1、實驗六 模糊圖像恢復(fù)一、實驗?zāi)康谋緦嶒炇且粋€綜合性實驗，要求學(xué)生鞏固學(xué)習(xí)多個知識點和內(nèi)容，主要有：1、理解掌握運動圖像的退化模型；2、掌握維納濾波法的原理和實現(xiàn)方法；3、在不同的噪聲和點擴(kuò)散函數(shù)參數(shù)下進(jìn)行恢復(fù)，并比較結(jié)果；4、通過分析和實驗得出相應(yīng)的結(jié)論。二、實驗準(zhǔn)備1、運動模糊退化模型：運動模糊是圖像退化的一種，可以用數(shù)學(xué)表達(dá)式刻畫出來。對線性移（空）不變系統(tǒng)，退化模型可表示為：g(x,y)=h(x,y)*f(x,y)+n(x,y)。對勻速直線運動而言，退化圖像為： 其中x0(t)和y0(t)分別表示x和y方向的運動分量。并假設(shè)退化系統(tǒng)是線性移不變的，光學(xué)成像過程是完善的，快門開關(guān)是瞬間完成

2、的。對上式進(jìn)行傅立葉變換，則得頻域表達(dá)式為 其中 假設(shè)景物只在x方向勻速運動，在T時間內(nèi)共移動距離是a，即x0(t)=at/T，y0(t)=0,則 在Matlab中可用濾波器卷積的方法仿真出運動模糊圖像。h=fspecial(motion,len,theta),表示在theta方向移動len長度，產(chǎn)生運動模糊的點擴(kuò)散函數(shù)h。blurred=imfilter(I,h,'circular,conv),產(chǎn)生運動模糊圖像。2、維納濾波法恢復(fù)圖像：此方法也叫最小均方誤差濾波法，是建立在圖像和噪聲都是隨機(jī)過程，圖像和噪聲不相關(guān)，其中之一的均值為零，灰度估計值與退化圖像中的灰度值成線性關(guān)系。其基本思

3、想是找到原圖像f(x,y)的一個估計，使得估計與原圖像之間的均方誤差在統(tǒng)計意義上最小。 其中E.表示數(shù)學(xué)期望，當(dāng)上式取得最小值時，所得到的估計值在頻域的表達(dá)式為： 其中H(u,v)是點擴(kuò)散函數(shù)h(x,y)的傅里葉變換，H*(u,v)是退化函數(shù)H(u,v)的復(fù)共軛，Sn (u,v)=|N(u,v)|2、Sf(u,v)=|S(u,v)|2分別是噪聲和原圖像的功率譜。而在實際當(dāng)中，Sn(u,v)、Sf(u,v)未知，特別是Sf(u,v)，上式無法直接運用。解決的方法之一是令Sn(u,v)/ Sf(u,v)等于某個常數(shù)k。上式就成了 在Matlab中有專門的函數(shù)可以實現(xiàn)維納濾波法恢復(fù)。wn1=deco

4、nvwnr(blurred,h)，參數(shù)部分有多種選擇的方法，這個表示用真實的點擴(kuò)散函數(shù)進(jìn)行恢復(fù)。為了對比，可取不同的參數(shù)，以及加入噪聲，再恢復(fù)，噪聲可用imnoise或randn函數(shù)生成。細(xì)節(jié)可參閱matlab相關(guān)資料。三、實驗內(nèi)容與要求參照以上知識點和過程仿真一幅運動模糊圖像，用不同的參數(shù)，不同的噪聲等情況下進(jìn)行恢復(fù)，并探討各量對恢復(fù)結(jié)果的影響。(可參照教材中插圖的參數(shù))四、實驗報告1、提交經(jīng)調(diào)試正確的程序源代碼及相關(guān)文檔。2、總結(jié)調(diào)試程序時遇到的問題及解決方案。實驗程序：%兩幅圖片相加可以使用函數(shù) imaddI = imread('rice.png'); I = imrea

5、d('rice.png');J = imread('cameraman.tif'); Iplus50 = imadd(I,50); K = imadd(I,J);% %h=fspecial(motion,len,theta),表示在theta方向移動len長度，而產(chǎn)生運動模糊的點擴(kuò)散函數(shù)h I = imread('I:lena.bmp'); subplot(2,2,1);imshow(I);title('Original Image原始圖像'); H = fspecial('motion',20,45);%定義的運

6、動模型 MotionBlur = imfilter(I,H,'replicate'); subplot(2,2,2);imshow(MotionBlur);title('Motion Blurred Image運動模糊圖像'); H = fspecial('disk',10); %blurred=imfilter(I,h,'circular,conv),產(chǎn)生運動模糊圖像 blurred = imfilter(I,H,'replicate'); subplot(2,2,3);imshow(blurred);title(

7、9;Blurred Image模糊圖像'); H = fspecial('unsharp'); sharpened = imfilter(I,H,'replicate'); subplot(2,2,4);imshow(sharpened);title('Sharpened Image銳化圖像'); % I = im2double(imread('I:lena.bmp')/255; subplot(221) imshow(I); title('Original Image 原始圖像'); % Simulate

8、 a motion blur. LEN = 21;%像素值 THETA = 11;%角度 PSF = fspecial('motion', LEN, THETA);%產(chǎn)生運動模糊的點擴(kuò)散函數(shù)PSF %blurred=imfilter(I,h,'circular,conv),產(chǎn)生運動模糊圖像 blurred = imfilter(I, PSF, 'conv', 'circular'); % Simulate additive noise. noise_mean = 0; noise_var = 0.0001; blurred_noisy =

9、 imnoise(blurred, 'gaussian', . %高斯噪聲 noise_mean, noise_var); subplot(222), imshow(blurred_noisy) title('Simulate Blur and Noise') % Try restoration assuming no noise. estimated_nsr = 0; wnr2 = deconvwnr(blurred_noisy, PSF, estimated_nsr); subplot(223), imshow(wnr2) title('Restoration of Blurred, Noisy Image Using NSR = 0') % Try restoration using a better estimate of the noise-to-signal-power % ratio. estimated_nsr = noise_var / var(I(:); wn