数字图像处理课件封筠.ppt

1,:6621/User:Student.feng2006.4,数字图像处理DigitalImageProcessing,主讲人：封筠,石家庄铁道学院计算机系,2,5.1概述5.2退化模型5.3无约束恢复（逆滤波）5.4有约束恢复（维纳滤波）5.5几何失真校正5.6投影重建,第5章图像恢复与重建（ImageRestorationandRestruction）,3,5.1概述,图像的退化,退化的形成成像系统受各种因素的影响，导致了图像质量的降低，或者说是退化。由于获得图像的方法不同（光学、光电子或电子等），有多种退化形式，如传感器噪声、摄像机未聚焦、物体与摄像机之间的相对移动、随机大气湍流、光学系统的像差、成像光源和射线的散射等，都使成像的分辨率和对比度退化。降质举例宇航、卫星、航空测绘、遥感、天文学中所得照片，拍摄运动物体所得图像等,4,5.1概述,图像的退化,主要表现形式可分为图像模糊和图像受到干扰。模糊是成像系统造成图像退化的典型现象。,5,5.1概述,图像恢复与图像增强异同,相同点都是要得到在某种意义上改进的图像。不同点（1）图像增强：用适当方式改善图像质量，增强图像的视觉效果，以适应人眼的视觉和心理，不用考虑增强处理后的图像是否符合原有图像，是否失真。主观标准（2）图像恢复：试图利用退化过程的先验知识（退化模型），去恢复已被退化图像的本来面目。客观标准,6,5.1概述,图像恢复,基本思路根据图像降质过程的某些先验知识，建立“退化（降质）数学模型”，运用和退化相反的过程，将退化图像恢复（即根据该模型对退化图像进行拟合）。模型可以用连续数学和离散数学处理，处理项的实现可在空间域卷积，或在频域相乘。,7,5.1概述,图像恢复,准则要用某一客观标准来度量，则为某种准则下的最优估计。,8,5.1概述,图像恢复,分类（1）在给定模型条件下，可分为无约束和有约束两大类；（2）根据是否需要外来干预，可分为自动和交互两大类；（3）根据处理所在的域，可分为频域和空域两大类。推广（1）对在图像采集过程中产生的几何失真（畸变）进行校正。几何失真看作退化，校正看作恢复；（2）根据对物体的多个投影重建图像。投影看作退化，重建图像看作恢复。,9,5.1概述,图像恢复,举例,10,5.1概述,图像恢复,运动模糊,11,5.1概述,图像恢复,噪声,12,5.1概述,图像恢复,大气湍流,13,5.1概述,图像恢复,考古,与玩魔方关系？,14,5.2退化模型,简单的通用图像退化模型,图像退化过程被模型化为1个作用在输入图像f(x,y)上的系统H。H与1个加性噪声n(x,y)的联合作用导致产生退化图像g(x,y)。根据这个模型恢复图像就是要在给定g(x,y)和代表退化的H基础上，得到对f(x,y)的某个近似的过程。这里假设已知n(x,y)的统计特性。输入输出具有如下关系：g(x,y)=Hf(x,y)+n(x,y)主要退化原因在H,H是系统的传递函数。,f(x,y),H,+,g(x,y),n(x,y),15,5.2退化模型,简单的通用图像退化模型,系统H的线性时（空间）不变性：为了方便描述成像系统，通常把成像系统看作一个线性系统。实际上，物体成像系统总存在非线性。但是，如果这种非线性失真不至于引起明显误差，或者能局部满足线性性质，即使是完全的非线性系统，用线性系统近似描述也是通常的可行方法。,16,5.2退化模型,连续函数的退化模型,一维冲激函数延时取样卷积取样,17,5.2退化模型,连续函数的退化模型,二维卷积取样二维连续退化模型,其中h(x,y)是系统H的冲激响应，在光学上称点扩散函数（PointSpreadFunction,简称PSF）,18,5.2退化模型,连续函数的退化模型,对于线性时不变系统，退化模型可表示为：,时域频域,若我们已知h和n，经过反演运算，可以得到一个近似于原图像的复原图像，它是f(x,y)的最佳估计,故求f(x,y)的最佳估计的过程就是图像恢复。,19,5.2退化模型,离散的退化模型,为便于计算机实现，需将退化模型离散化。,一维卷积对f(x)及h(x)均匀采样，样本数分别为A及B，即f(x)x=0,1,A-1h(x)x=0,1,B-1可借助卷积计算g(x)。离散循环卷积是针对周期函数定义的，为了不致使离散循环卷积的周期性序列之间发生相互重叠现象(卷绕效应)，必须把函数f(x)和h(x)周期性地延拓成:,即,20,5.2退化模型,离散的退化模型,fe(x)、he(x)均是长度为M的周期性离散函数，其卷积为,ge(x)也是长度为M的周期性离散函数。若把fe(x)、ge(x)表示成向量形式：,循环卷积写成矩阵形式：,H是M*M的矩阵。,21,5.2退化模型,离散的退化模型,利用周期性：he(x)=he(x+M),循环矩阵：方阵，每一行是前一行循环右移一位的结果。,22,5.2退化模型,离散的退化模型,推广到二维空间f(x,y)、h(x,y)均匀采样，样本数分别为A*B，C*D。周期性地延拓成M*N样本,则循环卷积为,23,5.2退化模型,离散的退化模型,矩阵形式:g=Hf其中f和g是MN维向量，分别由大小为MN的函数矩阵fe(x,y),ge(x,y)的各个行堆叠而成；H是MNMN矩阵。,其中：第1组N个元素是fe(x,y)的第1行元素；第2组N+1个到2N个元素是fe(x,y)的第2行元素；第3组2N+1个到3N个元素是fe(x,y)的第3行元素；对fe中所有M行都是这样的。,24,5.2退化模型,离散的退化模型,H是分块循环矩阵。,其中,25,5.2退化模型,离散的退化模型,n是MN维噪声向量，则退化模型即,图像恢复问题就是通过上式估计f，但运算量大，要解联立方程。如对于512x512图像，H的大小是262144262144，要解512x512个联立方程。求解方法有两种：（1）将循环矩阵H对角化，以简化运算；（2）在频域求解，通过FFT减少运算量。,26,5.2退化模型,27,5.2退化模型,28,5.2退化模型,退化参数的确定,已知退化图像，图像恢复要对原始图像作出尽可能好的估计，须知道退化参数的有关知识。退化参数包括：点扩展函数：h(x,y)噪声信号：n(x,y)点扩展函数的确定a.运用先验知识的方法；b.运用后验判断的方法,29,5.2退化模型,退化参数的确定,运用先验知识确定PSF：（1）长时间曝光下大气湍流造成的转移函数,C是与湍流性质有关的常数。,30,5.2退化模型,退化参数的确定,（2）光学散焦,d是散焦点扩展函数的直径，J1()是第一类贝塞尔函数。,（3）照相机与景物相对运动设T为快门时间，x0(t)，y0(t)是位移的x分量和y分量,31,5.2退化模型,退化参数的确定,线性运动模糊,32,5.2退化模型,退化参数的确定,噪声的确定,要知道n(x,y)的统计性质，以及n(x,y)与f(x,y)之间的相关性质。一般假设图像上的噪声是一类白噪声。白噪声：图像平面上不同点的噪声是不相关的，其谱密度为常数。实际上，只要噪声带宽远大于图像带宽，就可把它当作白噪声。虽不精确，确是一个很方便的模型。,33,5.2退化模型,退化参数的确定,34,5.2退化模型,退化参数的确定,35,5.2退化模型,退化参数的确定,当噪声与图像不相关时，噪声是加性的。在有些情况下噪声大小确实与图像信号有关。如以下的乘性白噪声,不同的恢复方法需要关于噪声的不同的数字特征。例如:维纳滤波要知道噪声的谱密度。约束最小平方滤波要知道噪声的方差。,36,5.2退化模型,代数恢复法,其理论基础是图像退化模型。该方法的基本原理为：根据对退化系统H和噪声n的某些了解或假设，寻找一个最接近输入向量f的估计值，使得某种事先确定的误差准则为最优（即这种估计在某种预先选定的最佳准则之下，具有最佳性质），一般就是误差最小。对不同的误差最优准则，得到不同的恢复方法。本章重点介绍两种代数恢复法：（1）无约束代数恢复方法；（2）约束条件下的代数恢复方法,37,5.3无约束恢复,求解思路,由退化模型：g=Hf+n可得噪声为：n=g-Hf,其实质：寻找使目标函数J为最小，不再受任何约束，故称为无约束复原。,38,5.3无约束恢复,求解思路,给定退化的图像g及H和n的某种了解或假设，就可估计出原始图像f。,这里只需要将J对求微分，并将结果设为零。,求解过程中假设H-1可逆。,39,5.3无约束恢复,逆（反向）滤波法（InverseFilter）,定义由前面可得：对式中的各元素进行傅里叶变换，得到：,（其中P(U,V)=1/H(U,V)为恢复函数）由于上式是（正向）滤波公式G(u,v)=H(u,v)F(u,v)的逆（反）过程，故此法称为逆（反）向滤波法。则恢复后图像为：,40,5.3无约束恢复,逆（反向）滤波法（InverseFilter）,特点将频域退化模型G(u,v)=H(u,v)F(u,v)+N(u,v)代入逆滤波器，有,（1）存在问题上式包含了我们希望得到的F(u,v)，但同时又加上一项由噪声带来的项N(u,v)/H(u,v)，当H(u,v)较小或0处具有噪声放大作用，即在这些H(u,v)较小的点上噪声起主要作用。,41,5.3无约束恢复,逆（反向）滤波法（InverseFilter）,以下两个原因可能带来所谓噪声放大的问题：H(u,v)有许多零点，相应于奇异条件下求解；H(u,v)0但非常小，使N(u,v)/H(u,v)很大，从而影响恢复的数据结果，即所谓病态条件(ill-condition)。解决问题的要点：避开H(u,v)零点。一般情况下，在低频附近的有限区域内，H(u,v)0，可以在频域原点附近进行反滤波。,42,5.3无约束恢复,逆（反向）滤波法（InverseFilter）,（2）使用逆滤波器时的注意事项忽略H(u,v)=0的点（奇异点）。比如可令此处的的邻域均值，对恢复结果不会产生太大影响；当H(u,v)非常小时，N(u,v)/H(u,v)对恢复结果起主导作用，而多数实际应用系统中，H(u,v)离开原点衰减很快，故恢复应局限于离原点不太远的有限区域进行。,43,5.3无约束恢复,逆（反向）滤波法（InverseFilter）,（3）一种改进的方法是取恢复滤波器P(u,v)为其中k和d均为小于1的常数，且d选得较小为好。,44,5.3无约束恢复,逆（反向）滤波法（InverseFilter）,图像退化和恢复模型,F(u,v),H(u,v),+,G(u,v),N(u,v),P(u,v),F(u,v),45,5.3无约束恢复,逆（反向）滤波法,举例,46,5.4有约束恢复,基本原理,除要求了解关于退化系统的传递函数之外，还要知道某些噪声的统计特性或噪声与图像的某些相关情况。根据所了解噪声的先验知识的不同，采用不同的约束条件，从而得到不同的图像恢复技术。,问题提出,令Q为f的线性算子，寻找一个最优估计，使在约束的条件下为最小。,47,5.4有约束恢复,基本原理,求解思路,这类最小化问题，可用Lagrange乘子法来处理。,48,5.4有约束恢复,维纳滤波（WienerFilter）,逆滤波法较简单，但有时可能带来噪声放大问题。维纳滤波对噪声放大有抑制作用。准则采用的准则是使与之间的均方误差最小，即,其中E是数学期望算子。,49,5.4有约束恢复,维纳滤波（WienerFilter）,协方差矩阵设Rf和Rn分别为f和n的相关矩阵（即协方差矩阵），可表示为Rf的第ij个元素是Efifj，代表f的第i和第j元素的相关。Rf和Rn都是实对称矩阵。,对大多数图像来说像素间的相关不超过2030个像素，所以典型的相关矩阵只在主对角线方向有1个条带不为零，而右上角和左下角都为零。,50,5.4有约束恢复,维纳滤波（WienerFilter）,选择Q满足如下关系其傅氏变换为信噪比（SignalNoiseRate，简称SNR），则式变成,将上式中各矩阵的元素进行傅氏变换这里Sf和Sn分别是f和n的谱函数。,51,5.4有约束恢复,维纳滤波（WienerFilter）,滤波传递函数,52,5.4有约束恢复,维纳滤波（WienerFilter）,结果讨论（1）若，则P(u,v)就是维纳滤波器；（2）若是变量，则P(u,v)是变参数维纳滤波器；（3）若无噪声或不考虑噪声时，维纳滤波器就退化为理想的逆滤波器。即逆滤波可看作是维纳滤波器的一种特例。而项是在有噪声情况下，在统计意义下对H的修正，即为在有噪声的情况下提供均方意义下的最佳恢复。,53,5.4有约束恢复,维纳滤波（WienerFilter）,（4）求解关键是要知道频谱密度Sn和Sf，而对随机噪声的统计性质的了解往往是困难的和有限的，因此，一般设想是白噪声，即其频谱密度为一常数，并与图像不相关。实际中并非如此，但只要噪声的带宽远大于图像的带宽，就可近似看成白噪声。,54,5.4有约束恢复,维纳滤波（WienerFilter）,（5）若不知道噪声的统计特性，即未知Sn和Sf（实际中常如此），则可近似为上式中K是噪声对信号的频谱密度之比，近似为一常数，相当于已知信噪比。此式可使退化图像得到一定程度的恢复，但并非一定达到最优。,55,5.4有约束恢复,维纳滤波,举例,56,5.4有约束恢复,57,5.5几何失真校正,形成,原因在图像生成过程中，由于成像系统本身所具有的非线性或者摄像时视角的不同，都会使生成的图像产生几何失真或几何畸变。如一个物体图像常会出现歪斜现象。从广义上来说，图像的几何失真也是一种图像退化。举例由于摄像机的扫描偏转系统有一定的非线性，会出现所谓桶形失真、枕形失真。由于地球表面呈球形，而卫星摄取的地球表面图像往往覆盖了较大面积，这样的平面图像会有较大的几何失真。,58,5.5几何失真校正,形成,59,5.5几何失真校正,形成,原始图像,几何失真图像,60,5.5几何失真校正,校正步骤,以某一幅图像为基准，去校正另一种摄取方式得到的图像的几何畸变。需要通过几何变换来校正失真图像中的各像素位置，以重新得到像素间原来的空间关系，包括原来的灰度值关系。两个步骤（1）空间变换：对图像平面上的像素进行重新排列以恢复原空间关系。（2）灰度插值：对空间变换后的像素赋予相应的灰度值以恢复原位置的灰度值。,61,5.5几何失真校正,空间变换(Spatialtransform),描述,62,5.5几何失真校正,空间变换,几何形变可表示为：其中s(x,y)和t(x,y)代表产生几何失真图像的2个空间变换。对线性失真，s(x,y)和t(x,y)可写为：对一般的非线性二次失真，s(x,y)和t(x,y)可写为：如果已知s(x,y)和t(x,y)的解析表达式，就可以通过反变换来恢复图像。但实际中通常不知道解析表达式，可应用约束对应点法（或称连接点）解决。,63,5.5几何失真校正,空间变换,利用“连接点”建立失真图像和校正图像间像素空间位置的对应关系，而这些“连接点”在输入（失真）图像和输出（校正）图像中的位置是精确已知的。两个四边形区域的顶点可作为对应点。设在四边形区域内的几何失真过程可用一对双线性等式表示：,64,5.5几何失真校正,空间变换,由上图可知两个四边形区域共有4组（8个）已知对应点，所以8个系数ki可以全部解得。这些系数可建立将四边形区域内的所有点进行空间映射的公式。一般来说，可将1幅图分成一系列覆盖全图的四边形区域的集合，对每个区域都找足够的对应点以计算进行映射所需的系数。,可得到：,65,5.5几何失真校正,灰度插值(Gray-levelinterpolation),定义尽管实际数字图像中的(x,y)总是整数，但由前面公式算得的(x,y)值可能不是整数。因为失真图g(x,y)是数字图像，其像素值仅在坐标为整数处有定义，所以在非整数处的像素值就要用其周围一些整数处的像素值来计算。用于完成该任务的技术称为灰度插值。常用方法（1）最近邻插值（Nearestneighborinterpolation）（2）双线性插值（Bi-linearinterpolation）（3）Spline插值（Splineinterpolation）,66,5.5几何失真校正,灰度插值,最近邻插值（零阶插值）首先将(x,y)经空间变换映射为(x,y)。如果(x,y)是非整数坐标，则寻找(x,y)的最近邻，并将最近邻的灰度值赋给校正图像(x,y)处的像素。虽然这种方法实现起来非常方便，其缺点是有时不够精确，甚至经常产生不希望的人为疵点，如高分辨率图像直边的扭曲。可以采用更完善的技术得到较平滑的结果，例如样条插值、立方卷积内差等。更平滑的近似所付出的代价是增加计算开销。,67,5.5几何失真校正,灰度插值,双线性插值利用点(x,y)的四个最近邻的灰度值来确定(x,y)处的灰度值。设(x,y)的四个最近邻为A、B、C、D；它们的坐标分别为(i,j)、(i+1,j)、(i,j+1)、(i+1,j+1)；其灰度分别为g(A)、g(B)、g(C)、g(D)。,68,5.5几何失真校正,灰度插值,首先计算E和F这两点的灰度值g(E)，g(F)：则(x,y)点的灰度值g(x,y)为：,举例,原始图像,最近邻插值变换,双线性插值变换,69,5.6投影重建,含义,前面所介绍的图像处理内容均是从图像到图像，即输入的原始数据是图像，处理后输出的是图像。但图像重建是从数据到图像，一般指从一个物体的多个轴向投影重建目标图像的过程。从投影重建图像可看作是一类特殊的图像恢复技术。按重建图像的类型分为：（1）二维图像重建：用一系列沿直线投影数据的集合，重新构造二维图像。（2）三维图像重建：用一系列二维图像数据（即物体的横截面投影数据）的集合，来重新构成物体的三维图像。,70,5.6投影重建,含义,71,5.6投影重建,应用,投影重建图像技术在许多科学领域，包括从分子量级（电子显微镜）到宇宙量级（射电天文学）都得到了应用。该项技术极大地增强了人类观察物体内部结构的能力。特别在医学研究诊断中，被用来作为一种获取人体内部结构信息的有效手段。自从1973年第一台CT机被正式应用以来，已完全改变了放射诊断医学的面貌。这方面的工作曾获1979年诺贝尔医学奖和1981年的诺贝尔化学奖。,CentralResearchLaboratories,EMILondon,G.N.Hounsfield,A.M.Cormack,TuftsUniversityMedford,MA,USA,72,5.6投影重建,应用,73,5.6投影重建,应用,目前三维图像重建的可视化是研究热点之一，即利用一系列的二维切片进行边界识别等处理，重新还原出被检物体的三维图像，然后进行定性和定量分析。由于可以从两维图像中获取三维结构信息，可以为医生提供逼真的显示手段和定量分析工具，在辅助医生诊断、手术仿真、引导治疗等方面发挥重要作用。,74,5.6投影重建,应用,75,5.6投影重建,常见检测模型,图像重建的关键之一是能够找到一种无损检测技术和手段。可从获得直线投影图或二维图像的成像方式来区分。以下是利用投影重建原理工作的系统：透射断层成像模型（CT）从发射源射出的射线穿透物体到达检测器。射线在通过物体时被吸收一部分，其余被检测器所接受。由于物体各部分对射线的吸收不同，所以检测器获得的射线强度实际上反映了物体各部分对射线的吸收情况。,76,5.6投影重建,常见检测模型,发射断层成像（ECT）发射源在物体内部。一般将具有放射性的离子注入物体内部，从物体外检测其放射出来的能量。通过了解离子在物体内的运动和分布，来检测与生理有关的状况。反射断层成像（RCT）例如雷达系统，其中的雷达图是物体反射的回波所产生的。磁共振成像（MRI）通过控制所用的共振场信号和磁场强度，可每次检测到沿通过目标中某1条线的信号，即检测到的信号是MRI信号沿直线的积分。,77,5.6投影重建,方法分类,变换重建法其特点是先在连续域解析处理，最后离散化以利用计算机计算。可分为（1）傅里叶反变换重建法；（2）卷积逆投影重建法。级数展开重建法其特点是从开始就离散化进行分析，从而直接得到数值解。综合重建法将变换法与级数展开法相结合。,78,5.6投影重建,方法分类,第一代：1个检测器，平行光第二代：多个检测器，小扇形光束第三代：多个检测器，大扇形光束扇形投影重建法,79,作业,书中p1325.55.5成像时由于长时间曝光受到大气干扰而产生的图像模糊可以用转移函数表示。设噪声可忽略，求恢复这类模糊的维纳滤波器的方程。简述图像恢复目的及过程，讨论常用的代数恢复方法。,80,实验三：图像恢复与分割,实验目的,（1）理解图像恢复的含义，熟悉无约束恢复与有约束恢复的基本思路，掌握逆滤波与维纳滤波方法；（2）理解几何失真校正的基本步骤，熟悉掌握常用的灰度插值变换；（3）了解图像分割的常用方法，熟悉掌握基于各种微分算子的边缘检测技术；（4）进一步熟悉Matlab语言及图像处理工具箱IPT。实验类型：验证型,81,实验三：图像恢复与分割,实验内容,（1）模糊加噪图像仿真生成a.运动模糊加噪b.圆盘状模糊加噪c.钝化模糊加噪（2）无约束恢复逆滤波（3）有约束恢复维纳滤波（4）几何失真校正a.近邻插值变换b.双线性插值变换,82,实验三：图像恢复与分割,实验内容,（5）图像边缘检测a.Roberts算子b.Sobel算子c.Prewitt算子d.LOG算子e.Canny算子,83,实验三：图像恢复与分割,实验步骤,模糊加噪图像仿真生成对milkdrop.bmp图像仿真生成三个具有不同数量级方差水平的运动模糊加噪图像，另外生成二个不同模糊类型（如圆盘状模糊、钝化模糊）的加噪图像，噪声类型可选为椒盐、高斯等。所生成的模糊加噪图像将作为恢复处理的对象。,84,实验三：图像恢复与分割,I=imread(milkdrop.bmp);subplot(2,3,1);imshow(I);H=fspecial(motion,50,45);%运动模糊PSFMotionBlur=imfilter(I,H);H=fspecial(disk,10);%圆盘状模糊PSFBlurred=imfilter(I,H);H=fspecial(unsharp);%钝化模糊PSFSharpened=imfilter(I,H);noise1=imnoise(zeros(size(I),gaussian,0,0.009);MotionBlur_Noise1=uint8(double(MotionBlur)+noise1);subplot(2,3,4);imshow(MotionBlur_Noise1);imwrite(MotionBlur_Noise1,Milkdrop_MotionBlurNoise1.bmp);Blurred_Noise=uint8(double(Blurred)+noise1);subplot(2,3,2);imshow(Blurred_Noise);imwrite(Blurred_Noise,Milkdrop_BlurredNoise.bmp);Sharpened_Noise=uint8(double(Sharpened)+noise1);subplot(2,3,3);imshow(Sharpened_Noise);imwrite(Sharpened_Noise,Milkdrop_SharpenedNoise.bmp);noise2=imnoise(zeros(size(I),gaussian,0,0.09);noise3=imnoise(zeros(size(I),gaussian,0,0.9);MotionBlur_Noise2=uint8(double(MotionBlur)+noise2);subplot(2,3,5);imshow(MotionBlur_Noise2);imwrite(MotionBlur_Noise2,Milkdrop_MotionBlurNoise2.bmp);MotionBlur_Noise3=uint8(double(MotionBlur)+noise3);subplot(2,3,6);imshow(MotionBlur_Noise3);imwrite(MotionBlur_Noise3,Milkdrop_MotionBlurNoise3.bmp);,85,实验三：图像恢复与分割,实验步骤,逆滤波与维纳滤波（1）由原始人工图像checkerboard生成相应的运动模糊加噪退化图像，加入的是高斯噪声。分别利用逆滤波与维纳滤波进行恢复，比较其恢复效果。逆滤波：fr=deconvwnr(g,PSF)维纳滤波：fr=deconvwnr(g,PSF,NSR)其中g是退化图像，PSF是退化模型的点扩散函数，NSR是噪信比，fr是恢复图像。,86,实验三：图像恢复与分割,%建立原始图像F=checkerboard(24);figure(1);imshow(F);Len=20;%设置运动位移为30个像素Theta=45;%设置运动角度为45度%建立二维仿真线性滤波器PSFPSF=fspecial(motion,Len,Theta);%用PSF产生退化图像，选项circular用来减少边界效应MF=imfilter(F,PSF,circular);noise=imnoise(zeros(size(F),gaussian,0,0.001);%生成运动模糊+高斯噪声图像MFNMFN=MF+noise;figure(2);imshow(MFN);%计算噪信比NSR=sum(noise(:).2)/sum(MFN(:).2);%逆滤波恢复figure(3);imshow(deconvwnr(MFN,PSF);%维纳滤波恢复figure(4);imshow(deconvwnr(MFN,PSF,NSR);,87,实验三：图像恢复与分割,实验步骤,（2）对由milkdrop.bmp图像仿真生成的三个模糊加噪图像Milkdrop_MotionBlurNoise1.bmp、Milkdrop_BlurredNoise.bmp、Milkdrop_SharpenedNoise.bmp，分别利用逆滤波与维纳滤波进行恢复，比较其恢复效果。,88,实验三：图像恢复与分割,I1=imread(Milkdrop_MotionBlurNoise1.bmp);subplot(3,3,1);imshow(I1);I2=imread(Milkdrop_BlurredNoise.bmp);subplot(3,3,4);imshow(I2);I3=imread(Milkdrop_SharpenedNoise.bmp);subplot(3,3,7);imshow(I3);I1=double(I1);I2=double(I2);I3=double(I3);PSF1=fspecial(motion,50,45);PSF2=fspecial(disk,10);PSF3=fspecial(unsharp);noise=imnoise(zeros(size(I1),gaussian,0,0.009);NSR1=sum(noise(:).2)/sum(I1(:).2);NSR2=sum(noise(:).2)/sum(I2(:).2);NSR3=sum(noise(:).2)/sum(I3(:).2);subplot(3,3,2);imshow(uint8(deconvwnr(I1,PSF1);subplot(3,3,3);imshow(uint8(deconvwnr(I1,PSF1,NSR1);subplot(3,3,5);imshow(uint8(deconvwnr(I2,PSF2);subplot(3,3,6);imshow(uint8(deconvwnr(I2,PSF2,NSR2);subplot(3,3,8);imshow(uint8(deconvwnr(I3,PSF3);subplot(3,3,9);imshow(uint8(deconvwnr(I3,PSF3,NSR3);,89,实验三：图像恢复与分割,实验步骤,（3）对由milkdrop.bmp图像仿真生成的三个模糊加噪图像Milkdrop_MotionBlurNoise1.bmp、Milkdrop_MotionBlurNoise2.bmp、Milkdrop_MotionBlurNoise3.bmp（它们是三个具有不同数量级方差水平的运动模糊加噪图像），分别利用逆滤波与维纳滤波进行恢复，比较其恢复效果。请自行编程实现。,90,实验三：图像恢复与分割,实验步骤,几何失真校正生成人工几何失真图像（可由原始图像的旋转缩放等仿射变换得到），对其分别应用最近邻灰度插值和双线性灰度插值法进行恢复，比