畢業(yè)設(shè)計（論文）-圖像復(fù)原基本方法的研究

畢業(yè)設(shè)計說明書(論文)作者:學(xué)號：系：專業(yè):題目:圖像復(fù)原基本方法的研究指導(dǎo)者：(姓名)(專業(yè)技術(shù)職務(wù))評閱者：(姓名)(專業(yè)技術(shù)職務(wù))2012年5月畢業(yè)設(shè)計（論文）評語

評閱者評語：評閱者(簽字)：年月日答辯委員會（小組）評語：答辯委員會（小組）負責(zé)人(簽字)：年月日畢業(yè)設(shè)計說明書（論文）中文摘要圖像是人類視覺的基礎(chǔ)，給人具體而直觀的作用。圖像的數(shù)字化包括取樣和量化兩個步驟。數(shù)字圖像處理就是將圖像信號轉(zhuǎn)換成數(shù)字格式，并利用計算機進行加工和處理的過程。圖像復(fù)原是圖像處理中的一個重要問題，對于改善圖像質(zhì)量具有重要的意義。解決該問題的關(guān)鍵是對圖像的退化過程建立相應(yīng)的數(shù)學(xué)模型，然后通過求解該逆問題獲得圖像的復(fù)原模型并對原始圖像進行合理估計。本論文主要介紹了圖像退化的原因、圖像復(fù)原技術(shù)的分類和目前常用的幾種圖像復(fù)原方法，詳細的介紹了維納濾波、正則濾波、LR算法和盲去卷積，并通過Matlab軟件對這四種圖像復(fù)原的方法進行了仿真及比較。關(guān)鍵詞圖像退化圖像復(fù)原維納濾波正則濾波LR算法盲去卷積Matlab畢業(yè)設(shè)計說明書（論文）外文摘要TitleStudyonTheBasicMethodsofImageRestorationAbstractImageisthefoundationofhumanvisual,andgivesapersontheeffectsofconcreteandintuitive.Thedigitalimagesincludingtwostepsofthesamplingandquantification.Digitalimageprocessingistotransformtheimageintoadigitalformat,andusethecomputertoprocessanddealwithitatthesametime.Imagerestorationisaveryimportantissueinimageprocessing,andisofgreatsignificancetoimproveimagequality.Thekeytosolvetheproblemistoestablishcorrespondingmathematicalmodelofimagedegradationprocess,andthenobtaintheimagerestorationmodelbysolvingtheinverseproblemandgetareasonableestimationoftheoriginalimage.Thispaperfocusesonthecausesoftheimagedegradation,theclassificationofimagerestorationtechnologyandsomemethodsofimagerestorationwhicharewidelyusednow,thenintroduceWienerfiltering,Regularfiltering,LRalgorithmandblind-convolution,andmakeaprocessofsimulationandcomparisonofthefourmethodsofimagerestorationthroughthesoftwareMatlabfinally.KeywordsImageDegradationImageRestorationWienerFilteringRegularFilteringLRAlgorithmBlind-convolutionMatlab本科畢業(yè)設(shè)計說明書（論文）第Ⅰ頁共Ⅰ頁目次TOC\o"1-2"\u1緒論 11.1圖像復(fù)原的來源和發(fā)展 11.2圖像復(fù)原的基本思想 21.3圖像復(fù)原的應(yīng)用 21.4圖像復(fù)原方法的分類 21.5圖像復(fù)原的主要方法 21.6本課題研究的內(nèi)容 32圖像復(fù)原方法概述 42.1圖像復(fù)原的核心理論 42.2 圖像質(zhì)量的客觀評價 72.3Matlab在圖像復(fù)原中的應(yīng)用 82.4 本章小結(jié) 93幾種較經(jīng)典的復(fù)原方法介紹 103.1維納濾波 103.2正則濾波法 113.3 Lucy-Richardson算法 113.4 盲去卷積 123.5 本章小結(jié) 124Matlab仿真 134.1維納濾波和正則濾波的仿真 134.2 LR算法和盲去卷積的仿真 164.3 常用圖像復(fù)原方法的比較 214.4 本章小結(jié) 215盲去卷積 235.1盲去卷積的設(shè)計思想及流程圖 235.2盲去卷積對灰度噪聲圖像的復(fù)原仿真 235.3盲去卷積對彩色噪聲圖像的復(fù)原仿真 255.4本章小結(jié) 27結(jié)論 28致謝 29參考文獻 30本科畢業(yè)設(shè)計說明書（論文）第8頁共30頁1緒論復(fù)原的目的是在預(yù)定義的意義上改善給定的圖像。復(fù)原通過使用退化現(xiàn)象的先驗知識試圖重建或恢復(fù)一幅退化的圖像。因此，復(fù)原技術(shù)趨向于將退化模型化并用相反的處理來恢復(fù)原圖像。1．1圖像復(fù)原的來源和發(fā)展在獲取圖像的過程中，由于光學(xué)系統(tǒng)的像差、光學(xué)成像的衍射、成像系統(tǒng)的的非線性畸變、記錄介質(zhì)的非線性、成像過程的相對運動、環(huán)境隨機噪聲等影響，會使觀測圖像和真實圖像之間不可避免的存在偏差和失真。這種圖像質(zhì)量下降的情況在實際應(yīng)用中都會遇到，如宇航衛(wèi)星、航空測繪、遙感、天文學(xué)中所得的圖片。由于大氣湍流、光學(xué)系統(tǒng)的像差以及攝像機與物體間的相對運動會使圖像降質(zhì)；X射線成像系統(tǒng)由于X射線散布會使醫(yī)學(xué)上所得的照片分辨率和對比度下降；電子透鏡的球面像差往往會降低電子顯微照片的質(zhì)量等等[1]。通常，稱由于這些因素引起的質(zhì)量下降為圖像退化。圖像退化的典型表現(xiàn)是圖像出現(xiàn)模糊、失真，出現(xiàn)附加噪聲等。由于圖像的退化，在圖像接受端顯示的圖像已不再是傳輸?shù)脑紙D像，圖像效果明顯變差。為此，必須對退化的圖像進行處理，才能恢復(fù)出真實的原始圖像，這一過程就稱為圖像復(fù)原。圖像復(fù)原是一種改善圖像質(zhì)量的處理技術(shù)，是圖像處理研究領(lǐng)域中的熱點問題，與圖像增強等其他基本圖像處理技術(shù)類似，也是以獲取視覺質(zhì)量某種程度的改善為目的，所不同的是圖像復(fù)原過程實際上是一個估計過程，需要根據(jù)某些特定的圖像退化模型，對退化圖像進行復(fù)原。簡言之，圖像復(fù)原的處理過程就是對退化圖像品質(zhì)的提升，并通過圖像品質(zhì)的提升來達到圖像在視覺上的改善[2]。早期的圖像復(fù)原是利用光學(xué)的方法對失真的觀測圖像進行校正，而數(shù)字圖像復(fù)原技術(shù)最早則是從對天文觀測圖像的后期處理中逐步發(fā)展起來的[3]。其中一個成功例子是NASA的噴氣推進實驗室在1964年用計算機處理有關(guān)月球的照片。照片是在空間飛行器上用電視攝像機拍攝的，圖像的復(fù)原包括消除干擾和噪聲，校正幾何失真和對比度損失以及反卷積。另一個典型的例子是對肯尼迪遇刺事件現(xiàn)場照片的處理。由于事發(fā)突然，照片是在相機移動過程中拍攝的，圖像復(fù)原的主要目的就是消除移動造成的失真。隨著數(shù)字信號處理和圖像處理的發(fā)展，新的復(fù)原算法不斷出現(xiàn)，在應(yīng)用中可以根據(jù)具體情況加以選擇。1．2圖像復(fù)原的基本思想圖像復(fù)原試圖利用退化圖像的某種先驗知識來重建或復(fù)原被退化的圖像，因此圖像復(fù)原可以看成圖像退化的逆過程，是將圖像退化的過程加以估計，建立退化的數(shù)學(xué)模型后，補償退化過程造成的失真，以便獲得未經(jīng)干擾退化的原始圖像或原始圖像的最優(yōu)估值，從而改善圖像質(zhì)量[4]。1．3圖像復(fù)原的應(yīng)用在天文成像領(lǐng)域中，地面上的成像系統(tǒng)由于受到射線以及大氣的影響，會造成圖像的退化。在太空的成像系統(tǒng)中，由于宇宙飛船的速度遠遠快于相機快門的速度，也會造成運動模糊。此外噪聲的影響也不可忽略。因此，必須對所得到的圖像進行處理盡可能恢復(fù)原本的面目，才能提取更多有用的信息。在醫(yī)學(xué)領(lǐng)域，圖像復(fù)原被用來濾除X光照片上的顆粒噪聲和去除核磁共振成像上的加性噪聲。另一個正在發(fā)展的領(lǐng)域是定量放射自顯影，用以提高其分辨率。在軍事公安領(lǐng)域，如巡航導(dǎo)彈地形識別，測試雷達的地形偵察，指紋自動識別，手跡、印章、人像的鑒定識別，過期檔案文字的識別等[5]。在圖像及視頻編碼領(lǐng)域，隨著高斂低速圖像編碼技術(shù)的發(fā)展，人為圖像缺陷如方塊效應(yīng)的解決必須采用圖像復(fù)原技術(shù)等。其他領(lǐng)域，隨著寬帶通信技術(shù)的發(fā)展，電視電話、遠程診斷等都進入我們的生活，而所有的這些技術(shù)都高度依賴于圖像質(zhì)量。1．4圖像復(fù)原方法的分類圖像復(fù)原算法有線性和非線性兩類。線性算法通過對圖像進行逆濾波來實現(xiàn)反卷積，這類方法方便快捷，無需循環(huán)或迭代，能夠直接得到反卷積結(jié)果，然而，它有一些局限性，比如無法保證圖像的非負性。而非線性方法通過連續(xù)的迭代過程不斷提高復(fù)原質(zhì)量，直到滿足預(yù)先設(shè)定的終止條件，結(jié)果往往令人滿意。但是迭代程序?qū)е掠嬎懔亢艽螅瑘D像復(fù)原時耗較長，有時甚至需要幾個小時。所以實際應(yīng)用中還需要對兩種處理方法綜合考慮，進行選擇[6]。1．5圖像復(fù)原的主要方法1.5.1維納濾波法是由Wiener首先提出的，應(yīng)用于一維信號處理，取得了很好的效果。之后，維納濾波法被用于二維信號處理，也取得了不錯的效果，尤其在圖像復(fù)原領(lǐng)域，由于維納濾波計算量小，復(fù)原效果好，從而得到了廣泛的應(yīng)用和發(fā)展。1.5.2另一個容易實現(xiàn)線性復(fù)原的方法稱為約束的最小二乘方濾波，在IPT中稱為正則濾波，并且通過函數(shù)deconvreg來實現(xiàn)。Lucy-Richardson算法LR算法是一種迭代非線性復(fù)原算法，它是從最大似然公式印出來的，圖像用泊松分布加以模型化的。1.5.4盲在圖像復(fù)原過程中，最困難的問題之一是，如何獲得PSF的恰當(dāng)估計。那些不以PSF為基礎(chǔ)的圖像復(fù)原方法統(tǒng)稱為盲去卷積。它以MLE為基礎(chǔ)的，即一種用被隨機噪聲所干擾的量進行估計的最優(yōu)化策略[7]。1．6本課題研究的內(nèi)容圖像復(fù)原技術(shù)在實際生活中有著很廣泛的應(yīng)用。常用的幾種圖像復(fù)原方法，如維納濾波法、正則濾波法、LR算法、盲去卷積等，它們都有自己的特點，也都能滿足一定條件下對退化圖像的處理，但是并不清楚哪種算法是最實用的。本課題將對各種算法進行深入分析并通過MATLAB仿真實驗，觀察對模糊和噪聲圖像的復(fù)原結(jié)果來解答這個問題，得到的結(jié)果對人們的圖像復(fù)原技術(shù)方法的選取會有很大的幫助。本文第二章對圖像復(fù)原方法進行了深入的介紹，詳細介紹了其核心理論及Matlab在圖像復(fù)原技術(shù)中的應(yīng)用。本文第三章從理論上簡單介紹了常用的幾種圖像復(fù)原方法：維納濾波、正則濾波、LR算法、盲去卷積。本文第四章利用Matlab軟件對介紹的圖像復(fù)原方法進行了兩組仿真，分別是維納濾波和正則濾波、LR算法和盲去卷積，并在該章的最后比較了這四種復(fù)原方法的特點。本文第五章對盲去卷積進行了介紹，并利用該算法對灰度噪聲圖像和彩色噪聲圖像進行了仿真。從全文結(jié)構(gòu)上看，第二、三章介紹了常用的圖像復(fù)原的方法，為后續(xù)章節(jié)打下了基礎(chǔ)；第四、五章為本課題的主要設(shè)計部分，并通過仿真對復(fù)原方法的原理進行驗證。2圖像復(fù)原方法概述2．1圖像復(fù)原的核心理論2.1.1圖像復(fù)原也稱圖像恢復(fù)，是圖像處理中的一大類技術(shù)。所謂圖像復(fù)原，是指去除或減輕在獲取數(shù)字圖像過程中發(fā)生的圖像質(zhì)量下降。這些退化包括由光學(xué)系統(tǒng)、運動等等造成圖像的模糊，以及源自電路和光度學(xué)因素的噪聲。圖像復(fù)原的目標是對退化的圖像進行處理，使它趨向于復(fù)原成沒有退化的理想圖像。成像過程的每一個環(huán)節(jié)（透鏡，感光片，數(shù)字化等等）都會引起退化。在進行圖像復(fù)原時，既可以用連續(xù)數(shù)學(xué)，也可以用離散數(shù)學(xué)進行處理。其次，處理既可在空間域，也可在頻域進行。影響圖像質(zhì)量的因素主要有下面一些：圖像捕獲過程中鏡頭發(fā)生了移動，或者暴光時間過長；場景位于焦距以外、使用了廣角鏡、大氣干擾或短時間的暴光導(dǎo)致捕獲到的光子減少；供焦顯微鏡中出現(xiàn)散光變形[8]。典型的圖像復(fù)原方法往往是在假設(shè)系統(tǒng)的點擴散函數(shù)（PSF）為已知，并且常需假設(shè)噪聲分布也是已知的情況下進行推導(dǎo)求解的，采用各種反卷積處理方法，如逆濾波等，對圖像進行復(fù)原。然而隨著研究的進一步深入，在對實際圖像進行處理的過程時，許多先驗知識（包括圖像及成像系統(tǒng)的先驗知識）往往并不具備，于是就需要在系統(tǒng)點擴散函數(shù)未知的情況下，從退化圖像自身抽取退化信息，僅僅根據(jù)退化圖像數(shù)據(jù)來還原真實圖像，這就是盲目圖像復(fù)原（BlindImageRestoration）所要解決的問題。由于缺乏足夠的信息來唯一確定圖像的估計值，盲目圖像復(fù)原方法需要利用有關(guān)圖像信號、點擴散函數(shù)和高斯噪聲的已知信息和先驗知識，結(jié)合一些附加信息，對噪聲模糊圖像的盲復(fù)原以及振鈴的消除問題的解形成約束條件，而盲目圖像復(fù)原就是在滿足這些約束條件的前提下，求取真實圖像在某種準則下的最佳估計值[9]。2.1.圖像復(fù)原在實際中的應(yīng)用非常廣泛，算法也比較多。在應(yīng)用中我們要把握兩點：一時盡可能地從物理原理上估準圖像的點擴展函數(shù)，因為只有退化模型準確，才有可能復(fù)原出圖像本來的面目；二是盡可能地嘗試多種方法。否則我們應(yīng)當(dāng)從多個方法來觀察圖像的復(fù)原效果，選擇結(jié)果最好的。由此可以了解到退化模型的重要性，如果退化模型很準確，對圖像的復(fù)原是很有好處的，接下來將會介紹退化模型的概念。圖像的復(fù)原就是要盡可能恢復(fù)退化圖像的本來面目，它是沿圖像降質(zhì)的逆向過程進行。典型的圖像復(fù)原是根據(jù)圖像退化的先驗知識建立一個退化模型，以此模型為基礎(chǔ)，采用各種逆退化處理方法進行恢復(fù)，使圖像質(zhì)量得到改善。可見，圖像復(fù)原主要取決于對圖像退化過程的先驗知識所掌握的精確程度。圖像復(fù)原的一般過程：分析退化原因——建立退化模型——反映推演——恢復(fù)圖像。所以圖像恢復(fù)一般要分兩步：首先通過系統(tǒng)辨識方法求解，然后采用相應(yīng)算法由模糊圖像和點擴展函數(shù)來恢復(fù)。圖像復(fù)原處理的關(guān)鍵問題在于建立退化模型。在用數(shù)學(xué)方法描述圖像時，它的最普遍的數(shù)學(xué)表達式：（2.1）這樣一個表達式可以代表一幅活動的、彩色的立體圖像。當(dāng)研究的是靜止的、單色的、平面的圖像時，則其數(shù)學(xué)表達式就簡化為（2.2）基于這樣的數(shù)學(xué)表達式，可建立如圖2.1所示的退化模型。由圖2.1的模型可見，一幅純凈的圖像是由于通過了一個系統(tǒng)H及加性噪聲而使其退化為一幅圖像的。圖2.1圖像退化模型圖像復(fù)原可以看成是一個估計過程。如果已經(jīng)給出了退化圖像并估計出系統(tǒng)參數(shù)，從而可近似地恢復(fù)。這里，是一種統(tǒng)計性質(zhì)的噪聲信息。當(dāng)然，為了對處理結(jié)果做出某種最佳的估計，一般應(yīng)首先明確一個質(zhì)量標準。根據(jù)圖像的退化模型及復(fù)原的基本過程可見，復(fù)原處理的關(guān)鍵在于對系統(tǒng)的基本了解。就一般而言，系統(tǒng)是某些元件或部件以某種方式構(gòu)造而成的整體，整個過程如圖2.2所示：圖2.2圖像的退化/復(fù)原過程模型對于退化圖像： (2.3)如果上式中，，，按相同間隔采樣，產(chǎn)生相應(yīng)的陣列、、、，然后將這些陣列補零增廣得到大小為的周期延拓陣列，為了避免重疊誤差，這里，。由此，當(dāng)k=0,1,L,M-1;l=0,1,L,N-1時，即可得到二維離散退化模型形式：（2.4)如果用矩陣表示上式，則可寫為：（2.5)其中，,,為一個行堆疊形成的列向量，為階的塊循環(huán)矩陣。現(xiàn)實中造成圖像退化的種類很多，常見的圖像退化模型及點擴展函數(shù)有如下情景：(1)線性移動退化線性運動退化是由于目標與成像系統(tǒng)間的相對勻速直線運動形成的退化。水平方向線性移動可以用以下退化函數(shù)來描述：(2.6)式中，是退化函數(shù)的長度。在應(yīng)用中如果線性移動退化函數(shù)不在水平方向，則可類似地定義移動退化函數(shù)。(2)散焦退化當(dāng)鏡頭散焦時，光學(xué)系統(tǒng)造成的圖像退化相應(yīng)的點擴展函數(shù)是一個均勻分布的圓形光斑。此時，退化函數(shù)可表示為：(2.7)式中，R是散焦半徑。在信噪比較高的情況下，在頻域圖上可以觀察到圓形的軌跡。(3)高斯退化高斯退化函數(shù)是許多光學(xué)測量系統(tǒng)和成像系統(tǒng)最常見的退化函數(shù)。對于這些系統(tǒng)，決定系統(tǒng)點擴展函數(shù)的因素比較多。眾多因素綜合的結(jié)果往往使點擴展函數(shù)趨于高斯型。高斯退化函數(shù)可以表達為：(2.8)式中，是歸一化常數(shù)，是一個正常數(shù)，是的圓形支持域。由高斯退化函數(shù)的表達式可知，二維的高斯函數(shù)能分解為兩個一維的高斯函數(shù)的乘積。圖像質(zhì)量的客觀評價各類數(shù)字成像技術(shù)正在飛速發(fā)展，數(shù)字圖像的清晰度日益成為衡量數(shù)字成像系統(tǒng)優(yōu)劣的重要指標，我們在進行模糊圖像復(fù)原的同時，如何判定我們復(fù)原得到的圖像是否比原圖像有所改進、清晰度有所提高，這些問題都涉及到如何客觀有效地評價數(shù)字圖像的清晰度。所以，我們在進行圖像復(fù)原工作的時候，可以把圖像質(zhì)量評價標準作為一個的課題來進行研究，針對特定類型的圖像，研究特定的圖像質(zhì)量評價標準。通過客觀的圖像質(zhì)量評定標準來判斷復(fù)原后的圖像質(zhì)量是否改善，以及改善的程度，但是，經(jīng)常出現(xiàn)這樣的情況，就是圖像清晰度在主觀視覺上有了比較明顯的改善，但是其清晰度函數(shù)的評價值卻不一定提高，或者提高得很少，所以，我們不能將清晰度評價函數(shù)值作為圖像復(fù)原的質(zhì)量的唯一評價標準，在參考復(fù)原圖像清晰度評價函數(shù)值改變的同時，還需要我們?nèi)搜鄣目陀^判斷，二者的結(jié)合才是對復(fù)原圖像效果的客觀而相對準確判斷。Matlab在圖像復(fù)原中的應(yīng)用2.3.1MATLAB語言是由美國MathWorks公司推出的計算機軟件，經(jīng)過多年的逐步發(fā)展與不斷完善，現(xiàn)已成為國際公認的最優(yōu)秀的科學(xué)計算與數(shù)學(xué)應(yīng)用軟件之一，是今年來再國內(nèi)外廣泛流行的一種可視化科學(xué)計算軟件。它集數(shù)值分析、矩陣運算、信號處理和圖形顯示于一體，構(gòu)成了一個方便的，界面友好的用戶環(huán)境，而且還具有可擴展性特征。MathWorks公司針對不同領(lǐng)域的應(yīng)用，推出了信號處理、控制系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、圖像處理、小波分析、魯棒控制非線性系統(tǒng)控制設(shè)計、系統(tǒng)辨識、優(yōu)化設(shè)計、統(tǒng)計分析、財政金融、樣條、通信等30多個具有專門功能的工具箱，這些工具箱是由該領(lǐng)域內(nèi)的學(xué)術(shù)水平較高的專家編寫的，無需用戶自己編寫所用的專業(yè)基礎(chǔ)程序，可直接對工具箱進行運用。同時，工具箱內(nèi)的函數(shù)源程序也是開放性的，多為M文件，用戶可以查看這些文件的代碼并進行更改，MATLAB支持用戶對其中的函數(shù)進行二次開發(fā)，用戶的應(yīng)用程序也可以作為新的函數(shù)添加到相應(yīng)的工具箱中。MATLAB中的數(shù)字圖像時以矩陣的形式表示的，這意味著MATLAB強大的矩陣運算能力用于圖像處理非常有利，矩陣運算的語法對MATLAB中的數(shù)字圖像同樣適用[10]。圖像處理工具箱提供一套全方位的參照標準算法和圖形工具，用于進行圖像處理、分析、可視化和算法開發(fā)?？捎闷鋵τ性雸D像或退化圖像進行去噪或還原、增強圖像以獲得更高清晰度、提取特征、分析形狀和紋理以及對兩個圖像進行匹配。工具箱中大部分函數(shù)均以開放式MATLAB語言編寫。本文對MATLAB圖像處理工具進行探索與應(yīng)用，實驗證明該軟件工具箱具有豐富的技術(shù)支持，應(yīng)用簡單效果良好。2.3.2Matlab圖像恢復(fù)函數(shù)的介紹MATLAB7.0的圖像處理工具箱提供了4個圖像恢復(fù)函數(shù)，用于實現(xiàn)圖像的恢復(fù)操作，按照其復(fù)雜程度列舉如下：deconvwnr函數(shù)：使用維納濾波恢復(fù)；deconvreg函數(shù)：使用波約束最小二乘濾波恢復(fù)；deconvlucy函數(shù)：使用Lucy-Richardson恢復(fù)；除了以上3個恢復(fù)函數(shù)外，還可以使用MATLAB自定義的恢復(fù)函數(shù)。Matlab語言對圖像進行復(fù)原處理時具有編程簡單、處理速度快的特點。本文研究了利用Matlab圖像處理工具箱函數(shù)對圖像進行增強和復(fù)原處理，取得了不同的效果，適用于不同的處理場合。本章小結(jié)本章首先介紹了圖像復(fù)原的核心理論，包括圖像復(fù)原的基本概念和退化模型，然后又介紹了圖像質(zhì)量的客觀評價方法，接著簡單的介紹了常用的四種圖像復(fù)原方法，它們分別是維納濾波、正則濾波、LR算法和盲去卷積?？偠灾?，圖像復(fù)原的算法很多，無論何種算法，原則上，它們都要依據(jù)獲取的相關(guān)信息(包括關(guān)于退化系統(tǒng)、原圖像、噪聲等的確定性信息和統(tǒng)計性信息)才能有效地實施。算法利用的信息越多，信息的準確性越高，則復(fù)原圖像的質(zhì)量就越高。盲圖像復(fù)原技術(shù)在近二十年獲得極大的重視，也是目前圖像復(fù)原研究的重要課題。對這幾種算法具體的介紹將在第三、四、五章。本章第三節(jié)介紹了Matlab軟件，簡要的介紹了該軟件在圖像復(fù)原領(lǐng)域的功能，并列出了它的圖像處理工具箱所提供的函數(shù)。本科畢業(yè)設(shè)計說明書（論文）第12頁共30頁3幾種較經(jīng)典的復(fù)原方法介紹圖像復(fù)原算法有線性和非線性兩類。線性算法通過對圖像進行逆濾波來實現(xiàn)反卷積，這類方法方便快捷，無需循環(huán)或迭代，直接可以得到反卷積結(jié)果，然而，它有一些局限性，比如無法保證圖像的非負性。而非線性方法通過連續(xù)的迭代過程不斷提高復(fù)原質(zhì)量，直到滿足預(yù)先設(shè)定的終止條件，結(jié)果往往令人滿意。但是迭代程序?qū)е掠嬎懔亢艽螅瑘D像復(fù)原時耗較長，有時甚至需要幾個小時。所以實際應(yīng)用中還需要對兩種處理方法綜合考慮，進行選擇。3.1維納濾波維納濾波法是由Wiener首先提出的，在圖像復(fù)原領(lǐng)域，由于維納濾波計算量小，復(fù)原效果好，從而得到了廣泛的應(yīng)用和發(fā)展。維納濾波最開始主要應(yīng)用在一維信號處理里，取得了比較不錯的效果。之后，維納濾波法也用于二維信號處理中，也取得了比較好的效果。維納濾波器尋找一個使統(tǒng)計誤差函數(shù)(3.1)最小的估計。E是期望值操作符，是未退化的圖像。該表達式在頻域可表示為(3.2)其中，表示退化函數(shù)且，表示的復(fù)共軛，表示噪聲的功率譜，表示未退化圖像的功率譜。比率稱為信噪功率比。在IPT中維納濾波使用函數(shù)deconvwnr來實現(xiàn)的。維納濾波能最佳復(fù)原的條件是要求已知模糊的系統(tǒng)函數(shù)，噪聲功率譜密(或其自相關(guān)函數(shù))，原圖像功率譜密度(或其自相關(guān)函數(shù))。但實際上，原圖像功率譜密度(或其自相關(guān)函數(shù))一般難以獲知，再加上維納濾波是將圖像假設(shè)為平穩(wěn)隨機場的前提下的最佳濾波，而實際的圖像通常不能滿足此前提。因此維納濾波復(fù)原算法在實際中只能獲得次最佳實施，它更多的是具有理論價值，被用作度量其他算法性能優(yōu)劣的標桿。3.2正則濾波法另一個容易實現(xiàn)線性復(fù)原的方法稱為約束的最小二乘方濾波，在IPT中稱為正則濾波，并且通過函數(shù)deconvreg來實現(xiàn)。在最小二乘復(fù)原處理中，常常需要附加某種約束條件。例如令為的線性算子，為拉格朗日乘子。那么最小二乘方復(fù)原的問題可以看成函數(shù)，服從約束條件的最小化問題，這種有附加條件的極值問題可以用拉格朗日乘數(shù)法來處理。尋找一個，使下述準則函數(shù)為最?。?3.3)式中叫拉格朗日系數(shù)。通過指定不同的，可以得到不同的復(fù)原目標?？梢园l(fā)現(xiàn)約束最小二乘復(fù)原算法不需要獲知原圖像的統(tǒng)計值，便可以有效地實施最優(yōu)估計，這點與維納濾波是不同的。正則化方法作為一種解決病態(tài)反問題的常用方法，通常用圖像的平滑性作為約束條件，但是這種正則化策略通常導(dǎo)致復(fù)原圖像的邊緣模糊。Lucy-Richardson算法前面所討論的圖像復(fù)原方法都是線性的。在感覺上它們也更“直接”，因為復(fù)原濾波一旦被指定下來，相應(yīng)的解決方法就會通過濾波器的應(yīng)用得到。這種實現(xiàn)的簡單性、適量的運算要求和容易建立的理論基礎(chǔ)，使得線性方法在很多年間都是圖像復(fù)原的一個基本工具。在過去的20年里，非線性迭代技術(shù)已經(jīng)越來越多地被人們接受，作為復(fù)原的工具，它常常獲得比線性方法更好的結(jié)果。非線性方法的主要缺陷是它們的特性常常是不可預(yù)見的，并且它們常需要獲得重要的計算資源。但是經(jīng)過這些年的發(fā)展，這些缺陷都已經(jīng)不再是問題。因為在很多應(yīng)用領(lǐng)域非線性技術(shù)都優(yōu)于線性技術(shù)，并且在過去的十年中計算能力一直在以驚人的速度增長。在工具箱中選擇的非線性方法是由Richardson和Lucy獨立開發(fā)的技術(shù)。工具箱提供的這些算法被稱為Lucy-Richardson算法。LR算法是一種迭代非線性復(fù)原算法，它是從最大似然公式印出來的，圖像用泊松分布加以模型化的。當(dāng)下面這個迭代收斂時模型的最大似然函數(shù)就可以得到一個令人滿意的方程：(3.4)*代表卷積，代表未退化圖像的估計，和和以前定義一樣。在IPT中，LR算法由deconvlucy函數(shù)完成的。盲去卷積前面幾種圖像復(fù)原方法都是在知道模糊圖像的點擴展函數(shù)的情況下進行的,而在實際應(yīng)用中，通常都要在不知道點擴展函數(shù)的情況下進行圖像復(fù)原。那些不以PSF知識為基礎(chǔ)的圖像復(fù)原方法統(tǒng)稱為盲去卷積。盲去卷積恢復(fù)就是在這種應(yīng)用背景下提出的。在過去的20年里，盲去卷積已經(jīng)受到了人們的極大重視，它是以最大似然估計(MLE)為基礎(chǔ)的，即一種用被隨機噪聲所干擾的量進行估計的最優(yōu)化策略。簡單的說，關(guān)于MLE方法的一種解釋就是將圖像數(shù)據(jù)看成是隨機量，它們與另外一族可能的隨機量之間有著某種似然性，似然函數(shù)用、和來加以表達，然后，問題就變成了尋求最大似然函數(shù)。在盲去卷積中，最優(yōu)化問題用規(guī)定的約束條件并假定收斂時通過迭代來求解，得到的最大和就是還原的圖像和PSF。MATLAB提供了deconvblind函數(shù)用于實現(xiàn)盲解卷積。盲解卷積算法一個很好的優(yōu)點就是，在對失真情況毫無先驗知識的情況下，仍然能夠?qū)崿F(xiàn)對模糊圖像的恢復(fù)操作。本章小結(jié)本章詳細的介紹了圖像復(fù)原的幾個基本方法，如維納濾波、正則濾波、LR算法和盲去卷積。對它們的原理也進行了比較充分的描述，在第四章將對這些算法進行Matlab仿真，并進行更深入的比較。本科畢業(yè)設(shè)計說明書（論文）第15頁共30頁4Matlab仿真4.1維納濾波和正則濾波的仿真4.1.維納濾波復(fù)原函數(shù)deconvwnr的調(diào)用格式：J=deconvwnr(I,PSF,NCORR,ICORR)其中，I表示輸入圖像，PSF表示點擴散函數(shù)，NSR（默認值為0）、NCORR和ICORR都是可選參數(shù)，分別表示信噪比、噪聲的自相關(guān)函數(shù)、原始圖像的自相關(guān)函數(shù)。輸出參數(shù)J表示復(fù)原后的圖像[11]。本次仿真所用的維納濾波復(fù)原源代碼：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));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;subplot(221);imshow(BlurredNoisy,[]);title('模糊和噪聲圖像');subplot(222);imshow(deconvwnr(BlurredNoisy,PSF,NSR),[]);title('deconbwnr(A,PSF,NSR)');subplot(223);imshow(deconvwnr(BlurredNoisy,PSF,NCORR,ICORR),[]);title('deconbwnr(A,PSF,NCORR,ICORR)');subplot(224);imshow(deconvwnr(BlurredNoisy,PSF,NPOW,ICORR1),[]);title('deconbwnr(A,PSF,NPOW,ICORR_1_D)');原始圖如圖4.1所示，從復(fù)原的圖像來看，因為這里采用了真實PSF函數(shù)來恢復(fù)，效果還是很好的。但是實際生活當(dāng)中大多數(shù)情況下是不知道PSF的，所以要按照具體情況具體分析，然后再恢復(fù)圖像。復(fù)原結(jié)果如圖4.2所示：圖4.1原始圖圖4.2左上圖為模糊的噪聲圖像；右上圖為逆濾波的結(jié)果；左下圖為使用自相關(guān)函數(shù)的維納濾波的結(jié)果；右下圖為使用常數(shù)比率的維納濾波的結(jié)果觀察復(fù)原圖像，可以發(fā)現(xiàn)，第二幅圖為直接逆濾波的結(jié)果，這個結(jié)果是由噪聲的效果所決定的。第三幅圖是在復(fù)原中使用自相關(guān)函數(shù)，由圖可知，所得到的結(jié)果雖然仍有一些噪聲存在，但已經(jīng)和原圖像很接近了。因為原圖像和噪聲函數(shù)都是已知的，所以可以正確的估算參量，并且該圖便是在這種情況下能夠由維納反卷積所得到的最佳結(jié)果。在實踐中，當(dāng)這些量之一（或更多）未知時，挑戰(zhàn)便是在實驗中智能地選擇所用的函數(shù)，直到獲得可接受的結(jié)果為止。第四幅圖是使用常數(shù)比率復(fù)原的結(jié)果，這種方法對直接逆濾波給出了重大的改進。4.1.正則濾波恢復(fù)函數(shù)的調(diào)用格式：J=deconvreg(I,PSF,NOISEPOWER,RANGE)。其中，I表示輸入圖像，PSF表示點擴散函數(shù)，NOISEPOWER與成比例，RANGE為值的范圍，在求解時，該算法受這個范圍的限制。默認范圍是[10-9,109](Matlab中的符號為[1e-10,1e10].同時，該函數(shù)也可以在指定的范圍內(nèi)搜索最優(yōu)的拉氏算子。利用振鈴抑制恢復(fù)圖像是3種中恢復(fù)效果最好的，其他幾種方法也可以恢復(fù)但是比較模糊，效果不是很明顯。本次仿真所用的規(guī)則化濾波復(fù)原程序源代碼：I=checkerboard(8);PSF=fspecial('gaussian',7,10);V=.01;BlurredNoisy=imnoise(imfilter(I,PSF),'gaussian',0,V);NOISEPOWER=V*numel(I);[JLAGRA]=deconvreg(BlurredNoisy,PSF,NOISEPOWER);subplot(221);imshow(BlurredNoisy);title('A=BlurredandNoisy');subplot(222);imshow(J);title('[JLAGRA]=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');原始圖如圖4.3所示：圖4.3原始圖復(fù)原結(jié)果如圖4.4所示：圖4.4左上圖為模糊的噪聲圖像；右上圖為使用參量NOISEPOWER為40的正則濾波復(fù)原的圖像；左下圖為使用參量NOISEPOWER為4的正則濾波復(fù)原的圖像；右下圖為用參量NOISEPOWER為0.4的正則濾波復(fù)原的圖像觀察圖像可知，第二幅圖相對于原圖像已有改善，但也可以明顯地看出NOISEPOWER的值并不是非常好。在對這個參數(shù)和參數(shù)RANGE進行實驗，通過把NOISEPOWER的值的量級下調(diào)一個等級，而RANGE也比默認值更加緊湊，得出第三幅和第四幅圖。LR算法和盲去卷積的仿真LR算法的仿真Lucy-Richardson算法是目前世界上應(yīng)用最廣泛的函數(shù)恢復(fù)技術(shù)之一，它是一種迭代方法。MATLAB提供的deconvlucy函數(shù)還能夠用于實現(xiàn)復(fù)雜圖像重建的多種算法中，這些算法都基于Lucy-Richardson最大化可能性算法.deconvlucy函數(shù)的調(diào)用格式：J=deconvlucy（I，PSF，NUMIT，DAMPAR，WEIGHT）其中，I表示輸入圖像，PSF表示點擴散函數(shù)。其他參數(shù)都是可選參數(shù)：NUMIT表示算法的迭代次數(shù)，默認為10次；DAMPAR是一個標量，它指定了結(jié)果圖像與原圖像I之間的偏離閾值表，默認值為0（無衰減）；WEIGHT是一個與I同樣大小的數(shù)組，它為每一個像素分配一個權(quán)重來反映其重量，表示像素加權(quán)值，默認值為原始圖像的數(shù)值。本次仿真所用的LR復(fù)原濾波源代碼：I=checkerboard(8);PSF=fspecial('gaussian',7,10);V=.0001;BlurredNoisy=imnoise(imfilter(I,PSF),'gaussian',0,V);LIM=ceil(size(PSF,1)/2);WT=zeros(size(I));WT(LIM+1:end-LIM,LIM+1:end-LIM)=1;J1=deconvlucy(BlurredNoisy,PSF,20);J2=deconvlucy(BlurredNoisy,PSF,20,sqrt(V));J3=deconvlucy(BlurredNoisy,PSF,20,sqrt(V),WT);subplot(221);imshow(BlurredNoisy);title('A=BlurredandNoisy');subplot(222);imshow(J1);title('deconvlucy(A,PSF)');subplot(223);imshow(J2);title('deconvlucy(A,PSF,20,DP)');subplot(224);imshow(J3);title('deconvlucy(A,PSF,20,DP,WT)');原始圖如圖4.5，圖4.5原始圖復(fù)原結(jié)果如圖4.6所示：圖4.6左上圖是模糊的噪聲圖像；右上圖是LR算法迭代20次的復(fù)原圖像；左下圖是衰減為0.01，迭代20次的復(fù)原圖像；右下圖是衰減為0.01，且計算出WEIGHT數(shù)組后迭代20次的復(fù)原圖像觀察復(fù)原圖像可知，第一幅圖為原圖像加上模糊和噪聲后的圖像，第二幅圖是直接用LR算法迭代20次所得到的復(fù)原圖像，不難發(fā)現(xiàn)，雖然圖像已經(jīng)稍微有些改進了，但是仍有點模糊，第三幅圖是衰減為0.01，迭代20次的復(fù)原圖像。第四幅圖是衰減為0.01，且計算出WEIGHT數(shù)組后迭代20次得到的復(fù)原圖像，并且它為對模糊和噪聲圖像的合理復(fù)原。所以當(dāng)?shù)螖?shù)相同的時候，算出WEIGHT數(shù)組能得到用LR算法復(fù)原圖像的最佳結(jié)果。事實上，進一步增加迭代次數(shù)在復(fù)原結(jié)果上并沒有顯著的改進。如圖4.7所示，該圖是衰減為0.01，并計算出WEIGHT數(shù)組后經(jīng)過50次迭代后獲得的結(jié)果。這幅圖像只比使用了20次迭代獲得的圖像稍稍清晰和明亮了一些。另外，在所有得到的結(jié)果中，細黑色邊界都是由數(shù)組WEIGHT中的0所引起的?？偟膩碚f，LR算法對圖像的復(fù)原效果是比較出色的。圖4.7迭代50次的復(fù)原圖像盲去卷積的仿真MATLAB提供了deconvblind函數(shù)用于實現(xiàn)盲解卷積。盲解卷積算法一個很好的優(yōu)點就是，在對失真情況毫無先驗知識的情況下，仍然能夠?qū)崿F(xiàn)對模糊圖像的恢復(fù)操作。deconvblind函數(shù)的調(diào)用格式：[J，PSF]=deconvblind（I，INITPSF，NUMIT，DAMPAR,WEIGHT）,其中，I表示輸入圖像，INITPSF表示PSF的估計值，NUMIT表示算法重復(fù)次數(shù)，DAMPAR表示偏差閾值，WEIGHT表示像素加權(quán)重，與LR算法中的作用相同，用來屏蔽壞像素，J表示恢復(fù)后的圖像[12]。本次仿真所用的盲去卷積算法的源代碼：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;INITPSF=ones(size(PSF));FUN=inline('PSF+P1','PSF','P1');[JP]=deconvblind(BlurredNoisy,INITPSF,20,10*sqrt(V),WT,FUN,0);subplot(221);imshow(BlurredNoisy);title('A=BlurredandNoisy');subplot(222);imshow(PSF,[]);title('TruePSF');subplot(223);imshow(J);title('DebluredImage');subplot(224);imshow(P,[]);原始圖像如圖4.8所示：圖4.8原始圖復(fù)原圖像如圖4.9所示：圖4.9左上圖為模糊的噪聲圖像；右上圖為真實的PSF；左下圖為去除模糊的復(fù)原圖像；右下圖為估計的PSF由圖可知，當(dāng)用盲去卷積算法迭代20后所得到的復(fù)原圖像是比較好的，并且當(dāng)?shù)?0次后，所估計的PSF也很接近于真實的PSF。本科畢業(yè)設(shè)計說明書（論文）第22頁共30頁常用圖像復(fù)原方法的比較本章前兩節(jié)已經(jīng)對維納濾波、正則濾波、LR算法和盲去卷積進行了仿真，對它們的復(fù)原能力有了了解。在線性復(fù)原方法中，對仿真結(jié)果的對比可以發(fā)現(xiàn)，使用自相關(guān)函數(shù)的維納濾波的復(fù)原能力要比正則濾波的結(jié)果好的多，但條件是必須已經(jīng)對噪聲和圖像譜的知識有足夠的了解。若沒有這些信息，則用兩種濾波器通過實驗得到的結(jié)果常常是可比的；在非線性復(fù)原方法中，由仿真結(jié)果的對比可知，LR算法和盲去卷積均能得到較好的復(fù)原圖像，LR算法的復(fù)原效果稍好于盲去卷積。但考慮到實際應(yīng)用，對失真情況往往沒有先驗知識，因此，盲去卷積算法的用途將會更大。它們的特點如下：1.維納濾波是一種經(jīng)典的線性解卷積方法，能有效抑制與噪聲相比可忽略的能量；2.正則濾波是線性方法，用正則濾波進行圖像恢復(fù)也可以看作約束最優(yōu)化問題，即原圖像的最優(yōu)估值。選擇正則化參數(shù)是一個非常困難的問題，正則解對正則化參數(shù)非常敏感：正則化參數(shù)太小，圖像的平滑區(qū)域仍然充滿噪聲；正則化參數(shù)太大，圖像的邊緣和紋理被模糊；3.LR算法也是比較經(jīng)典的解卷積算法，且往往能取得很理想的圖像復(fù)原結(jié)果，也跟大多數(shù)非線性方法一樣，關(guān)于什么時候停止LR算法通常很難回答；4.盲去卷積是越來越受到人們重視的一種非線性復(fù)原方法，它是一種用被隨即噪聲所干擾的量進行估計的最優(yōu)化策略，因此，在不知道點擴展函數(shù)時能有效復(fù)原圖像，而不知道點擴展函數(shù)在實際應(yīng)用中是經(jīng)常遇到的。這幾種圖像復(fù)原方法都是針對一種或某幾類圖像數(shù)據(jù)資料的具體特點而提出的，在處理實際圖像時，應(yīng)該考慮到這一點，根據(jù)圖像的具體情況來選擇較為有效的方法。在本文所討論的處理模糊和噪聲圖像中，維納濾波的復(fù)原效果最好，但是兩種非線性方法也能取得比較好的結(jié)果。但是考慮到處理實際圖像時，通常不知道點擴散函數(shù)，所以盲去卷積的應(yīng)用更廣。綜合考慮以上因素，選取盲去卷積方法來處理該類噪聲更加符合實際情況。對盲去卷積，將在第五章進行更深入的介紹。本章小結(jié)本章通過Matlab軟件對這四種常用的圖像復(fù)原方法進行了仿真，通過對復(fù)原圖像的比較，能看出它們對模糊和噪聲圖像的復(fù)原能力。本章先仿真了線性復(fù)原方法，也就是維納濾波和正則濾波，再仿真LR算法和盲去卷積這兩種非線性復(fù)原方法，在仿真的同時，也對每種算法所用的函數(shù)的調(diào)用方式進行了簡單的介紹。最后，比較了這幾種復(fù)原方法的特點。本科畢業(yè)設(shè)計說明書（論文）第27頁共30頁5盲去卷積5.1盲去卷積的設(shè)計思想及流程圖在許多實際情況下，點擴展函數(shù)難以確定，必須從觀察圖像中以某種方式抽出退化信息，找出圖像復(fù)原方法，這種方法就是圖像盲復(fù)原[13]。通常圖像盲復(fù)原過程如圖5.1所示。圖像盲復(fù)原問題可描述為通過觀測到的模糊圖像以及有關(guān)原始圖像模糊的先驗知識，獲得對原始圖像的估計。估計圖像估計圖像退化模型+模糊圖像噪聲盲復(fù)原算法原始圖像圖像和模糊的部分信息圖像和模糊的部分信息圖5.1盲復(fù)原的流程圖盲去卷積的方法是以最大似然估計(MLE)為基礎(chǔ)的，即一種用被隨機噪聲所干擾的量進行估計的最優(yōu)化策略。似然函數(shù)用、和來加以表達，然后問題就變成了尋求最大似然函數(shù)。在盲去卷積中，最優(yōu)化問題用規(guī)定的約束條件并假定收斂時通過迭代來求解，得到的最大和就是還原的圖像和PSF[14]。5.2盲去卷積對灰度噪聲圖像的復(fù)原仿真先讀取原始圖像，之后對其進行模糊化，程序段如下：I=checkerboard(8);PSF=fspecial('gaussian',7,10);V=.0001;BlurredNoisy=imnoise(imfilter(I,PSF),'gaussian',0,V);通常圖像恢復(fù)方法均在成像系統(tǒng)的點擴展函數(shù)PSF已知下進行，實際上它通常是未知的。在未知的情況下，盲去卷積是實現(xiàn)圖像恢復(fù)的有效方法。調(diào)用deconvblind函數(shù)進行恢復(fù)。以下程序段是以真實大小的INTIPS恢復(fù)圖像，同時初步重建PSF，其程序段如下：WT=zeros(size(I));WT(5:end-4,5:end-4)=1;INITPSF=ones(size(PSF));FUN=inline('PSF+P1','PSF','P1');[JP]=deconvblind(BlurredNoisy,INITPSF,20,10*sqrt(V),WT,FUN,0);subplot(221);imshow(BlurredNoisy);title('A=BlurredandNoisy');subplot(222);imshow(PSF,[]);title('TruePSF');subplot(223);imshow(J);title('DebluredImage');subplot(224);imshow(P,[]);對圖像使用定義的WEIGHT數(shù)組對圖像進行重建，得到恢復(fù)結(jié)果。該算法同時恢復(fù)了圖像和點擴散函數(shù)，在對失真情況毫無先驗知識的情況下，仍能實現(xiàn)對模糊圖像的恢復(fù)操作。利用Matlab實現(xiàn)的圖像恢復(fù)，并對恢復(fù)圖像的失真情況做了改善。在進行圖像恢復(fù)時，重建PSF，對圖像進行重建，得到恢復(fù)的圖像。原始圖像如圖5.2所示：圖5.2原始圖復(fù)原圖像如圖5.3所示：圖5.3左上圖為模糊的噪聲圖像；右上圖為真實的PSF；左下圖為去除模糊的復(fù)原圖像；右下圖為估計的PSF5.3盲去卷積對彩色噪聲圖像的復(fù)原仿真對彩色圖像進行模糊，增加加性噪聲，最后利用盲去卷積進行恢復(fù)。源代碼如下：I=imread('colour.tif');figure;imshow(I);title('原始圖像');PSF=fspecial('motion',13,45);figure;imshow(PSF,[],'notruesize');title('初始psf');Blurred=imfilter(I,PSF,'circ','conv');figure;imshow(Blurred);title('模糊后圖像');INITPSF=ones(size(PSF));[JP]=deconvblind(Blurred,INITPSF,30);figure;imshow(J);title('恢復(fù)后圖像');figure;imshow(P,[],'notruesize');title('恢復(fù)PSF');WEIGHT=edge(I,'sobel',.28);se1=strel('disk',1);se2=strel('line',13,45);WEIGHT=~imdilate(WEIGHT,[se1se2]);weight=padarray(WEIGHT(2:end-1,2:end-1),[22]);%%保存圖像imwrite(I,'ex0608_1.bmp','bmp');imwrite(PSF,'ex0608_2.bmp','bmp');imwrite(Blurred,'ex0608_3.bmp','bmp');imwrite(J,'ex0608_4.bmp','bmp');imwrite(P,'ex0608_5.bmp','bmp');imwrite(WEIGHT,'ex0608_6.bmp','bmp');imwrite(J2,'ex0608_7.bmp','bmp');imwrite(P2,'ex0608_8.bmp','bmp');復(fù)原結(jié)果如圖5.4所示：（a）(b)