数字图像处理之复原处理

数字图像处理之傅里叶变换

                                                        by方阳

版权声明:本文为博主原创文章,转载请指明转载地址

http://www.cnblogs.com/fydeblog/p/7070055.html

1. 前言

这篇博客主要介绍常见的噪声及其概率密度函数,并用MATLAB复原函数对退化图像进行复原处理。这里复原是指在图像已经有噪声污染的情况下复原,与直接用傅里叶正反变换不一样!

2. 原理说明

(1) 常见噪声:椒盐噪声和高斯噪声

椒盐噪声是指两种噪声,一种是盐噪声,另一种是胡椒噪声。盐=白色,椒=黑色。前者是高灰度噪声,后者属于低灰度噪声。一般两种噪声同时出现,呈现在图像上就是黑白杂点。概率函数两极分化;

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;

(2)图像复原是用去卷积函数实现的,用原图像卷积点扩散函数(点扩散函数即是一种运动模糊的算子),然后加入高斯噪声。然后用去卷积来恢复图像,有两种,一种不加入噪声估计,一种加入噪声估计,得到不同的恢复效果;

3. 实现内容

(1)     构造一个矩形方块图像,对其分别加入高斯和椒盐噪声,显示原始图像和噪声图像,及每个图片相对应的直方图。

(2)     任意选择一幅图像,对其使用运动模糊处理,再在模糊图像中加入高斯噪声,使用逆滤波和winner滤波对其进行去退化处理,比较效果,显示原始图像和复原图像。

4. 程序实现及实验结果

(1)噪声对图像直方图的影响

f(1000,1000)=0;
f=mat2gray(f);
[Y,X]=meshgrid(1:1000,1:1000);
f(1:500,1:500)=1;
f(500:1000,500:1000)=1;
I=f;
I1=imnoise(I,'salt & pepper',0.02);
I2=imnoise(I,'gaussian',0,0.01);
figure;
subplot(2,3,1);
imshow(I);
title('原图');
subplot(2,3,2);
imshow(I1);
title('椒盐噪声后的图像');
subplot(2,3,3);
imshow(I2);
title('高斯噪声后的图像');
subplot(2,3,4);
imhist(I);
title('原图直方图');
subplot(2,3,5);
imhist(I1);
title('椒盐噪声图像的直方图');
subplot(2,3,6);
imhist(I2);
title('高斯噪声图像的直方图');

运行结果:

(2)逆滤波与winner滤波

I_1=imread('cameraman.tif');
PSF=fspecial('motion',21,11);
I3=imfilter(I_1,PSF,'conv','circular');
I3=imnoise(I3,'gaussian',0,0.0001);
I4=deconvwnr(I3,PSF);
I_1=im2double(I_1);
estimated_nsr=0.0001/var(I_1(:));
I5=deconvwnr(I3,PSF,estimated_nsr);
figure;
subplot(2,2,1);
imshow(I_1);
title('原图');
subplot(2,2,2);
imshow(I3);
title('模糊+噪声');
subplot(2,2,3);
imshow(I4);
title('逆滤波');
subplot(2,2,4);
imshow(I5);
title('winner滤波');

运行结果:

五. 结果分析

(1)从图1可以看出,原图(黑白图)直接是两极分化,加入椒盐噪声后直方图没有变化,因为椒盐噪声也是两极分化,加入高斯噪声可以看出直方图有高斯形状;

(2)从图2可以看出,用逆滤波出来的图像很不理想,用winner滤波出来的图像还行,看出图像恢复,信噪比是不可忽略的因素啊!

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏AI研习社

「目标检测算法」连连看:从 Faster R-CNN 、 R-FCN 到 FPN

在这个系列中,我们将对目标检测算法进行全面探讨。 第1部分,我们介绍常见的基于区域的目标检测器,包括Fast R-CNN,Faster R-CNN,R-FCN和...

1693
来自专栏机器之心

AAAI 2018 | 南京大学提出SSWL:从半监督弱标注数据中学习多标签学习问题

3999
来自专栏量子位

刷剧不忘学习:用Faster R-CNN定位并识别辛普森一家中多个人物

王小新 编译自 Medium 量子位 出品 | 公众号 QbitAI Alexandre Attia是《辛普森一家》的狂热粉丝,在之前他已经写了一篇用卷积神经网...

37916
来自专栏大数据杂谈

【Excel系列】Excel数据分析:假设检验

Excel数据分析工具库中假设检验含5个知识点: Z-检验:双样本均值差检验 T-检验:平均值的成对二样本检验 T-检验:双样本等方差假设 T-检验:双样本异方...

49410
来自专栏阮一峰的网络日志

相似图片搜索的原理(二)

二年前,我写了《相似图片搜索的原理》,介绍了一种最简单的实现方法。 昨天,我在isnowfy的网站看到,还有其他两种方法也很简单,这里做一些笔记。 ? 一、颜色...

4046
来自专栏深度学习计算机视觉

计算机视觉中的物体检测方法

本文适合刚入门物体检测的人群学习,不涉及公式推理。 目录 *摘要 *相关物体检测数据集介绍 *现有的主流物体检测算法 *物体检测的难点与挑战 *相关术语介绍 *...

2974
来自专栏SIGAI学习与实践平台

目标检测算法中检测框合并策略技术综述

物体检测(Object Detection)的任务是找出图像或视频中的感兴趣目标,同时实现输出检测目标的位置和类别,是机器视觉领域的核心问题之一,学术界已有将近...

1404
来自专栏机器之心

深度 | L2正则化和对抗鲁棒性的关系

两个高维聚类由一个超平面分离,考虑超平面和图中水平线之间的夹角,在线性分类中,这个夹角取决于 L2 正则化的程度,你知道为什么吗?上图:L2 正则化程度较小;下...

1701
来自专栏机器之心

教程 | 单级式目标检测方法概述:YOLO与SSD

在这篇文章中,我将概述用于基于卷积神经网络(CNN)的目标检测的深度学习技术。目标检测是很有价值的,可用于理解图像内容、描述图像中的事物以及确定目标在图像中的位...

1141
来自专栏机器之心

从RCNN到SSD,这应该是最全的一份目标检测算法盘点

选自 Medium 作者:Jonathan Hui 机器之心编译 目标检测是很多计算机视觉任务的基础,不论我们需要实现图像与文字的交互还是需要识别精细类别,它都...

5637

扫码关注云+社区

领取腾讯云代金券