課程設(shè)計(jì)——抖動(dòng)圖像復(fù)原

1、中北大學(xué)信息商務(wù)學(xué)院課程設(shè)計(jì)說(shuō)明書(shū)學(xué)生姓名： 張世奇 學(xué) 號(hào)： 1405034129 所在系： 電子信息工程 專(zhuān) 業(yè)： 電子信息工程 題 目： 專(zhuān)業(yè)綜合實(shí)踐之多維信息處理部分： 抖動(dòng)圖像復(fù)原方法研究 指導(dǎo)教師： 徐美芳 侯慧玲 職 稱: 副教授 講師 2017 年 12月 25 日中北大學(xué)信息商務(wù)學(xué)院課程設(shè)計(jì)任務(wù)書(shū) 17/18 學(xué)年第 一 學(xué)期所 在 系 ： 電子信息工程 專(zhuān) 業(yè)： 電子信息工程 課程設(shè)計(jì)題目： 專(zhuān)業(yè)綜合實(shí)踐之多維信息處理部分： 抖動(dòng)圖像復(fù)原方法研究 起 迄 日 期： 2017年12月25 日2018年01月05日 課程設(shè)計(jì)地點(diǎn)： 系專(zhuān)業(yè)實(shí)驗(yàn)室 指 導(dǎo) 教 師： 徐美芳 侯慧玲

2、 系 主 任： 王浩全 下達(dá)任務(wù)書(shū)日期: 2017 年12月 25日課 程 設(shè) 計(jì) 任 務(wù) 書(shū)1設(shè)計(jì)目的： 圖像在拍攝中抖動(dòng)后會(huì)模糊不清，對(duì)其復(fù)原是改善其不良狀況的最好辦法。本課題要求同學(xué)對(duì)圖像復(fù)原方法進(jìn)行研究，在此基礎(chǔ)上利用編程語(yǔ)言進(jìn)行圖像復(fù)原程序編寫(xiě)，實(shí)現(xiàn)不同復(fù)原效果的比較。 2設(shè)計(jì)內(nèi)容和要求（包括原始數(shù)據(jù)、技術(shù)參數(shù)、條件、設(shè)計(jì)要求等）：1、 查閱資料，學(xué)習(xí)圖像復(fù)原基本原理。 2、對(duì)原始圖像進(jìn)行模糊處理，然后基于維納濾波，盲去卷積復(fù)原，規(guī)則化復(fù)原等方法進(jìn)行復(fù)原，進(jìn)行結(jié)果比較。3、 不同方法的復(fù)原結(jié)果進(jìn)行分析比較。4、要求三位同學(xué)各自實(shí)現(xiàn)不同部分。3設(shè)計(jì)工作任務(wù)及工作量的要求包括課程設(shè)計(jì)計(jì)算

3、說(shuō)明書(shū)(論文)、圖紙、實(shí)物樣品等：設(shè)計(jì)工作任務(wù)：(1) 了解課題背景，掌握基本技術(shù)，制定設(shè)計(jì)思路，寫(xiě)出設(shè)計(jì)方案。(2) 完成設(shè)計(jì)內(nèi)容：包括算法和程序設(shè)計(jì)；實(shí)驗(yàn)驗(yàn)證及技術(shù)改進(jìn)，寫(xiě)出設(shè)計(jì)說(shuō)明書(shū)。(3) 設(shè)計(jì)答辯。工作量的要求：(1) 通過(guò)查閱資料了解與圖像復(fù)原相關(guān)的基本理論、原理以及技術(shù)背景，理解選題意義；(2) 掌握與運(yùn)動(dòng)圖像恢復(fù)相關(guān)的基本理論、原理和實(shí)現(xiàn)手段；(3) 完成對(duì)抖動(dòng)圖像進(jìn)行復(fù)原的算法和實(shí)現(xiàn)手段；(4) 通過(guò)實(shí)驗(yàn)仿真驗(yàn)證算法的可行性；(5) 給出技術(shù)總結(jié)。課 程 設(shè) 計(jì) 任 務(wù) 書(shū)4主要參考文獻(xiàn)：1陳波.一種新的運(yùn)動(dòng)模糊圖像恢復(fù)方法J.深圳:深圳大學(xué)數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院,2008.2

4、劉剛,王立香,董延.MATLAB數(shù)字圖像處理M.機(jī)械工業(yè)出版社,2010.3康實(shí).MATLAB的圖像處理工具箱中圖像復(fù)原函數(shù)的比較J.廣州:廣東交通職業(yè)技術(shù)學(xué)院,2006.4徐志影,李晉平.MATLAB及其在圖像處理中的應(yīng)用J.徐州:中國(guó)礦業(yè)大學(xué)資源學(xué)院,2003.5朱光明.數(shù)字信號(hào)分析與處理.陜西：陜西人民教育出版社，2003.6羅鵬飛.隨機(jī)信號(hào)分析與處理.北京：清華大學(xué)出版社，2006.7徐飛，施曉紅.應(yīng)用圖像處理.西安：西安電子科技大學(xué)出版社，2002.8章毓晉.圖像處理和分析M.清華大學(xué)出版社.5設(shè)計(jì)成果形式及要求：課程設(shè)計(jì)說(shuō)明書(shū)仿真結(jié)果6工作計(jì)劃及進(jìn)度：2017年12月25日 201

5、7年12月 16 日：查閱相關(guān)資料 12月17日 2018年01月02日：設(shè)計(jì)方案，編寫(xiě)程序并調(diào)試01月03日 01月05日：完成課程設(shè)計(jì)說(shuō)明書(shū)01月05日：答辯系主任審查意見(jiàn)： 簽字： 年 月 日目 錄一、設(shè)計(jì)目的1二、設(shè)計(jì)主要方案及理論介紹21、運(yùn)動(dòng)模糊退化模型22、維納濾波法恢復(fù)圖像33、圖像的復(fù)原方法MATLAB 實(shí)現(xiàn)43.1、維納濾波圖像復(fù)原MATLAB 實(shí)現(xiàn)43.2、規(guī)則化濾波（最小二乘方）圖像復(fù)原 MATLAB 實(shí)現(xiàn)53.3、Lucy-Richardson 圖像復(fù)原 MATLAB 實(shí)現(xiàn)63.4、盲去卷積圖像復(fù)原 MATLAB 實(shí)現(xiàn)7三、設(shè)計(jì)主要步驟8四、運(yùn)行結(jié)果101、圖像復(fù)原的

6、四種函數(shù)102、抖動(dòng)圖像復(fù)原12五、設(shè)計(jì)評(píng)述14六、參考文獻(xiàn)15附錄161、圖像復(fù)原的四種函數(shù)162、抖動(dòng)圖像復(fù)原19一、設(shè)計(jì)目的在人們的日常生活中，常常會(huì)接觸很多的圖像畫(huà)面，而在景物成像的過(guò)程中有可能出現(xiàn)模糊，失真，混入噪聲等現(xiàn)象，最終導(dǎo)致圖像的質(zhì)量下降，我們現(xiàn)在把它還原成本來(lái)的面目，這就叫做圖像還原。引起圖像的模糊的原因有很多，舉例來(lái)說(shuō)有運(yùn)動(dòng)引起的，高斯噪聲引起的，斑點(diǎn)噪聲引起的，椒鹽噪聲引起的等等，而圖像的復(fù)原也有很多，常見(jiàn)的例如逆濾波復(fù)原法，維納濾波復(fù)原法，約束最小二乘濾波復(fù)原法等等。它們算法的基本原理是，在一定的準(zhǔn)則下，采用數(shù)學(xué)最優(yōu)化的方法從退化的圖像去推測(cè)圖像的估計(jì)問(wèn)題。因此在不同

7、的準(zhǔn)則下及不同的數(shù)學(xué)最優(yōu)方法下便形成了各種各樣的算法。圖像在拍攝中抖動(dòng)后會(huì)模糊不清，對(duì)其復(fù)原是改善其不良狀況的最好辦法。本課題要求同學(xué)對(duì)圖像復(fù)原方法進(jìn)行研究，在此基礎(chǔ)上利用編程語(yǔ)言進(jìn)行圖像復(fù)原程序編寫(xiě)，實(shí)現(xiàn)不同復(fù)原效果的比較。在交通系統(tǒng)、刑事取證中圖像的關(guān)鍵信息至關(guān)重要，但是在交通、公安、銀行、醫(yī)學(xué)、工業(yè)監(jiān)視、軍事偵察和日常生活中常常由于攝像設(shè)備的光學(xué)系統(tǒng)的失真、調(diào)焦不準(zhǔn)或相對(duì)運(yùn)動(dòng)等造成圖像的模糊，使得信息的提取變得困難。但是相對(duì)于散焦模糊，運(yùn)動(dòng)模糊圖像的復(fù)原在日常生活中更為普遍，比如高速運(yùn)動(dòng)的違規(guī)車(chē)輛的車(chē)牌辨識(shí)，快速運(yùn)動(dòng)的人群中識(shí)別出嫌疑人、公安刑事影像資料中提取證明或進(jìn)行技術(shù)鑒定等等，這些

8、日常生活中的重要應(yīng)用都需要通過(guò)運(yùn)動(dòng)模糊圖像復(fù)原技術(shù)來(lái)盡可能地去除失真，恢復(fù)圖像的原來(lái)面目。因此對(duì)于運(yùn)動(dòng)模糊圖像的復(fù)原技術(shù)研究更具有重要的現(xiàn)實(shí)意義。圖像復(fù)原是圖像處理中一個(gè)重要的研究課題。圖像在形成、傳輸和記錄的過(guò)程中，由于傳感器的噪聲、攝像機(jī)未對(duì)好焦、攝像機(jī)與物體相對(duì)運(yùn)動(dòng)、系統(tǒng)誤差、畸變、噪聲等因素的影響，使圖像往往不是真實(shí)景物的完善影像。這種圖像在形成、傳輸和記錄過(guò)程中，由于成像系統(tǒng)、傳輸介質(zhì)和設(shè)備的不完善，使圖像質(zhì)量下降的過(guò)程稱為圖像的退化。圖像復(fù)原就是通過(guò)計(jì)算機(jī)處理，對(duì)質(zhì)量下降的圖像加以重建或恢復(fù)的過(guò)程。圖像復(fù)原過(guò)程一般為：找退化原因建立退化模型反向推演圖像復(fù)原。2、 設(shè)計(jì)主要方案及理論

9、介紹1、 運(yùn)動(dòng)模糊退化模型開(kāi)發(fā)算法時(shí)，首先要?jiǎng)?chuàng)建圖像退化的線性數(shù)學(xué)模型，接著選擇準(zhǔn)則函數(shù)，并以適當(dāng)?shù)臄?shù)學(xué)形式表達(dá)，然后進(jìn)行數(shù)學(xué)推演。推演過(guò)程中通常要進(jìn)行表達(dá)形式（即空域形式、頻域形式、矩陣-矢量形式或變換域形式）的相互轉(zhuǎn)換，最后得到圖像復(fù)原算式。退化數(shù)學(xué)模型的時(shí)域、頻域、矢量-矩陣表達(dá)形式分別是： 其中：、分別為觀測(cè)的退化圖像、模糊函數(shù)、原圖像、加性噪聲，*為卷積運(yùn)算符，（x=0,1,2，M-1），（y=0,1,2，N-1）。對(duì)勻速直線運(yùn)動(dòng)而言，退化圖像為： 其中和分別表示x和y方向的運(yùn)動(dòng)分量。并假設(shè)退化系統(tǒng)是線性移不變的，光學(xué)成像過(guò)程是完善的，快門(mén)開(kāi)關(guān)是瞬間完成的。對(duì)上式進(jìn)行傅立葉變換，則得

10、頻域表達(dá)式為 其中 假設(shè)景物只在x方向勻速運(yùn)動(dòng)，在T時(shí)間內(nèi)共移動(dòng)距離是a，即，,則 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(guò)程，圖像和噪聲不相關(guān)，其中之一的均值為零，灰度估計(jì)值與退化圖像中的灰度值成線性關(guān)系。其基本思想是找到原圖像的一個(gè)估計(jì)，使得估計(jì)與原圖像之間的均方誤差在統(tǒng)計(jì)意義上最小。 其中表示數(shù)學(xué)期望，當(dāng)上式取得最小值時(shí)，所得到的估計(jì)值在頻域的表達(dá)式為： 其中是點(diǎn)擴(kuò)散函數(shù)的傅里葉變換，是退化函數(shù)的復(fù)共軛，、分別是噪聲和原圖像的功率譜。而在實(shí)際當(dāng)中，、未知，特別是，上式無(wú)法直接運(yùn)用。解決的方法之一是令等于某個(gè)常數(shù)k。上式就成了 在Matlab中有專(zhuān)門(mén)

11、的函數(shù)可以實(shí)現(xiàn)維納濾波法恢復(fù)。wn1=deconvwnr(blurred,h)，參數(shù)部分有多種選擇的方法，這個(gè)表示用真實(shí)的點(diǎn)擴(kuò)散函數(shù)進(jìn)行恢復(fù)。為了對(duì)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。3、圖像的復(fù)原方法MATLAB 實(shí)現(xiàn) MATLAB的圖像處理工具箱中提供了四種圖像復(fù)原的函數(shù)，分別利用維納濾波器（wiener）復(fù)原，規(guī)則化濾波器（regularized）復(fù)原，Lucy-Richardson方法復(fù)原和盲反卷積復(fù)原。表1 圖像復(fù)原的四種函數(shù)函數(shù)名濾波器deconvwnr用wiener濾波器實(shí)現(xiàn)圖像去模糊deconvreg用regularized濾波

12、器實(shí)現(xiàn)圖像去模糊deconvlucy用Lucy-Richardson濾波器實(shí)現(xiàn)圖像去模糊deconvbind用盲反卷積算法實(shí)現(xiàn)圖像去模糊其中deconvwnr函數(shù)求得的是最小二乘解。deconvreg函數(shù)求得的是一種約束最下二乘解，在使用此函數(shù)時(shí)若提供一些關(guān)于噪聲的參數(shù)可以減少去模糊過(guò)程中噪聲的放大作用。deconvlucy函數(shù)使用的是一種快速抑制的Lucy-Richardson方法，經(jīng)過(guò)多次迭代，采用優(yōu)化技術(shù)和泊松統(tǒng)計(jì)準(zhǔn)則，不需要函數(shù)提供模糊圖像中關(guān)于噪聲的額外參數(shù)。使用deconvbind函數(shù)時(shí)不需要知道真實(shí)的點(diǎn)擴(kuò)散函PSF，使用盲反卷積技術(shù)，只需要初始設(shè)置一個(gè)PSF參數(shù)，函數(shù)除了返回恢復(fù)

13、出的圖像外，還返回最后跌倒的點(diǎn)擴(kuò)散函數(shù)PSF。3.1 、維納濾波圖像復(fù)原MATLAB 實(shí)現(xiàn)在知道清晰圖像和噪聲頻率特性的情況下，維納濾波器被看作是一種有效的圖像復(fù)原技術(shù)，如果沒(méi)有加性噪聲，維納濾波器方法就退化為倒濾波方法。在MATLAB圖像處理工具箱中，使用deconvwnr函數(shù)來(lái)進(jìn)行維納濾波器圖像復(fù)原，deconvwnr函數(shù)的常見(jiàn)調(diào)用方法如下：J=deconvwnr（I,PSF）J=deconvwnr（I,PSF,NSR）J=deconvwnr（I,PSF,NCORR,ICORR）說(shuō)明：J=deconvwnr（I,PSF）用于復(fù)原由于 PSF 以及可能的加性噪聲卷積退化的圖像 I，該算法利用

14、圖像和噪聲的相關(guān)矩陣，從估計(jì)圖像與真實(shí)圖像之間的最小均方誤差意義上來(lái)說(shuō)是最佳的。在沒(méi)有噪聲的情況下，維納濾波器退化成理想的逆濾波器。J=deconvwnr（I,PSF,NSR）中的 NSR 是信噪功率比，NSR 可以是標(biāo)量，或者是和圖像 I一樣大小尺寸的數(shù)組，NSR 的默認(rèn)值為 0。J=deconvwnr（I,PSF,NCORR,ICORR）中的 NCORR 和 ICORR 分別是噪聲和原始圖像的自相關(guān)函數(shù)。NCORR 和 ICORR 是不超過(guò)原始圖像的尺寸和維數(shù)的任意尺寸和維數(shù)。一個(gè) N 維的NCORR 或 ICORR 數(shù)組對(duì)應(yīng)每一維的自相關(guān)，如果 PSF 為向量，則向量 NCORR 或 I

15、CORR 代表第一維的自相關(guān)函數(shù)；如果 PSF 為數(shù)組，則一維的自相關(guān)函數(shù)由 PSF 所有的非單維對(duì)稱計(jì)算推得，標(biāo)量 NCORR 或 ICORR 表示噪聲或圖像的功率。3.2、規(guī)則化濾波（最小二乘方）圖像復(fù)原 MATLAB 實(shí)現(xiàn)MATLAB 圖像工具箱子提供了 deconvreg 函數(shù)，用來(lái)完成對(duì)模糊圖像的約束最小二乘方復(fù)原。deconvreg 函數(shù)語(yǔ)法格式如下：J=deconvreg(I,PSF)J=deconvreg(I,PSF,NOISEPOWER)J=deconvreg(I,PSF,NOISEPOWER,LRANGE)J=deconvreg(I,PSF,NOISEPOWER,LRANG

16、E,REGOP) J,LAGRA=deconvreg(I,PSF,.)說(shuō)明：J=deconvreg(I,PSF)用于復(fù)原由于 PSF 以及可能的加性噪聲退化的圖像，在保持圖像平滑的條件下，該算法在估計(jì)圖像和實(shí)際圖像間的最小二乘方誤差的意義上來(lái)說(shuō)是最佳的。J=deconvreg(I,PSF,NOISEPOWER)中的 NOISEPOWER 是加性噪聲功率，默認(rèn)值是 0；J=deconvreg(I,PSF,NOISEPOWER,LRANGE)中的向量 LRANGE 制定了尋找最佳解的范圍，該算法就是在 LRANGE 的范圍內(nèi)找到最佳的拉格朗日乘數(shù)。如果 LRANGE 是標(biāo)量，算法假定LAGRA 已

17、經(jīng)給定并等于 LRANGE，此時(shí)忽略 NOISEPOWER 的值。LRANGE 默認(rèn)的范圍為le-9le9；J=deconvreg(I,PSF,NOISEPOWER,LRANGE,REGOP)中的 REGOP 是約束自相關(guān)的規(guī)則化算子。拉普拉斯算子是保持圖像平滑的默認(rèn)算子。REGOP 的維數(shù)不能超過(guò)圖像的維數(shù)，任意非單維必須與 PSF 的非單維相對(duì)應(yīng)。J,LAGRA=deconvreg(I,PSF,.)輸出復(fù)原圖像 J 以及拉格朗日乘數(shù)。3.3、Lucy-Richardson 圖像復(fù)原 MATLAB 實(shí)現(xiàn)當(dāng)已知 PSF，但對(duì)噪聲的信息知道很少或者不知道噪聲信息時(shí)，可以用 Lucy-Richar

18、dson算法得到效果較好的復(fù)原圖像。Lucy-Richardson 采用迭代法，能夠按照泊松噪聲統(tǒng)計(jì)標(biāo)準(zhǔn)求出給定 PSF 卷積后，最有可能成為輸入模糊圖像的圖像。MATLAB 提供了 deconvlucy 函數(shù)，該函數(shù)通過(guò)加速收斂的迭代算法完成圖像的復(fù)原。為了改善圖像復(fù)原的質(zhì)量，光學(xué)系統(tǒng)的特性也可以作為該函數(shù)的輸入?yún)?shù)。deconvlucy 函數(shù)的語(yǔ)法格式如下：J=deconvlucy（I,PSF）J=deconvlucy（I,PSF,NUMIT）J=deconvlucy（I,PSF,NUMIT,DAMPAR）J=deconvlucy（I,PSF,NUMIT,DAMPAR,WEIGHT）J=d

19、econvlucy（I,PSF,NUMIT,DAMPAR,WEIGHT,READOUT）J=deconvlucy（I,PSF,NUMIT,DAMPAR,WEIGHT,READOUT,SUBSMPL）說(shuō)明：J=deconvlucy（I,PSF 用于恢復(fù)由 PSF 卷積和可能的加性噪聲引起的退化的圖像。該算法基于結(jié)果復(fù)原圖像 J 的極大似然值，它是原始圖像在泊松統(tǒng)計(jì)標(biāo)準(zhǔn)下的一個(gè)實(shí)例。J=deconvlucy（I,PSF,NUMIT）中的 NUMIT 用于指定 deconvlucy 函數(shù)迭代的次數(shù)，如果不指定，默認(rèn)值為 10。J=deconvlucy（I,PSF,NUMIT,DAMPAR）中的 DA

20、MPAR 用于指定結(jié)果圖像的偏差閾值，默認(rèn)值為 0；該參數(shù)指定了在收斂過(guò)程中，結(jié)果圖像 J 與原始圖像 I 背離的程度。J=deconvlucy（I,PSF,NUMIT,DAMPAR,WEIGHT）中的 WRIGHT 表示每個(gè)像素的加權(quán)值，它記錄了每個(gè)像素反映相機(jī)記錄的質(zhì)量。J=deconvlucy（I,PSF,NUMIT,DAMPAR,WEIGHT,READOUT）中的 READOUT 制定了加性噪聲值和讀出相機(jī)噪聲值，默認(rèn)值為 0。J=deconvlucy（I,PSF,NUMIT,DAMPAR,WEIGHT,READOUT,SUBSMPL）中的 SUBSMPL 描述了已知 PSF 時(shí)子采樣

21、次數(shù)，默認(rèn)值為 1。3.4、盲去卷積圖像復(fù)原 MATLAB 實(shí)現(xiàn)盲去卷積復(fù)原實(shí)在不知道 PSF 的情況下，利用原始模糊圖像，同時(shí)顧及 PSF 和清晰圖像的一種恢復(fù)方法。MATLAB 提供了盲去卷積復(fù)原函數(shù) deconvblind，該函數(shù)的語(yǔ)法格式如下：J,PSF= deconvblind（I,INITPSF） J,PSF= deconvblind（I,INITPSF,NUMIT）J,PSF= deconvblind（I,INITPSF,NUMIT,DAMPAR） J,PSF= deconvblind（I,INITPSF,NUMIT,DAMPAR,WEIGHT）J,PSF=deconvblind

22、（I,INITPSF,NUMIT,DAMPAR,WEIGHT,READOUT） J,PSF=deconvblind(.FUN,P1,P2,.,PN)說(shuō)明：J,PSF= deconvblind（I,INITPSF）利用最大似然算法去卷積圖像 I，返回復(fù)原圖像 J和復(fù)原的 PSF。INITPSF 表示 PSF 的估計(jì)值；參數(shù) NUMIT 用于指定迭代的次數(shù)，默認(rèn)值為 10；參數(shù) DAMPAR 用于指定結(jié)果圖像的偏差閾值，默認(rèn)值為 0；參數(shù) WEIGHT 制定了在圖像復(fù)原中，采用輸入圖像 I 的哪些像素。參數(shù) READOUT 用于指定相應(yīng)的加性噪聲值和讀出相機(jī)的噪聲值，默認(rèn)為 0。J,PSF=dec

23、onvblind(.FUN,P1,P2,.,PN)中的 FUN 是一個(gè)描述 PSF 附加約束的函數(shù)。3、 設(shè)計(jì)主要步驟1、新建工程2、編寫(xiě)程序3、運(yùn)行程序4、截取結(jié)果四、運(yùn)行結(jié)果1、 圖像復(fù)原的四種函數(shù)圖1 維納濾波復(fù)原圖2 規(guī)則化濾波復(fù)原圖3 Lucy-Richardson復(fù)原圖4 盲目去卷積復(fù)原2、 抖動(dòng)圖像復(fù)原圖5 模糊圖像圖6 圖像復(fù)原圖7 盲去卷積復(fù)原圖8 盲去卷積復(fù)原函數(shù)五、設(shè)計(jì)評(píng)述本次課程設(shè)計(jì)簡(jiǎn)要介紹了圖像退化的模型，圖像復(fù)原的概念，幾種常用的圖像復(fù)原的方法，以及利用MATLAB實(shí)現(xiàn)圖像復(fù)原的幾個(gè)例子。簡(jiǎn)單的講述了MATLAB在圖像復(fù)原中的應(yīng)用。圖像復(fù)原是圖像處理領(lǐng)域一個(gè)具有現(xiàn)實(shí)

24、意義的課題，運(yùn)動(dòng)模糊圖像越來(lái)越受到關(guān)注，這種模糊是成像過(guò)程中普遍存在的問(wèn)題其復(fù)原在許多領(lǐng)域都有廣泛的應(yīng)用。復(fù)原復(fù)原需要相對(duì)應(yīng)的退化模型知識(shí)重建或恢復(fù)原始的圖像。也就是說(shuō)圖像復(fù)原技術(shù)就是要將圖像退化的過(guò)程模型化，并由此采取相反的過(guò)程，以得到原圖像。本次課程設(shè)計(jì)介紹了圖像退化的原因并且簡(jiǎn)要介紹了當(dāng)前主流的圖像復(fù)原方法，并通過(guò)對(duì)各種復(fù)原方法的仿真，了解了各種方法的優(yōu)劣性，為我們?cè)趯?shí)際生活提供依據(jù)。但是無(wú)論是哪一種方法都有所局限性，我們應(yīng)該努力致力于研究新型的優(yōu)秀的圖像復(fù)原方法，來(lái)獲得更好的圖像復(fù)原效果。同時(shí)，我們知道算法利用的信息越多信息的準(zhǔn)確性越高，則復(fù)原圖像的質(zhì)量就越高。而且采用MATLAB實(shí)現(xiàn)

25、圖像恢復(fù)，通過(guò)幾條簡(jiǎn)單的MATLAB命令就可完成一大串高級(jí)計(jì)算機(jī)語(yǔ)言才能完成的任務(wù),簡(jiǎn)捷明快。大多數(shù)圖像處理模型是可以通過(guò)使用MATLAB的基本函數(shù)通過(guò)編程實(shí)現(xiàn)的。六、參考文獻(xiàn)1陳波.一種新的運(yùn)動(dòng)模糊圖像恢復(fù)方法J.深圳:深圳大學(xué)數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院,2008.2劉剛,王立香,董延.MATLAB數(shù)字圖像處理M.機(jī)械工業(yè)出版社,2010.3康實(shí).MATLAB的圖像處理工具箱中圖像復(fù)原函數(shù)的比較J.廣州:廣東交通職業(yè)技術(shù)學(xué)院,2006.4徐志影,李晉平.MATLAB及其在圖像處理中的應(yīng)用J.徐州:中國(guó)礦業(yè)大學(xué)資源學(xué)院,2003.5朱光明.數(shù)字信號(hào)分析與處理.陜西：陜西人民教育出版社，2003.6羅

26、鵬飛.隨機(jī)信號(hào)分析與處理.北京：清華大學(xué)出版社，2006.7徐飛，施曉紅.應(yīng)用圖像處理.西安：西安電子科技大學(xué)出版社，2002.8章毓晉.圖像處理和分析M.清華大學(xué)出版社.附錄1、圖像復(fù)原的四種函數(shù)%維納濾波復(fù)原I=checkerboard(8); noise=0.1*randn(size(I); PSF=fspecial(motion,21,11); Blurred=imfilter(I,PSF,circular); BlurredNoisy=im2uint8(Blurred+noise); NP=abs(fftn(noise).2; NPOW=sum(NP(:)/numel(noise);

27、 NCORR=fftshift(real(ifftn(NP); IP=abs(fftn(I).2; IPOW=sum(IP(:)/numel(noise); ICORR=fftshift(real(ifftn(IP); ICORR1=ICORR(:,ceil(size(I,1)/2); NSR=NPOW/IPOW; figure(1),subplot(221);imshow(BlurredNoisy,); title(模糊和噪聲圖像); subplot(222);imshow(deconvwnr(BlurredNoisy,PSF,NSR),); title(deconbwnr(A,PSF,NS

28、R); subplot(223);imshow(deconvwnr(BlurredNoisy,PSF,NCORR,ICORR),); title(deconbwnr(A,PSF,NCORR,ICORR); %規(guī)則化濾波復(fù)原I=checkerboard(8); PSF=fspecial(gaussian,7,10); V=.01; BlurredNoisy=imnoise(imfilter(I,PSF),gaussian,0,V); NOISEPOWER=V*numel(I); J LAGRA=deconvreg(BlurredNoisy,PSF,NOISEPOWER);figure(2),su

29、bplot(221);imshow(BlurredNoisy); title(A=Blurred and Noisy); subplot(222);imshow(J); title(J LAGRA=deconvreg(A,PSF,NP); subplot(223);imshow(deconvreg(BlurredNoisy,PSF,LAGRA/10); title(deconvreg(A,PSF,0.1*LAGRA); subplot(224);imshow(deconvreg(BlurredNoisy,PSF,LAGRA/10); title(deconvreg(A,PSF,10*LAGRA

30、); %Lucy-Richardson復(fù)原濾波I=checkerboard(8); PSF=fspecial(gaussian,7,10); V=.0001; BlurredNoisy=imnoise(imfilter(I,PSF),gaussian,0,V); WT=zeros(size(I); WT(5:end-4,5:end-4)=1; J1=deconvlucy(BlurredNoisy,PSF); J2=deconvlucy(BlurredNoisy,PSF,20,sqrt(V); J3=deconvlucy(BlurredNoisy,PSF,20,sqrt(V),WT); figu

31、re(3),subplot(221);imshow(BlurredNoisy); title(A=Blurred and Noisy); subplot(222);imshow(J1); title(deconvlucy(A,PSF); subplot(223);imshow(J2); title(deconvlucy(A,PSF,NI,DP); subplot(224);imshow(J3); title(deconvlucy(A,PSF,NI,DP,WT); %盲目去卷積復(fù)原I=checkerboard(8); PSF=fspecial(gaussian,7,10); V=.0001; B

32、lurredNoisy=imnoise(imfilter(I,PSF),gaussian,0,V); WT=zeros(size(I);WT(5:end-4,5:end-4)=1; INITPSF=ones(size(PSF);FUN=inline(PSF+P1,PSF,P1); J P=deconvblind(BlurredNoisy,INITPSF,20,10*sqrt(V),WT,FUN,0); figure(4),subplot(221);imshow(BlurredNoisy);title(A=Blurred and Noisy); subplot(222);imshow(PSF,)

33、;title(True PSF); subplot(223);imshow(J);title(Deblured Image); subplot(224);imshow(P,); 2、抖動(dòng)圖像復(fù)原clear all;clc; I=imread(C:Users47260Desktop0.gif);figure(1),subplot(221);imshow(I);title(原始圖像);PSF=fspecial(gaussian,7,10);Blurred=imfilter(I,PSF,symmetric,conv);subplot(222);imshow(Blurred);title(模糊圖像);H=fspecial(motion,20,45);MotionBlur=imfilter(I,H,replicate);subplot(223)