模糊图像非边缘区域,即平坦区域%target_image=zeros(size(image2,1),size(image2,2));%目标矩阵t=1;%初始化输入矩阵P_Matrix，假设神经网络是32-30-16的结构，故按如下方式初始化for i=1:4:size(image2,1)for j=1:4:size(image2,2)P_Matrix(1,t)=blurred_image(i,j);%前16位为degraded image的block，大小为4x4P_Matrix(2,t)=blurred_image(i,j+1);P_Matrix(3,t)=blurred_image(i,j+2);P_Matrix(4,t)=blurred_image(i,j+3);P_Matrix(5,t)=blurred_image(i+1,j);P_Matrix(6,t)=blurred_image(i+1,j+1);P_Matrix(7,t)=blurred_image(i+1,j+2);P_Matrix(8,t)=blurred_image(i+1,j+3);P_Matrix(9,t)=blurred_image(i+2,j);P_Matrix(10,t)=blurred_image(i+2,j+1);P_Matrix(11,t)=blurred_image(i+2,j+2);P_Matrix(12,t)=blurred_image(i+2,j+3);P_Matrix(13,t)=blurred_image(i+3,j);P_Matrix(14,t)=blurred_image(i+3,j+1);P_Matrix(15,t)=blurred_image(i+3,j+2);P_Matrix(16,t)=blurred_image(i+3,j+3);P_Matrix(17,t)=blurred_image_edge(i,j);%后16位为original image's edge 的block，大小为4x4P_Matrix(18,t)=blurred_image_edge(i,j+1);P_Matrix(19,t)=blurred_image_edge(i,j+2);P_Matrix(20,t)=blurred_image_edge(i,j+3);P_Matrix(21,t)=blurred_image_edge(i+1,j);P_Matrix(22,t)=blurred_image_edge(i+1,j+1);P_Matrix(23,t)=blurred_image_edge(i+1,j+2);P_Matrix(24,t)=blurred_image_edge(i+1,j+3);P_Matrix(25,t)=blurred_image_edge(i+2,j);P_Matrix(26,t)=blurred_image_edge(i+2,j+1);P_Matrix(27,t)=blurred_image_edge(i+2,j+2);P_Matrix(28,t)=blurred_image_edge(i+2,j+3);P_Matrix(29,t)=blurred_image_edge(i+3,j);P_Matrix(30,t)=blurred_image_edge(i+3,j+1);P_Matrix(31,t)=blurred_image_edge(i+3,j+2);P_Matrix(32,t)=blurred_image_edge(i+3,j+3);t=t+1;endendt=1;%初始化目标矩阵for i=1:4:size(image2,1)for j=1:4:size(image2,2)T_Matrix(1,t)=image2(i,j);T_Matrix(2,t)=image2(i,j+1);T_Matrix(3,t)=image2(i,j+2);T_Matrix(4,t)=image2(i,j+3);T_Matrix(5,t)=image2(i+1,j);T_Matrix(6,t)=image2(i+1,j+1);T_Matrix(7,t)=image2(i+1,j+2);T_Matrix(8,t)=image2(i+1,j+3);T_Matrix(9,t)=image2(i+2,j);T_Matrix(10,t)=image2(i+2,j+1);T_Matrix(11,t)=image2(i+2,j+2);T_Matrix(12,t)=image2(i+2,j+3);T_Matrix(13,t)=image2(i+3,j);T_Matrix(14,t)=image2(i+3,j+1);T_Matrix(15,t)=image2(i+3,j+2);T_Matrix(16,t)=image2(i+3,j+3);t=t+1;endendnet=newff(P_Matrix,T_Matrix,30);%得到神经网络，假设使用的是BP神经网络net=train(net,P_Matrix,T_Matrix);Y=sim(net,P_Matrix);%Y得到复原矩阵restored_image=zeros(size(image2,1),size(image2,2)) ;%复原图像t=1;%通过复原矩阵得到复原图像for i=1:4:size(image2,1)for j=1:4:size(image2,2)restored_image(i,j)=Y(1,t);restored_image(i,j+1)=Y(2,t);restored_image(i,j+2)=Y(3,t);restored_image(i,j+3)=Y(4,t);restored_image(i+1,j)=Y(5,t);restored_image(i+1,j+1)=Y(6,t);restored_image(i+1,j+2)=Y(7,t);restored_image(i+1,j+3)=Y(8,t);restored_image(i+2,j)=Y(9,t);restored_image(i+2,j+1)=Y(10,t);restored_image(i+2,j+2)=Y(11,t);restored_image(i+2,j+3)=Y(12,t);restored_image(i+3,j)=Y(13,t);restored_image(i+3,j+1)=Y(14,t);restored_image(i+3,j+2)=Y(15,t);restored_image(i+3,j+3)=Y(16,t);t=t+1;endendPSNR_edge_BP=Cal_PSNR(image2*255,restored_image*255 );SSIM_edge_BP=ssim_index(image2*255,restored_image*2 55);PSNR_edge_BP_blurred=Cal_PSNR(image2*255,blurred_im age*255);SSIM_edge_BP_blurred=ssim_index(image2*255,blurred_ image*255);figure,%显示结果subplot(221),imshow(image2);title('原图像');subplot(222),imshow(blurred_image);title('运动模糊后的图像');subplot(223),imshow(restored_image);title('BP神经网络复原图像');imwrite(image2,'image.bmp');imwrite(blurred_image,'blurred_image.bmp');imwrite(restored_image,'restored_image.bmp');function[mssim, ssim_map] = ssim_index(img1, img2, K, window, L)% % 结构相似度(SSIM)用于图像复原（去噪，去模糊，盲复原，修复）后的客观评价！% % 该评价标准比较适合于纹理结构多的图像质量评价if (nargin < 2 | nargin > 5) %判断输入变量的个数mssim = -Inf; %设定为负的无穷大ssim_map = -Inf;return;endif (size(img1) ~= size(img2)) %两个图像的大小不相等mssim = -Inf;ssim_map = -Inf;return;end[M N] = size(img1);if (nargin == 2)if ((M < 11) | (N < 11))mssim = -Inf;ssim_map = -Inf;returnendwindow = fspecial('gaussian',11,1.5); %统计的本地窗口默认是高斯窗口，模板尺寸为11，滤波器标准值为1.5像素K(1) = 0.01; %默认的设置K(2) = 0.03;L = 255; %图像的动态范围endif (nargin == 3)if ((M < 11) | (N < 11))mssim = -Inf;ssim_map = -Inf;returnendwindow = fspecial('gaussian',11,1.5);L = 255;if(length(K) == 2) %SSIM指标公式常数的长度为2if (K(1) < 0 | K(2) < 0)mssim = -Inf;ssim_map = -Inf;return;endelsemssim = -Inf;ssim_map = -Inf;return;endendif (nargin == 4)[H W] = size(window);if ((H*W) < 4 | (H > M) | (W > N)) mssim = -Inf;ssim_map = -Inf;returnendL = 255;if (length(K) == 2)if (K(1) < 0 | K(2) < 0)mssim = -Inf;ssim_map = -Inf;return;endelsemssim = -Inf;ssim_map = -Inf;return;endendif (nargin == 5)[H W] = size(window);if ((H*W) < 4 | (H > M) | (W > N)) mssim = -Inf;ssim_map = -Inf;returnendif (length(K) == 2)if (K(1) < 0 | K(2) < 0)mssim = -Inf;ssim_map = -Inf;return;endelsemssim = -Inf;ssim_map = -Inf;return;endendC1 = (K(1)*L)^2;C2 = (K(2)*L)^2;window = window/sum(sum(window));img1 = double(img1); %将图像矩阵uint8型数据转换成double型img2 = double(img2);% % 计算图片的平均值和方差--------------------------------------------------mu1= filter2(window, img1, 'valid'); %使用矩阵h中的二维FIR（有限长单位冲%激响应）过滤器过滤变量X中的数据，使用二维相关性计算结果Y，并且返回与X的维数相%同的相关项的中心部分。
基于MATLAB的运动模糊图像恢复技术
基于MATLAB的运动模糊图像恢复技术王洪珏（温州医学院，浙江，温州）摘要：MATLAB是当今流行的科学计算软件，它具有很强的数据处理能力。
在其图像处理工具箱中有四个图像复原函数，本文就这些函数的算法原理、运用和恢复处理效果结合实力效果作简要对比讨论。
0前言图像复原时图像处理中一个重要的研究课题。
图像在形成、传输和记录的过程中，由于传感器的噪声、摄像机未对好焦、摄像机与物体相对运动、系统误差、畸变、噪声等因素的影响，使图像往往不是真实景物的完善影像。
这种图像在形成、传输和记录过程中，由于成像系统、传输介质和设备的不完善，使图像质量下降的过程称为图像的退化。
图像复原就是通过计算机处理，对质量下降的图像加以重建或恢复的过程。
图像复原过程一般为：找退化原因→建立退化模型→反向推演→图像复原1算法产生概述开发算法时，首先要创建图像退化的线性数学模型，接着选择准则函数，并以适当的数学形式表达，然后进行数学推演。
推演过程中通常要进行表达形式（即空域形式、频域形式、矩阵-矢量形式或变换域形式）的相互转换，最后得到图像复原算式。
退化数学模型的空域、频域、矢量-矩阵表达形式分别是：g(x,y)=d(x,y)*f(x,y)+n(x,y)G(u,v)=D(u,v)·F(u,v)+N(u,v)g=HF+n其中：g(x,y)、d(x,y)、f(x,y)、n(x,y)分别为观测的退化图像、模糊函数、原图像、加性噪声，*为卷积运算符，（x=0,1,2，…，M-1），（y=0,1,2，…，N-1）。
2运动模糊的产生景物与相机之间的相对运动通常会使相机所成的像存在运动模糊。
对于线性移不变模糊，退化图像u0可以写成，u0=h*u+n，其中h为模糊核，*表示卷积，n为加性噪声。
由du/dt=0,文献[5]将这种运动模糊过程描述为波动方程：аu/аt+V xаu/аx+ V yаu/аy=0其中，V x=dx/dt, V y=dy/dt为x,y方向上的速度分量并且通过分析该方程的达朗贝尔解得出结论：vаu0/аx=u(x)-u(x-L)其中即退化图像沿运动方向的导数等于原始图像和其移位L后图像的差，这里L也可以认为是模糊长度。
图像模糊与恢复
实验课二一、实验目的1.进一步了解MATLAB仿真软件图像处理工具箱中图像操作的基本函数；2.深入理解数字图像处理算法的功能。
二、实验内容及要求1.编写由运动引起的图像模糊的MATLAB恢复程序的，并对自选图像进行处理（可对正常图像先进行运动模糊处理，再恢复）；源程序：I=imread('C:\Documents and Settings\Administrator\My Documents\MATLAB\picture.bmp imshow(I);title('原始图象');hold on;J=fspecial('motion',20,50);%滤波器J1=imfilter(I,J,'circular','conv');%用滤波器模糊原图像K1=deconvwnr(J1,J);%恢复不加噪声的模糊图象N=0.002*prod(size(I));%设定一个高斯噪声N1=imnoise(J1,'gaussian',0,.002);%对模糊后图象加噪N2=sum(N.^2)/sum(im2double(I(:)).^2);%计算噪声的NSRK2=deconvwnr(N1,J,N2/100);%恢复加噪后的模糊图象figure;subplot(2,2,1);imshow(J1);title('不加噪声的模糊图象');subplot(2,2,2);imshow(N1);title('加高斯噪声的模糊图象');subplot(2,2,3);imshow(K1);title('对不加噪声的图象的恢复');subplot(2,2,4);imshow(K2);title('对加噪的图象的恢复');2.将变换结果与原始图像进行对比分析。
以上模糊图象的恢复采用维纳滤波法实现。
如何利用Matlab进行图像恢复
如何利用Matlab进行图像恢复图像恢复是数字图像处理中的一个重要的研究领域。
Matlab作为一种功能强大的工具，被广泛应用于图像处理领域。
本文将介绍如何利用Matlab进行图像恢复，并探讨其中的原理和算法。
首先，图像恢复是一种通过消除或减小图像失真、模糊或噪声等问题，使图像更加清晰和还原的过程。
在实际应用中，图像常常受到噪声污染、运动模糊、光照变化等影响，导致图像质量下降。
利用图像恢复技术，可以提高图像的视觉质量和辨识度，对于图像处理、计算机视觉等领域具有重要意义。
Matlab作为一款高级的数学计算工具，提供了丰富的函数库和灵活的编程接口，能够方便地进行图像处理和分析。
在图像恢复中，Matlab提供了多种处理图像的函数和算法，可以帮助我们实现各种图像恢复的方法。
一种常用的图像恢复方法是基于空域滤波的处理。
在Matlab中，可以使用imfilter函数来实现各种空域滤波算法，如均值滤波、中值滤波、高斯滤波等。
这些滤波算法通过在图像像素之间进行加权平均或统计操作，可以消除图像中的噪声和模糊。
另一种常用的图像恢复方法是基于频域滤波的处理。
在Matlab中，可以使用fft2函数和ifft2函数来实现图像的傅里叶变换和反傅里叶变换。
通过将图像从空域转换到频域，可以利用频域滤波算法对图像进行处理，如理想低通滤波、巴特沃斯低通滤波、维纳滤波等。
这些滤波算法可以根据图像的频域特征，有选择地增强或抑制图像中的某些频率分量，从而实现图像的恢复。
此外，Matlab还提供了一些专门用于图像恢复的函数，如wiener2函数、deconvwnr函数等。
wiener2函数实现了维纳滤波算法，可以用于消除运动模糊或加性噪声的图像恢复。
deconvwnr函数实现了维纳滤波的变种算法，可以根据图像和模糊函数的噪声特性，自适应地调整滤波参数，从而实现更好的图像恢复效果。
除了上述方法，Matlab还提供了其他一些高级的图像恢复算法，如超分辨率恢复、图像拼接等。
动态模糊图像复原MATLAB程序
1、退化程序clc;clear all;close all;I=imread('F:\mmw\B1\图2.jpg');%读图figure;subplot(4,3,1);imshow(I);title('原图像');LEN=30;%运动长度30THETA=30;%运动角度30% LEN=60;% THETA=60;n=2;for i=1:3for j=1:3PSF=fspecial('motion',LEN*i,THETA*j);%退化并研究运动角度和长度对图片模糊程度的影响PSF=fspecial('motion',LEN,THETA);Blurred=imfilter(I,PSF,'circular','conv');subplot(4,3,n);imshow(uint8(Blurred));title('模糊化');hold onn=n+1;endend%imwrite(Blurred,'模糊∠60长60.png');%保存图2、运动角度的求解%求解模糊运动角度matlab代码close all;clc;clear all;im=imread('F:\mmw\B1\模糊∠60长60.png');img_gray=rgb2gray(im);%灰度化img_fft=fftshift(fft2(img_gray));N=abs(img_fft);P=(N-min(min(N)))/(max(max(N))-min(min(N)))*225;figure;imshow(P);title('频谱图（运动角度与光斑方向垂直）');len=35;theta=0;PSF=fspecial('motion',len,theta);B=imfilter(img_gray,PSF,'circular','conv');subplot(121);imshow(B);%模糊图像B1=fft2(double(B));B2=mat2gray(log(abs(B1)));subplot(122);imshow(B2);%模糊图像的频谱图C=sum(B2,1);%对频谱图求列和[m,n]=size(C); x=0:1:n-1; y=C;figure,plot(x,y);title('频谱列和曲线图1') %绘制频谱列和曲线图3、运动长度算法%求解模糊运动长度matlab代码：im=imread('F:\mmw\B1\模糊∠60长60.png'); img_gray=rgb2gray(im);%灰度化h=fspecial('sobel');%sobel边缘检测img_double=double(img_gray);J=conv2(img_double,h,'same');IP=abs(fft2(J));S=fftshift(real(ifft2(IP)));figure;plot(S);title('模糊运动长度');4、噪声分析%噪声分析clc;clear allim=imread('F:\mmw\B1\图1.png');[m,n,h]=size(im);f11=ones(192,162,3);f22=ones(130,130,3);f33=ones(100,100,3);f44=ones(70,70,3);for i=1:190for j=1:162for k=1:3f11(i,j,k)=im(i,j,k);endendendfor i=1:130for j=501:630fork=1:3;f22(i,j-500,k)=im(i,j,k);endendfor i=721:870for j=11:170for k=1:3f33(i-720,j-10,k)=im(i,j,k);endendendfor i=761:830for j=561:630for k=1:3f33(i-760,j-560,k)=im(i,j,k);endendendfigure;subplot(221),hist(f11,100);subplot(222),hist(f22,100);subplot(223),hist(f33,100);subplot(224),hist(f44,100);title('噪声分析2');5、去噪还原clc;clear all;close all;I=imread('F:\mmw\B1\图1.png');%读图Len=60;Theta=60;PSF=fspecial('motion',Len,Theta); %模糊化BlurredA=imfilter(I,PSF,'circular','conv');wnr1=deconvwnr(BlurredA,PSF);%维纳滤波BlurredD=imfilter(I,PSF,'circ','conv');INITPSF=ones(size(PSF));[K DePSF]=deconvblind(BlurredD,INITPSF,30);%盲去卷积法BlurredB=imfilter(I,PSF,'conv');v=0.02;Blurred_I_Noisy=imnoise(BlurredB,'gaussian',0,v);NP=v*prod(size(I));J=deconvreg(Blurred_I_Noisy,PSF,NP);%最小二乘法BlurredC=imfilter(I,PSF,'symmetric','conv');v=0.002;BlurredNoisy=imnoise(BlurredC,'gaussian',0,v);Luc=deconvlucy(BlurredNoisy,PSF,5);%L_Rl滤波subplot(221);imshow(I);title('原图');subplot(222);imshow(BlurredA);title('模糊化');%subplot(233);imshow(wnr1);title('维纳滤波');subplot(223);imshow(J);title('最小二乘法');imwrite(J,'min_recover1.png');subplot(224);imshow(Luc);title('L_R法');imwrite(Luc,'LR_recover1.png');6、截取部分图片进行对比程序clear all;clc;a=imread('F:\mmw\B1\模糊∠60长60.png');%未处理质量较差图像b=a([64:120],[67:126]);a=imread('F:\mmw\min_recover1.png');%算法处理后质量较好图象c=a([64:120],[67:126]);%%从eyechart3中截取测试参考图象，截取部分需要进行缩放------------------%%使之与eyechart1,eyechart2截取部分大小匹配-----------------------a=imread('F:\mmw\B1\图2.jpg');%高清晰参考图象d=a([64:120],[67:126]);e=imresize(d,[length(b(:,1)),length(b(1,:))],'bicubic');%调整imwrite(b,'area_模糊∠60长60.png');imwrite(c,'area_最小二乘法复原图.png');imwrite(e,'area_图2.png');subplot(1,3,1);imshow(e);title('模糊∠60长60截取参考');hold on;subplot(1,3,2);imshow(b);title('eyechart1截取部分');hold on;subplot(1,3,3);imshow(c);title('eyechart2截取部分');7、模糊系数、质量指数、PSNR的计算（评价）clc;clear;PSNRenable=1; %PSNR计算使能，为0不计算，为1，计算KBlurenable=1; %模糊系数KBlur计算使能，为0不计算，为1，计算Qenable=1; %质量指数Q计算使能，为0不计算，为1，计算for m=1:2imsrcnamehead='area_模糊∠60长60'; %源图象文件名头imsrcnameext='png'; %源图象文件名扩展if m==1 %以area_eyechart1.bmp为测试图象imdstname=strcat('area_图2','.',imsrcnameext);%污染图象文件名，可修改elseif m==2%以area_eyechart2.bmp为测试图象imdstname=strcat('area_最小二乘法复原图','.',imsrcnameext);%污染图象文件名，可修改end%--------------------------------------------------------------------------iminfo=imfinfo(strcat(imsrcnamehead,'.',imsrcnameext));%源图象信息读取imsrc=imread(strcat(imsrcnamehead,'.',imsrcnameext)); %源图象读取imdst=imread(imdstname,imsrcnameext); %污染图象读取doubleimsrc=double(imsrc); %转换为浮点类型doubleimdst=double(imdst); %转换为浮点类型%----------------------------------------------------源图象和污染图象读取W=iminfo.Width; %图象宽H=iminfo.Height; %图象高%----------------------------PSNR计算--------------------------------------if PSNRenable==1PSNR=0.0; %PSNR赋初值for j=1:Hfor i=1:WPSNR=PSNR+double((doubleimsrc(j,i)-doubleimdst(j,i))*(doubleimsrc(j,i )-doubleimdst(j,i)));endendPSNR=PSNR/W/H;PSNR=10*log10(255*255/PSNR);%---------------------------PSNR计算完毕-----------------------------------end%-------------------------模糊系数KBlur计算--------------------------------if KBlurenable==1Sin=0.0; %Sin赋初值Sout=0.0;for i=2:W-1t=doubleimsrc(j-1,i+1)+doubleimsrc(j+1,i-1)-doubleimsrc(j-1,i-1)-doub leimsrc(j+1,i+1);if t<0t=-t;endSin=Sin+t; %源图象邻域边缘能量计算t=doubleimdst(j-1,i+1)+doubleimdst(j+1,i-1)-doubleimdst(j-1,i-1)-doub leimdst(j+1,i+1);if t<0t=-t;endendendSout=Sout+t; %污染图象邻域边缘能量计算KBlur=Sout/Sin;end%-------------------------------KBlur计算完毕------------------------------%-------------------------------质量指数Q计算------------------------------if Qenable==1Q=0.0; %Q赋初值Qnum=0; %图象以7X7块大小计算每块的Q，逐象素的移动块窗口，这里Qnum为块数量的计数for j=4:H-3for i=4:W-3midsrc=0.0;middst=0.0;varsrc=0.0;vardst=0.0; %源图象和污染图象块内的平均值和方差赋初值varsrcdst=0.0;%源图象和污染图象块内的协方差赋初值for n=-3:3for m=-3:3midsrc=midsrc+doubleimsrc(j+n,i+m);middst=middst+doubleimdst(j+n,i+m);endendmidsrc=midsrc/49;middst=middst/49;%%源图象和污染图象块内的平均值计算----------------------------------for n=-3:3varsrc=varsrc+(doubleimsrc(j+n,i+m)-midsrc)*(doubleimsrc(j+n,i+m)-mid src);vardst=vardst+(doubleimdst(j+n,i+m)-middst)*(doubleimdst(j+n,i+m)-mid dst);varsrcdst=varsrcdst+(doubleimsrc(j+n,i+m)-midsrc)*(doubleimdst(j+n,i+ m)-middst);endendvarsrc=varsrc/48;vardst=vardst/48;varsrcdst=varsrcdst/48;if((varsrc+vardst)*(midsrc*midsrc+middst*middst))~=0%分母不为零的块才计算质量指数QQ=Q+4*varsrcdst*midsrc*middst/((varsrc+vardst)*(midsrc*midsrc+middst* middst));%%源图象和污染图象块内Q计算完毕------------------------------------Qnum=Qnum+1; %块计数加1endendendQ=Q/Qnum;endendQPSNRKBlur。
数字图像消除运动模糊
图像复原一、设计名称：图像复原：消除匀速运动模糊二、设计目的：1.提高分析问题和解决问题的能力，进一步巩固数字图像处理系统中的基本原理与方法。
2.学习用MATLAB图像复原的方法；3.恢复一幅由于运动造成的模糊图像，学习退化函数估计。
三、设计原理：图像在形成、记录、处理和传输过程中，由于成像系统、记录设备、传输介质和处理方法的不完善，从而导致图像质量下降，这种现象就成为图像退化。
例如，光学系统中的衍射、光电转换器件的非线性、光学系统中的像差、大气湍流的扰动效应、曝光噪声干扰、图像运动造成的模糊性以及几何畸变等等。
图像复原就是对退化的图像进行处理，尽可能恢复原图像的本来面目。
图像复原与图像增强的目的都是在某种意义上对图像进行改进，即改善输入图像的质量，但二者使用的方法和评价标准不同。
图像增强技术一般要利用人的视觉系统的特性，目的是取得较好的视觉效果，并不需要考虑图像退化的真实物理过程，增强后的图像也不一定要逼近原始图像。
而图像复原则认为图像是在某种情况下退化了，即图像品质下降了，现在需要针对图像的退化原因设法进行补偿，这就需要对图像的退化过程有一定的先验知识，利用图像退化的逆过程去恢复原始图像，是复原后的图像尽可能接近原始图像。
图像复原技术就是要将图像退化的过程模型化，并且采用相反的过程来恢复出原始图像。
图像复原技术有多种分类方法。
图像复原的关键在于建立图像退化模型。
这个退化模型应该能够反映图像退化的原因。
通常将退化原因作为线性系统退化的一个因素来对待，从而建立系统退化模型来近似描述图像函数的退化。
如下图所示，这是一种简单的通用退化模型，它将图像的退化过程模型化为一个退化系统（或退化算子）H。
由图可见一幅纯净的图像f(x,y)由于通过一个系统H以及引进外来加性噪声n（x，y）而退化为一幅图像g(x,y)。
输入输出关系式为：g(x,y)=H[f(x,y)]+n(x,y)图像复原的主要目的是在给定退化图像g(x,y)以及退化函数H 和噪声的某种了解或假设时，估计出原始图像f(x,y)。
Matlab中的数字图像修复技术
Matlab中的数字图像修复技术随着数字图像在各个领域的广泛应用，图像修复技术也成为了一个重要的研究领域。
图像修复旨在通过恢复图像中的损坏或缺失部分，达到使图像恢复到原始状态的目的。
Matlab作为一款功能强大的数学软件，也提供了丰富的数字图像处理工具和算法，使得图像修复更加便捷和高效。
一、数字图像修复概述数字图像修复是指通过数学和计算机科学的方法，对损坏或缺失的图像进行恢复和处理。
它可以修复图像的噪声、划痕、模糊等问题，使图像更加清晰、美观和可靠。
图像修复技术被广泛应用于医学影像、卫星遥感、视频监控等各个领域。
二、图像修复方法1. 基于统计学的方法基于统计学的方法通过分析图像的统计特性，对图像进行修复。
常见的方法有基于高斯模型的图像去噪、基于马尔科夫随机场的图像复原等。
这些方法利用统计学原理对图像进行建模和分析，从而实现图像修复的目的。
2. 基于频域的方法基于频域的方法是利用图像的频率分量进行修复。
经典的傅里叶变换和小波变换是常用的频域分析方法。
通过对图像的频域特征进行分析和处理，可以实现图像的去噪、复原和补偿。
3. 基于偏微分方程的方法基于偏微分方程的方法是利用数学中的偏微分方程原理对图像进行修复。
该方法主要通过数学方程的求解和数值计算，实现对损坏图像的恢复。
常见的方法有扩散方程、梯度流和曲率流等。
4. 基于深度学习的方法近年来，深度学习技术的发展为图像修复带来了新的突破。
深度学习通过对大量图像数据进行训练，学习并构建图像修复模型。
通过深度神经网络的优化和训练，可以实现对图像中缺失或损坏部分的准确恢复。
三、Matlab在图像修复中的应用Matlab作为一款专业的数学软件，提供了丰富的图像处理工具和算法，为图像修复提供了强大的支持。
通过Matlab，可以实现对图像噪声、缺失部分的修复和恢复。
1. 图像去噪Matlab提供了多种图像去噪的方法和函数。
其中，基于统计学的高斯滤波、中值滤波等是最常用的图像去噪方法。
图像的退化与复原
(1)进入Matlab6.x软件实验平台(2) 读取Lena图像并显示。
I=imread('lena.jpg');imshow(I);(3) 设计运动模糊滤波器、设计高斯模糊噪声滤波器。
运动模糊滤波器:I=imread('lena.jpg');noise=0.1*randn(size(I));psf=fspecial('motion',21,11);blurred=imfilter(I,psf,'circular');subplot(1,2,2),imshow(blurred);subplot(1,2,1),imshow(I);高斯模糊噪声滤波器:I=imread('lena.jpg');noise=0.1*randn(size(I));psf=fspecial('gaussian',21,11);blurred=imfilter(I,psf,'circular');subplot(1,2,2),imshow(blurred);subplot(1,2,1),imshow(I);(4) 生成退化或降质图像并显示。
运动模糊:高斯模糊噪声:(5) 修改相关滤波器参数，观察图像退化或降质程度。
运动模糊滤波器修改参数:I=imread('lena.jpg');noise=0.1*randn(size(I));psf=fspecial('motion',10,11);blurred=imfilter(I,psf,'circular');subplot(1,2,2),imshow(blurred);subplot(1,2,1),imshow(I);高斯模糊噪声滤波器修改参数:I=imread('lena.jpg');noise=0.1*randn(size(I));psf=fspecial('gaussian',10,11);blurred=imfilter(I,psf,'circular');subplot(1,2,2),imshow(blurred);subplot(1,2,1),imshow(I);(6) 设计逆滤波器，并对降质图像进行复原，比较复原图像与原始图像。
数字图像处理(基于Matlab)图像复原
《数字图像处理》实验报告一、实验目的（不少于200字） 本次实验进行的主要是对图像复原进行有关讨论。
在图像形成过程中，由于成像系统等各种外部因素的影响，可能导致图像的质量下降，发生所谓的“图像退化”。
与图像增强相类似，图像复原的目的是改善图像的质量，便于人眼辨识，增强表达效果。
在进行图像复原的过程中，必要的先验知识十分重要，可以非常方便的将已退化的图像恢复本来的面目，但是有些时候图像的先验知识我们并不容易获取，所以与此相对应有盲卷积等方法来帮助我们进行图像复原。
引起图像退化的因素很多，包括有光学系统、运动等造成的图像模糊，电路传递中、光学因素的影响噪声等等。
掌握了解相关的数学模型对于图像复原至关重要，许多复原的方法也是建立在比较严格的数学推导上的。
通过本次实验，主要期望达到以下目的：１、熟练掌握数字图像复原的基本概念和基本理论原理２、深入理解图像退化的影响原因和对应的处理方法，加强综合分析问题、解决实际问题的能力３、掌握各种使用的图像复原的相关技术，使经处理后的图像更加适应人眼的视觉与心理４、巩固使用 matlab 软件处理数字图像问题的能力，加强巩固编程能力通过实验，了解到图像恢复和图像增强的区别还在于图像增强不考虑图像时如何退化的，而是试图采用各种技术来增强图像的视觉效果，因此图像增强可以不顾增强后的图像是否失真，只要看着舒服就基本可以满足要求，而图像复原则对图像退化的机制和过程邓先验知识要求较为必要，很多情况下先验知识如果全面准确，甚至可以完全恢复原始图像，达到非常好的效果，据此找出相应的你处理方法，从而得到恢复的图像。
对于一幅图像，可以先进行复原处理，在进行图像增强处理，两者相互结合，图像的效果可以达到更为理想的效果。
【2013年11月16日10:53:24】二、核心代码及运行后截图（截图方法：先按下Alt再按下PrtScr，然后粘贴进文档）1.频谱噪声分析在进行图像复原之前，首先对各个图像做傅里叶变换在频谱中观察分布情况，由此判断噪声或模糊类型。
Matlab之图像复原技术（十）
Matlab之图像复原技术（⼗）在图像的采集、传送和转换过程中，会加⼊⼀些噪声，表现为图像模糊、失真、有噪声等。
在实际应⽤中需要清晰的、⾼质量的图像。
图像复原就是要尽可能恢复退化图像的本来⾯⽬，它是沿图像退化的逆过程进⾏处理。
典型的图像复原技术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。
故将详细的介绍图像复原技术，主要包括图像的噪声模型、图像的滤波以及常⽤的图像复原⽅法等。
⽬录图像复原在数字图像处理中有⾮常重要的研究意义。
图像复原最基本的任务是在去除图像中的噪声的同时，不丢失图像中的细节信息。
然⽽抑制噪声和保持细节往往是⼀对⽭盾，也是图像处理中⾄今尚未很好解决的⼀个问题。
图像复原的⽬的就是为了抑制噪声，改善图像的质量。
图像复原和图像增强都是为了改善图像的质量，但是两者是有区别的。
区别在于：图像增强不考虑图像是如何退化的，⽽是试图采⽤各种技术来增强图像的视觉效果图像复原需要知道图像退化的机制和过程等先验知识，据此找到⼀种相应的逆处理⽅法，从⽽得到恢复的图像图像噪声模型数字图像的噪声主要来⾃图像的采集和传输过程。
图像传感器的⼯作受到各种因素的影响。
例如在使⽤CCD摄像机获取图像时，光照强度和传感器的温度是产⽣噪声的主要原因。
图像在传输过程中也会受到噪声的⼲扰。
图像噪声按照噪声和信号之间的关系可以分为加性噪声和乘性噪声两种。
噪声是不可预测的，只能⽤概率统计⽅法来认识的随机误差。
下⾯介绍常见的噪声:1、⾼斯噪声2、椒盐噪声3、均匀分布噪声4、指数分布噪声5、伽玛分布噪声在MATLAB中，可以通过函数imnoise( )给图像添加噪声，该函数可以得到⾼斯分布噪声、椒盐噪声、泊松分布噪声和乘性噪声。
该函数的调⽤格式为：J=imnoise(I, type, parameters)该函数对图像I添加类型为type的噪声，type对应的噪声类型如下：matlab语⾔名称‘gaussian’⾼斯噪声‘localvar’0均值⽩噪声‘poisson’泊松噪声‘salt & pepper’椒盐噪声‘speckle’乘性噪声参数parameters为对应噪声的参数，如果不设置parameters则采⽤系统的默认值。
数字图像处理与应用(MATLAB版)第7章 图像的复原
M -1N -1
ge (x，y) =
fe (m, n)he (x - m, y - n) ne (x, y)
m=0 n =0
如果用矩阵来表示上述离散退化模型，可写成下式之形式:
H0
g = Hf n =
H1
H M -1 H1
H0
H2
fe (0) ne (0)
fe (1)
第七章 图像的复原
内 容 提
1、图像复原的概念和物理意义； 2、图像的退化数学模型；
要 3、代数恢复方法和频率域
恢复方法；
4、图像复原的Matlab实现法。 基
本
要
求
重
点
代数恢复方法
难 频率域恢复方法 点 图像复原的Matlab实现
通过对图像复原的学习，掌握图 像的退化数学模型、代数恢复方 法和频率域恢复方法；
g = Hf =
ge (1)
=
he (1)
he (-1) he (0)
he (-M 1) fe (0)
he (-M 2)
fe (1)
ge
(M
- 1)
he (M -1)
he (M - 2)
he (0)
f
e
(
M
- 1)
2. 二维离散退化模型
推广到2-D
若f（x，y）为A×B大小的数字图像，h（x）为C×D大小的 点扩散函数，它们在x和y方向上的周期分别为M和N。二维退化 模型为一个二维卷积形式。
- -
由于f (a, b )与x, y无关
令
h(x,a, y, b) = H (x - a, y - b)
g(x, y) = f (a, b )H[ (x - a, y - b )]da db
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。
基于Matlab的运动模糊图像还原
模糊方向的估计
一次傅里叶变换
二次傅里叶变换
模糊方向的估计
第二次傅里叶变换后的图 像，如图，其中的角theta 就大致接近PSF变换中的 角theta,故测算出角theta 即可估计出模糊方向。
测算值：theta=60.
模糊长度的估计
测算值：len=60.
在得到的自相关图中，测量两个负峰 之间的直线距离，即大致是模糊长度。
图像复原的流程
·使用PSF模糊图像，模拟出在无噪声情况下的匀速直线运动的 模糊图像。
·模糊方向的估计：通过对图像的二次傅里叶变换，手动选取点， 估算出模糊方向
·模糊长度的估计：原图像的自相关图像的两个负峰之间的距离， 即是模糊长度
·图像的还原：使用 Lucy-Richardson 算法，进行图像还原。
事实证明，此方法测算的模糊长度，误差不大。
图像的还原
利用Lucy richardson函数， 使用之前得到的 两个参数，进行 图像复原。
图像复原
对比原图像，复原后的图像虽然不是很完美，但是清晰度大大提升，一 些有用信息得以复原，比如印章上的单位名称就可以看清楚。
除了Lucy richardson复原，还有最小二乘方复原，盲去卷积复原等多种 已有的图像复原方法。
基于Matlab的运动模糊图像还原
物联网一班 12073133
李宇昕
应用的价值
在交通系统、刑事取证中图像的关键信息至关重要， 但是在交通、公安、银行、医学、 工业监视、 军事侦察 和日常生活中常常由于摄像设备的光学系统的失真、调焦 不准或相对运动等造成图像的模糊，使得信息的提取变得 困难。但是相对于散焦模糊，运动模糊图像的复原在日常 生活中更为普遍，比如高速运动的违规车辆的车牌辨识， 快速运动的人群中识别出嫌疑人、公安刑事影像资料中提 取证明或进行技术鉴定等等， 这些日常生活中的重要应 用都需要通过运动模糊图像复原技术来尽可能地去除失真， 恢复图像的原来面目。因此对于运动模糊图像的复原技术 研究更具有重要的现实意义。
Matlab技术图像恢复方法
Matlab技术图像恢复方法引言随着数字图像技术的发展，我们可以轻松地通过手机相机或数字相机捕捉到高分辨率的图片。
然而，由于摄影条件、噪声、运动模糊等因素的影响，有时候我们会得到质量较低的图像。
因此，图像恢复成为一个重要的研究领域。
Matlab作为一个功能强大的计算环境，提供了多种图像恢复方法。
本文将介绍一些常用的Matlab技术图像恢复方法。
一、降噪滤波噪声是图片质量下降的主要原因之一。
为了去除图像中的噪声，我们可以使用降噪滤波算法。
Matlab提供了多种降噪滤波方法，比如中值滤波、均值滤波和高斯滤波等。
中值滤波是一种基于统计的滤波方法，它通过计算像素周围邻域内像素值的中值并将其作为中心像素的新值，从而去除离群点。
在Matlab中，我们可以使用medfilt2函数进行中值滤波处理。
通过调节滤波窗口的大小，我们可以平衡降噪效果和图像细节的保留。
均值滤波是一种经典的线性滤波方法，它通过计算像素邻域内像素值的平均值来平滑图像。
在Matlab中，我们可以使用imfilter函数实现均值滤波。
通过调节滤波模板的大小，我们可以控制滤波的程度。
高斯滤波是一种基于高斯函数的滤波方法，它通过对图像进行卷积操作来平滑图像。
在Matlab中，我们可以使用imgaussfilt函数实现高斯滤波。
通过调节滤波半径，我们可以控制滤波的程度和模糊程度。
二、图像增强在处理低质量图像时，我们通常希望能够提高图像的清晰度和对比度。
Matlab提供了多种图像增强方法，比如直方图均衡化、锐化和对比度增强等。
直方图均衡化是一种常用的直方图操作方法，通过拉伸图像像素值的分布来增强图像的对比度。
在Matlab中，我们可以使用histeq函数实现直方图均衡化。
通过调节参数，我们可以改变直方图的形状以达到更好的视觉效果。
锐化是一种通过增强图像边缘和细节来提高图像清晰度的方法。
在Matlab中，我们可以使用imsharpen函数实现图像的锐化。
数字图像 matlab 图像复原
• • • • • • •
sn=abs(fft2(noise)).^2;%噪声功率谱 sf=abs(fft2(f)).^2;%信号功率谱 na=sum(sn(:))/prod(size(noise)); fa=sum(sf(:))/prod(size(f)); nsr=na/fa; fr2=deconvwnr(g,psf,nsr); figure,imshow(fr2);
• • • •
F0=fftshift(fft2(I1)); F1=F0./H; I2=ifft2(fftshift(F1)); subplot(2,2,3);imshow(uint8(I2));title('全逆滤波复 原图');
•
• • • •
任务 1、对一幅灰度图像用：水平移劢10像素， 旋转50度的退化函数进行退化； 2、将退化的图像用两个不同强度的高斯噪 声污染 高斯噪声1：均值为0，方差为0.0001 ； 高斯噪声2：均值为0，方差为0.001 ； 3、分别用直接逆滤波，维纳滤波对2幅图 像进行复原，维纳滤波要采用自己编写的 程序，并给出分析结果matFra bibliotekab 维纳滤波
图像复原函数
• • • • • • •
1、直接逆滤波： fr=deconvwnr(g,psf); 例子： f=imread('cameraman.tif'); psf=fspecial('motion',7,45);%退化函数 g=imfilter(f,psf); fr1=deconvwnr(g,psf);
图像的傅里叶变换及显示
• F=fft2(f); • S=fftshift(log(1+abs(F)); • imshow(S,[]);
- 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)。
Q 如果取： R R R g 和 R n 分别是图象和噪声的自相关矩阵。
1 2 g 1 2 n
即
E g gT Rg
E n nT Rn
并且都是正定对称矩阵，则有：
ˆ ˆ Qg R R g 的模方最小，实际上就意味着使噪声和信号的比
1 2 g 1 2 n
பைடு நூலகம்
ˆ g (H T H R1 Rn)1 H T f g
(1)
对复原图象影响最小。因为图象和噪声的相关矩阵都是把图象当 作随机过程来研究，从而描述其统计特性的量，在这里最小二乘 方的最佳已经演变成均方误差最小准则下的最佳。 同样根据式(1)可求得频域维纳滤波公式如下 2 H (u,v) 1 ˆ G(u, v) F (u, v) H (u,v) H (u,v) 2 S n (u,v) S g (u,v)
H (u,v) 1 F (u, v) 2 H (u,v) H (u,v) k
2
实验小结
本次设计的题目是“基于MATLAB的运动模糊图 像的复原”，查阅了许多资料，收集到了多种复原方 法，并从中选择了复原效果较好的作为本次设计的内 容。 选择的方法是维纳滤波并给出了MATLAB实现的程序。 在查找资料的过程中，我对数字图像处理的认识更加 清楚，了解到了更多的图像处理方法和思想。选择的 几种方法是比较常用的，也是比较有代表性的方法， 在利用这四种方法实现运动模糊图像复原的过程中， 学到了逆滤波、维纳滤波和有约束最小二乘滤波的特 点以及适用的范围。在MATLAB程序实现过程中，调 试相应的程序，完成相应的参数设置，并观察不同参 数下的图像处理效果，从而加深对各种滤波算法原理
课件名称：运动模糊图像复原 指导老师：刘红霞
设计人：张彦龙 陈廷川
运动模糊图像复原技术目的
图像复原技术也常被称为图像 恢复技术图像复原技术能够去除或 减轻在获取数字图像过程中发生的 图像质量下降（退化）问题，从而 使图像尽可能地接近于真实场景。
图像复原技术的应用
一方面，对地面上的成像系统来说，由于受到射线及 大气的影响，会造成图像的退化;另一方面，在太空 中的成像系统，由于宇宙飞船的速度远远快于相机 快门的速度，从而造成了运动模糊; 航空成像领域： 无人机、预警机、侦察机的成像侦察；巡航导弹地 形识别，侧视雷达的地形侦察等； 交通智能监控领域：电子眼（车速超过60km/小时）； 公安领域： 指纹自动识别，手迹、人像、印章的鉴定识别，过 期档案文字的识别等，都与图像复原技术密不可分; 医学领域：图像复原技术也有着极其重要的作用， 如X光、CT等。
常见的回复方法
逆滤波法 维纳滤波法
频域法 约束最小平方 滤波法 小波变换法 无约束复原法 有约束复原法 频谱外推法 伪逆滤波法 奇异值矩阵分解 SVD法 非线性代数 复原法 凸集投影法 最大熵复原法 贝叶斯复原法 遗传进化法 神经网络法
哈里斯外推法 长球波函数 外推法 能量连续降减法
线性代数 复原法
举例：图像式补偿方法的应用举例
模糊图像
复原后的清晰图像
维纳滤波复原原理
维纳(wiener)滤波可以归于反卷积(或反转滤波) 算法一类，它是由Wiener首提出的，并应用于一维 信号，并取得很好的效果。以后算法又被引入二维 信号理，也取得相当满意的效果，尤其在图象复原 领域，由于维纳滤波器的复原效良好，计算量较低， 并且抗噪性能优良，因而在图象复原领域得到了广 泛的应用并不断得到改进发展，许多高效的复原算 法都是以此为基础形成的。
即
=1时，为标准维纳滤波器； ≠1时，为含参维纳滤波器。 若没有噪声时
S n (u, v)=0,维纳滤波器则退化成理想反滤波器。
实际很难求得因此，可以用一个比值k 代替两者之比，从而得到简化的维纳滤波公式：
实际应用中必须调节
以满足式公式1。因为 S g (u, v)
ˆ G(u, v)
青春，一个美好的时光，一个最 佳的年华，我们要把他演绎得更好， 更加绝色，让青春永远的长驻在我 们美好的时候吧！在这短暂的岁月 里，我们将用一颗热腾腾的心永远 的歌颂它，永存我们的心中。
谢谢观赏
2011年6月23日
维纳滤波法
运动模糊图像恢复程序
I=imread('abc.png'); figure(1);imshow(I,[]); title('原图像'); PSF=fspecial('motion',40,75); MF=imfilter(I,PSF,'circular'); noise=imnoise(zeros(size(I)),'gaussian',0,0.001); MFN=imadd(MF,im2uint8(noise)); figure(2);imshow(MFN,[]); title('运动模糊图像'); figure(3); imshow(deconvwnr(MFN,PSF),[]); title('维纳滤波复原')