MATLAB在图像去模糊中的应用论文

1、安阳师范学院本科学生MATLAB论文（MATLAB在图像去模糊中的应用）作者周* 系（院）计算机与信息工程学院 专业信息管理与信息系统 年级2012级 学号120903024 指导教师 王* 日期2015年06月20日 MATLAB在图像去模糊中的应用周亚楠（安阳师范学院 计算机与信息工程学院 河南 安阳 455000)摘要:图像复原或滤波技术的发展己经历了约40年的历史,现代图像复原技术的应用领域非常广泛。在图像成像、复制、扫描、传输、显示等过程中,不可避免地要造成图像降质,如图像模糊、噪声的干扰等。而在许多应用领域中,又需要清晰的、高质的图像,因此,图像复原(如去噪、去模糊等)具有重要的意

2、义。图像复原是对降质图像进行处理,改善给定的图象质量,使其恢复成没有退化的理想图像。它是图像处理、模式识别、机器视觉的基础,并在天文学、遥感成像、医疗图像等领域获得广泛的应用。在图像处理领域,图像复原是最重要、最基本的研究课题之一,具有重要的理论价值和实际意义。关键词: 复原或滤波;高斯模糊;维纳滤波;中值滤波一、引言由于自然条件或者拍摄技术的限制，是的很多图像的质量很低，存在模糊，掩盖了图像的真实信息。图像的去模糊技术就是消除图像的模糊，产生一幅清晰的图像。图像是对客观对象的一种相似性的、生动性的描述或写真。然而数字图像处理是采用一定的算法对数字图像进行处理，以获得人眼视觉或者某种接收系统所

3、需要的图像过程。我们使用人工产生的点扩散函数和附加噪声来模拟模糊噪声图像的生成，并使用各种去噪声的方法，以进行去模糊的效果的比较。利用MATLAB进行图像处理，利用各种实用函数实现图像去模糊功能的实现。二、实验部分2、1实验环境机房 Windows Matlab 7.0 2、2实验内容 完成实验问题： 在MATLAB中，利用MATLAB各种函数实现图像去模糊功能的实现并输出结果。使用去模糊函数对图像进行去模糊，分别是deconvwnr、deconverg。2、3实验步骤I = imread(peppers.png);%读取图像I = I(10+1:256,222+1:256,:);%选定图像的

4、范围figure(1); imshow(I);%显示原图像title(Original Image);LEN = 31; THETA = 11;PSF = fspecial(motion,LEN,THETA);%产生运动模糊函数blurred = imfilter(I,PSF,circular,conv);%产生运动模糊图像figure(2); subplot(221), imshow(blurred);%显示运动模糊图像title(Blurred);wnr1 = deconvwnr(blurred,PSF);%使用维纳滤波器进行滤波subplot(222); imshow(wnr1);%显示

5、维纳滤波器后滤波的图像title(Restored, True PSF);wnr2 = deconvwnr(blurred,. fspecial(motion,2*LEN,THETA);%使用两倍长度的点扩散函数进行维纳滤波subplot(223); imshow(wnr2); %显示恢复的图像title(Restored, Long PSF);wnr3 = deconvwnr(blurred,. fspecial(motion,LEN,2*THETA);%使用两倍角度的点扩散函数进行维纳滤波subplot(224); imshow(wnr3); %显示恢复的图像title(Restored,

6、 Steep);noise = 0.1*randn(size(I);%生成随机噪声blurredNoisy = imadd(blurred,im2uint8(noise);%模糊图像加入随机噪声figure(3); subplot(221)imshow(blurredNoisy);%显示加入噪声的模糊图像title(Blurred & Noisy);wnr4 = deconvwnr(blurredNoisy,PSF);%使用维纳滤波器进行滤波subplot(222),imshow(wnr4);%显示恢复后的图像title(Inverse Filtering of Noisy Data);NSR

7、 = sum(noise(:).2)/sum(im2double(I(:).2);%计算噪声信号功率比wnr5 = deconvwnr(blurredNoisy,PSF,NSR);%加入NSR参数使用维纳滤波器滤波subplot(223); imshow(wnr5);%显示恢复后的图像title(Restored with NSR);wnr6 =deconvwnr(blurredNoisy,PSF,NSR/2);%改变NSR参数使用维纳滤波器滤波subplot(224),imshow(wnr6);%显示恢复后的图像title(Restored with NSR/2);NP = abs(fftn

8、(noise).2;%计算噪声功率谱NPOW = sum(NP(:)/prod(size(noise); % 噪声能量NCORR = fftshift(real(ifftn(NP); % 噪声的自相关函数IP = abs(fftn(im2double(I).2;%计算图像功率谱IPOW = sum(IP(:)/prod(size(I); % 图像能量ICORR = fftshift(real(ifftn(IP); % 图像自相关函数wnr7 = deconvwnr(blurredNoisy,PSF,NCORR,ICORR);%增加参数进行维纳滤波figure(4); subplot(121)i

9、mshow(wnr7);%显示恢复后的图像title(Restored with ACF);ICORR1 = ICORR(:,ceil(size(I,1)/2);wnr8 = deconvwnr(blurredNoisy,PSF,NPOW,. ICORR1);%使用噪声能量和图像一维自相关函数进行维纳滤波subplot(122); imshow(wnr8);%显示恢复后的图像title(Restored with NP & 1D-ACF);PSF2 = fspecial(gaussian,11,5);%高斯模糊函数Blurred = imfilter(I,PSF2,conv);%模糊后的图像f

10、igure(5); subplot(121)imshow(Blurred);%显示模糊后的图像title(Blurred);V = .02;BlurredNoisy2 = imnoise(Blurred,gaussian,0,V);%加入高斯白噪声subplot(122); imshow(BlurredNoisy2);%显示加噪后的图像title(Blurred & Noisy);NP = V*prod(size(I); % 噪声能量reg1 LAGRA = deconvreg(BlurredNoisy2,PSF,NP);%规则化滤波figure(6); subplot(221)imshow(

11、reg1),%显示恢复后的图像title(Restored with NP);reg2 = deconvreg(BlurredNoisy2,PSF,NP*1.3);%加大噪声能量进行规则化滤波subplot(222); imshow(reg2);%显示恢复后的图像title(Restored with larger NP);reg3 = deconvreg(BlurredNoisy2,PSF,NP/1.3);%减小噪声能量进行规则化滤波subplot(223); imshow(reg3);%显示恢复后的图像title(Restored with smaller NP);Edged = edge

12、taper(BlurredNoisy2,PSF);%使图像的边缘模糊reg4 = deconvreg(Edged,PSF,NP/1.3);%规则化滤波subplot(224); imshow(reg4);%显示恢复后的图像title(Edgetaper effect);reg5 = deconvreg(Edged,PSF,LAGRA);%加入拉格朗日乘子进行滤波figure(7); subplot(221)imshow(reg5);%显示恢复后的图像title(Restored with LAGRA);reg6 = deconvreg(Edged,PSF,LAGRA*100);%增大拉格朗日乘

13、子进行滤波subplot(222); imshow(reg6);%显示恢复后的图像title(Restored with large LAGRA);reg7 = deconvreg(Edged,PSF,LAGRA/100);%减小拉格朗日乘子进行滤波subplot(223); imshow(reg7);%显示恢复后的图像title(Restored with small LAGRA);REGOP = 1 -2 1;%图像光滑程度约束reg8 = deconvreg(BlurredNoisy2,PSF,LAGRA,. REGOP);%加入光滑约束进行滤波subplot(224); imshow(

14、reg8);%显示恢复后的图像title(Constrained by 1D Laplacian);PSF3 = fspecial(gaussian,5,5);%高斯模糊函数Blurred = imfilter(I,PSF3,symmetric,conv);%模糊后的图像 2、4实验过程2、4、1 使用deconvwnr函数首先读取peppers图像，选定图像的范围，然后显示图像，如图Figure 1所示。然后产生运动模糊函数对图像进行滤波，生成运动模糊的图像，如图Figure 2左上角图所示，接着使用deconvwnr函数对图像进行恢复，图Figure 2右上角的图为使用合适的点扩散函数PS

15、F恢复的图像，图Figure 2右下角为使用二倍长度的点扩散函数恢复的图像，图Figure 2右下角为使用二倍角度的点扩散函数恢复的图像。在模糊函数的基础上加入噪声，如图Figure 3左上角所示，使用deconvwnr函数对图像进行恢复，如图Figure 3右上角所示，图Figure 3左下角为加入NSR参数使用维纳滤波器进行滤波后得到的图像，图Figure 3右下角为使用变小的NSR参数恢复恢复后的图像。接下来，分别计算噪声的功率谱、能量和自相关的函数，图像信号的功率谱、能量和自相关函数。图Figure 4的左图显示了使用图像和噪声的自相关函数作为输入参数得到的恢复图像；图Figure 4

16、的右图显示了使用噪声能量和图像一维自相关函数进行维纳滤波后恢复的图像。2、4、2 使用deconvreg函数首先参数高斯模糊函数，然后对图像进行模糊，如Figure 5左图所示，然后在模糊的图像上加入均值为0，方差为0.02的噪声，生成的图像如图Figure 5右图所示。接着使用deconvreg函数进行恢复，结果如图Figure 6所示。Figure 6左上角为使用正常的噪声能量对图像进行恢复的结果；右上角为使用1.3倍噪声能量对图像进行恢复的结果；左下角为使用1/3.1倍噪声能量对图像进行恢复的结果；右下角为使图像的边缘模糊后得到的恢复结果。可以发现，增大噪声能量或者减小噪声能量得到的恢复图像都没有使用原噪声能量恢复的图像质量好。图Figure 7左上角的图像显示了加入拉格朗日乘子之后恢复的图像，右上角为增大拉格朗日乘子后恢复的图像，左下角为减少；拉格朗日乘子后恢复的图像，右下角为加入光滑程度约束后恢复的图像。三、结论数字图像处理技术主要包括如下内容：几何处理、算术处理、图像增强、图像复原、图像重建、图像编码、图像识别、图像理解。数字图像处理技术的发展涉及信息科学、计算机科学、数学、物理学以及生物学等学科，因此数理及相关的边缘学科对图像处理科学的发展有越来越大的影响。 其中数字图