資源描述：
《數(shù)字圖像處理圖像復(fù)原實(shí)驗(yàn)報(bào)告.docx》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。
1、圖像復(fù)原信息132李佳奇1304010311一、實(shí)驗(yàn)?zāi)康?、熟悉并掌握MATLAB圖像處理工具箱的使用；2、理解并掌握常用的圖像的恢復(fù)和分割技術(shù)。二、實(shí)驗(yàn)內(nèi)容空域?yàn)V波復(fù)原closeall;clearall;clc;I=imread('d:/zhien.jpg');I=im2double(I);I=imnoise(I,'gaussian',0.05);%添加高斯噪聲PSF=fspecial('average',3);J=imfilter(I,PSF);K=exp(imfilter(log(I),PSF));figure;subplot(131);imshow(I);subplot
2、(132);imshow(J);subplot(133);imshow(K);分析：空域?yàn)V波就是在待處理圖像中逐點(diǎn)地移動(dòng)掩模。在每一點(diǎn)(x,y)處，濾波器在該點(diǎn)的響應(yīng)通過(guò)事先定義的關(guān)系來(lái)計(jì)算。對(duì)于線性空間濾波，其響應(yīng)由濾波器系數(shù)與濾波掩模掃過(guò)區(qū)域的相應(yīng)像素值的乘積之和給出維納濾波I=imread('d:/zhien.jpg');H=fspecial('motion',50,45);J=imfilter(I,H,'circular','conv');subplot(221);imshow(J);title('運(yùn)動(dòng)模糊后的lena.bmp(角度為45)');J1=imnoise(J
3、,'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('模糊噪聲圖像的維納濾波復(fù)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
4、的維納濾波復(fù)原');分析：維納濾波是一種有約束的復(fù)原恢復(fù)，它綜合了退化圖像和噪聲統(tǒng)計(jì)特性兩個(gè)方面進(jìn)行了復(fù)原處理。維納濾波，它是使原圖像及其恢復(fù)圖像之間的均方差最小的復(fù)原方法。是在假象圖像信號(hào)可以近似看作平穩(wěn)隨機(jī)過(guò)程的前提下，按照使恢復(fù)的圖像與原圖像f(x,y)的均方差最小原則來(lái)恢復(fù)圖像。約束最小二乘法濾波I=imread('d:/zhien.jpg');I1=checkerboard(8);PSF=fspecial('motion',50,45);V=0.0001;J=imfilter(I,PSF,'circular','conv');J1=imnoise(J,'gaussia
5、n',0,0.01);subplot(1,2,1);imshow(J1);title('模糊加噪圖像');NoisePower=V*prod(size(I));[G,LAGRA]=deconvreg(J,PSF,NoisePower);subplot(1,2,2);imshow(G);title('約束最小二乘濾波復(fù)原');分析：約束最小二乘方圖像復(fù)原是一種以平滑測(cè)度為準(zhǔn)則的復(fù)原方法。實(shí)驗(yàn)中首先得到運(yùn)動(dòng)模糊和高斯噪退化后的圖像Zn，然后對(duì)圖像進(jìn)行約束最小平方復(fù)原，同時(shí)獲得最佳復(fù)原的參數(shù)γ，如果將參數(shù)γ的值調(diào)大，則圖像會(huì)比較模糊，但對(duì)噪聲的改善效果較為明顯，如果將參數(shù)γ的值調(diào)小，
6、則圖像會(huì)比較清晰，但背景會(huì)出現(xiàn)一定的噪聲。?盲解卷積復(fù)原I=imread('d:/zhien.jpg');I=im2double(I);LEN=20;THETA=20;PSF=fspecial('motion',LEN,THETA);J=imfilter(I,PSF,'circular','conv');%運(yùn)動(dòng)模糊INITPSF=ones(size(PSF));[K,PSF2]=deconvblind(J,INITPSF,30);%圖像復(fù)原figure;subplot(121);imshow(PSF,[]);subplot(122);imshow(PSF2,[]);axisau
7、to;figure;subplot(121);imshow(J);%顯示退化圖像subplot(122);imshow(K);%顯示復(fù)原圖像分析通常圖像恢復(fù)方法均在成像系統(tǒng)的點(diǎn)擴(kuò)展函數(shù)PSF已知下進(jìn)行，實(shí)際上它通常是未知的。在PSF未知的情況下，盲解卷積是實(shí)現(xiàn)圖像恢復(fù)的有效方法。該算法優(yōu)點(diǎn)是，在對(duì)失真情況毫無(wú)先驗(yàn)知識(shí)的情況下，仍能實(shí)現(xiàn)對(duì)模糊圖像的恢復(fù)操作?；謴?fù)的圖像存在一定的“環(huán)”，是由圖像邊界或灰度變化較大的部分產(chǎn)生的。
