图像复原 订阅
图像复原(image restoration)即利用退化过程的先验知识,去恢复已被退化图像的本来面目。对遥感图像资料进行大气影响的校正、几何校正以及对由于设备原因造成的扫描线漏失、错位等的改正,将降质图像重建成接近于或完全无退化的原始理想图像的过程。 展开全文
图像复原(image restoration)即利用退化过程的先验知识,去恢复已被退化图像的本来面目。对遥感图像资料进行大气影响的校正、几何校正以及对由于设备原因造成的扫描线漏失、错位等的改正,将降质图像重建成接近于或完全无退化的原始理想图像的过程。
信息
外文名
image restoration
定    义
利用先验知识,去恢复图像
中文名
图像复原
同义词
图像恢复
图像复原概述
图像复原技术主要是针对成像过程中的“退化”而提出来的,而成像过程中的“退化”现象主要指成像系统受到各种因素的影响,诸如成像系统的散焦、设备与物体间存在相对运动或者是器材的固有缺陷等,导致图像的质量不能够达到理想要求。图像的复原和图像的增强存在类似的地方,它也是为了提高图像的整体质量。但是与图像复原技术相比,图像增强技术重在对比度的拉伸,其主要的目的在于根据观看者得喜好来对图像进行处理,提供给观看者乐于接受的图像,而图像复原技术则是通过去模糊函数去除图像中的模糊部分,还原图像的本真。其主要采用的方式是同采用退化图像的某种所谓的先验知识来对已退化图像进行修复或者是重建,就复原过程来看可以将之视为图像退化的一个逆向过程。图像的复原,首先要对图像退化的整个过程加以适当的估计,在此基础上建立近似的退化数学模型,之后还需要对模型进行适当的修正,以对退化过程出现的失真进行补偿,以保证复原之后所得到的图像趋近于原始图像,实现图像的最优化。但是在图像退化模糊的过程中,噪声与干扰同时存在,这给图像的复原带来了诸多的不确定性。
收起全文
精华内容
下载资源
问答
  • 图像复原

    2019-11-10 10:40:54
    图像复原

    图像复原

    6.1 图像复原及退化模型

    6.2 噪声模型

    6.3 空间域滤波复原

    6.4 频率域滤波复原

    6.5 估计退化函数

    6.6 逆滤波和维纳滤波

    展开全文
  • 图像复原matlab图像复原matlab图像复原matlab图像复原matlab
  • 图像复原代码。运动模糊图像复原、非约束复原、逆滤波复原、维纳滤波复原等 图像复原代码。运动模糊图像复原、非约束复原、逆滤波复原、维纳滤波复原等
  • 数字图像处理(冈萨雷斯版本)的图像复原章节的源代码,在matlab2016能顺利运行。
  • 图像复原matlab程序-图像复原matlab程序.rar 程序代码说明: 4_1:生成模糊化实验图像 4_2:维纳滤波复原 4_3:约束最小二乘滤波复原 4_4:Lucy-Richardson滤波复原 4_5:盲卷积滤波复原
  • 数字图像复原.ppt

    2020-12-21 02:10:08
    该PPT介绍了图像复原的基本概念, 图像退化模型, 图像复原的方法(反向还原法, 约束还原法), 运动模糊图像的复原, 以及图像的几何校正问题.
  • 对lina图像进行添加椒盐噪声高斯噪声等,再复原
  • 运动图像复原.ppt

    2019-08-31 13:45:20
    详细介绍了建立图像退化模型,运动模糊图像复原的基本原理,典型的运动模糊图像复原方法 ,运动图像复原方法的应用等内容。适合初学者学习。
  • 图像复原(Wiener+Inverse+Lucy),图像复原的方法有哪些,matlab源码
  • matlab图像与视频实用案例详解pdf+源码、模糊图像复原源码加图片、运动图像点扩散函数
  • 图像复原论文

    2017-09-19 10:27:56
    里面有几十篇关于图像复原的论文,很实用,,就2个积分下载这么多,都是当时读研时,积攒的,很实用,希望能帮到其他人
  • 针对图像复原的同时要求保留图像边缘信息的矛盾,利用图像的梯度模,提出了一种保留图像边缘信息的图像复原方法。本方法对图像修复的同时,具有保护图像边缘的作用。实验表明本方法在去除噪声和信噪比上取得了较好的...
  • 系统的学习和掌握matlab图像复原和图像增强技术
  • 图像复原hm4.zip

    2021-05-07 18:28:34
    图像复原,MATLAB程序
  • 自然图像先验与图像复原

    万次阅读 多人点赞 2018-07-28 16:27:17
    图像复原是图像处理中最重要的任务之一,其包括图像去噪、去模糊、图像修复、超分辨等, 都是底层视觉中被广泛研究的问题。实际中我们得到的图像往往是退化后的图像(如带噪声图像、模糊图像、被采样的图像等): y...

    Introduction

    图像复原是图像处理中最重要的任务之一,其包括图像去噪、去模糊、图像修复、超分辨等, 都是底层视觉中被广泛研究的问题。实际中我们得到的图像往往是退化后的图像(如带噪声图像、模糊图像、被采样的图像等):
    y = D ( x ) y=D(x) y=D(x)

    其中, y y y表示观察到的退化图像, x x x是原始图像, D ( ⋅ ) D(\cdot) D()是退化函数,往往是未知的,在实际的计算中,常常使用成像物理模型近似。
    图像复原就是根据观察到的退化图像,估计原始未退化的图像。这是一个病态问题,该问题的解往往不是唯一的。为了缩小问题的解空间,更好的逼近真实解,我们需要添加限制条件。这些限制条件来自自然图像本身的特性,即自然图像的先验信息。如果能够很好地利用自然图像的先验信息,就可以从退化的图像上恢复原始图像。

    图像复原

    图像复原任务通常表示成一个损失函数的形式:
    x = arg ⁡ min ⁡ x f ( x , y ) + p r i o r ( x ) x=\arg\min_x f(x,y)+prior(x) x=argxminf(x,y)+prior(x)

    其中, f ( x , y ) f(x,y) f(x,y)表示数据保真项,使得估计出的原始图像与退化图像在内容上保持一致。 p r i o r ( x ) prior(x) prior(x)则表示先验项,来自于自然图像本身的特性。
    这个损失函数可以从概率统计角度给予很好的解释。根据最大后验概率估计原理,对原始图像的估计可以表示为:
    max ⁡ P ( x ∣ y ) = max ⁡ P ( y ∣ x ) P ( x ) \max P(x|y)=\max P(y|x)P(x) maxP(xy)=maxP(yx)P(x)

    其中, P ( y ∣ x ) P(y|x) P(yx)表示从原始图像x得到退化图像y的概率, P ( x ) P(x) P(x)表示图像x的先验概率。对上式取负对数,就可以得到图像复原的损失函数了。

    自然图像先验

    借助于不同的自然图像先验信息,可以估计出不同的原始图像。常用的自然图像的先验信息有自然图像的局部平滑性、非局部自相似性、稀疏性等特征 。下面分别做简单介绍。

    局部平滑性

    自然图像相邻像素点之间的像素值在一定程度上是连续变化的。从频谱上观察,自然图像以低频分量为主;从梯度直方图上观察,自然图像梯度统计趋近于0。下图为Lena图的梯度直方图:
    这里写图片描述
    基于自然图像梯度统计的观察,许多先验条件都是针对图像梯度设计的,如梯度的 L 2 L_2 L2范数约束、TV约束(梯度 L 1 L_1 L1范数约束)、梯度 L 0 L_0 L0范数约束等等,都是非常常见的。最常见的应用就是在去噪上,也就是基于全局优化的滤波器的设计。
    梯度 L 2 L_2 L2范数约束是基于梯度统计服从高斯分布得到的,大名鼎鼎的最小权重滤波(WLS)便是基于此设计的,但是对梯度的 L 2 L_2 L2往往在抑制噪声的过程中,将许多纹理也平滑掉了。TV约束是基于梯度统计服从拉普拉斯统计得到的,其对于噪声鲁棒性更好,对纹理细节的保留也优于 L 2 L_2 L2范数约束。梯度 L 0 L_0 L0范数约束比起TV约束更强调局部一致性(TV约束相较而言更强调局部平滑性)。除此之外,在图像去模糊中,还常用到超拉普拉斯先验,即认为梯度分布的范数在(0,1]之间,其更加符合对自然图像梯度统计的描述。
    超拉普拉斯先验

    先验表示
    梯度 L 2 L_2 L2范数 p r i o r ( x ) = ∥ ∇ ∥ 2 2 prior(x)=\|\nabla\|^2_2 prior(x)=22
    TV约束 p r i o r ( x ) = ∥ ∇ ∥ 1 prior(x)=\|\nabla\|_1 prior(x)=1
    梯度 L 0 L_0 L0约束 p r i o r ( x ) = ∥ ∇ ∥ 0 prior(x)=\|\nabla\|_0 prior(x)=0
    超拉普拉斯先验 p r i o r ( x ) = ∥ ∇ ∥ α prior(x)=\|\nabla\|^\alpha prior(x)=α, 0 < α ≤ 1 0<\alpha\leq1 0<α1

    非局部相似性

    在自然图像的不同位置,存在相似的纹理,且许多自然图像自身的纹理存在规律性。这说明自然图像本身信息是冗余的,我们可以利用图像的冗余信息对图像缺失或被污染的部分进行修复。

    利用图像非局部相似性首先要找到图像中相似的纹理,最常用的方法是块匹配,即把图像分解成一个一个的小块,每个小块看作是一个单元,在图像中寻找与其相似的一个或多个小块。最经典的块匹配方法当然非Barnes的PatchMatch方法莫属。比起一个小块一个小块去比对,PatchMatch提供了一种近似的方法可以快速找到相似块。
    现在主流的去噪方法和图像修复方法都是基于图像的非局部相似性。在去噪方面,非局部均值(non local mean,NLM)是利用非局部相似性去噪的开山之作。在此基础上发展而来的BM3D是应用最广泛,也是效果最好的去噪方法之一。关于这两种方法的介绍可以参见这篇博客。后面在NLM基础上也出现了一系列的改进方法,如将非局部相似性与低秩方法结合借来的WNNM,MCWNNM等去噪方法都取得了不错的效果。
    在图像修复方面,块匹配方法在单帧图像缺失部分的修补方面占据了半壁江山。除此之外,还有基于Graph Cut进行图像修复的方法。但无一例外,所有这些方法都是利用了图像的非局部自相似性。关于图像修复可以参见这篇文章对这些方法的概述。另外,这篇文章还提到了一个有意思的观察,即自然图像中相似块之间的偏移量集中在少数几个偏移量上,这也从而说明了自然图像的纹理分布是存在一定周期性规律的。
    相似块统计

    稀疏性

    稀疏性本身是指矩阵或向量中非零元素个数很少。对于自然图像来说,就是其可以用少量的几个独立成分来表示。即图像可以通个某些线性变化变成稀疏信号。图像的稀疏性是图像可以用压缩感知方法进行恢复的先决条件。
    压缩感知进行图像恢复的过程如下图所示,图像经过线性基变换 Ψ \Psi Ψ可以变成稀疏向量 S S S。对原始图像进行随机采样可以得到观测向量 y y y。利用观测向量 y y y和恢复矩阵 Θ \Theta Θ(常常是冗余字典)可以恢复出原始图像。
    压缩感知

    统计特性

    统计特性是通过对大量图像进行学习得到的统计规律。这种特性比较抽象,一般对图像进行概率分布建模,将统计特性融合在概率模型的求解的参数里。一个比较常见的例子是EPLL先验(Expected Patch Log LIkelihood),其使用混合高斯模型从大量自然图像块中学习到先验知识。
    基于监督模型的深度学习方法也是利用神经网络去自学习自然图像中的统计特性。

    Deep image prior

    这是CVPR2018的文章。其也是通过神经网络获取图像先验,只不过与上面提到的用神经网络学习大量图像中的统计特性不同,deep image prior认为神经网络本身就是一种先验知识,网络自身结构限制了解的范围。网络会从退化图像中提取特征以用于退化图像的复原,且从结果可以看到,网络会先学习到图像中“未被破坏的,符合自然规律的部分”,然后才会学会退化图像中“被破坏的部分”。
    深度网络先验
    Deep Image Prior类似于自然图像的非局部自相似性。关于Deep Image Prior的介绍可以参见这里

    参考:

    1. https://www.jianshu.com/p/ed8a5b05c3a4
    2. http://www4.comp.polyu.edu.hk/~cslzhang/paper/IR_lecture.pdf
    3. http://www4.comp.polyu.edu.hk/~cslzhang/paper/SPM_IR.pdf
    展开全文
  • 数字图像处理图像复原MATLAB程序及仿真,带有源代码,数字图像处理必备。

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 12,443
精华内容 4,977
关键字:

图像复原