课程设计——抖动图像复原

1、中北大学信息商务学院课程设计说明书学生姓名： 张世奇 学 号： 1405034129 所在系： 电子信息工程 专 业： 电子信息工程 题 目： 专业综合实践之多维信息处理部分： 抖动图像复原方法研究 指导教师： 徐美芳 侯慧玲 职 称: 副教授 讲师 2017 年 12月 25 日中北大学信息商务学院课程设计任务书 17/18 学年第 一 学期所 在 系 ： 电子信息工程 专 业： 电子信息工程 课程设计题目： 专业综合实践之多维信息处理部分： 抖动图像复原方法研究 起 迄 日 期： 2017年12月25 日2018年01月05日 课程设计地点： 系专业实验室 指 导 教 师： 徐美芳 侯慧玲

2、 系 主 任： 王浩全 下达任务书日期: 2017 年12月 25日课 程 设 计 任 务 书1设计目的： 图像在拍摄中抖动后会模糊不清，对其复原是改善其不良状况的最好办法。本课题要求同学对图像复原方法进行研究，在此基础上利用编程语言进行图像复原程序编写，实现不同复原效果的比较。 2设计内容和要求（包括原始数据、技术参数、条件、设计要求等）：1、 查阅资料，学习图像复原基本原理。 2、对原始图像进行模糊处理，然后基于维纳滤波，盲去卷积复原，规则化复原等方法进行复原，进行结果比较。3、 不同方法的复原结果进行分析比较。4、要求三位同学各自实现不同部分。3设计工作任务及工作量的要求包括课程设计计算

3、说明书(论文)、图纸、实物样品等：设计工作任务：(1) 了解课题背景，掌握基本技术，制定设计思路，写出设计方案。(2) 完成设计内容：包括算法和程序设计；实验验证及技术改进，写出设计说明书。(3) 设计答辩。工作量的要求：(1) 通过查阅资料了解与图像复原相关的基本理论、原理以及技术背景，理解选题意义；(2) 掌握与运动图像恢复相关的基本理论、原理和实现手段；(3) 完成对抖动图像进行复原的算法和实现手段；(4) 通过实验仿真验证算法的可行性；(5) 给出技术总结。课 程 设 计 任 务 书4主要参考文献：1陈波.一种新的运动模糊图像恢复方法J.深圳:深圳大学数学与计算机科学学院,2008.2

4、刘刚,王立香,董延.MATLAB数字图像处理M.机械工业出版社,2010.3康实.MATLAB的图像处理工具箱中图像复原函数的比较J.广州:广东交通职业技术学院,2006.4徐志影,李晋平.MATLAB及其在图像处理中的应用J.徐州:中国矿业大学资源学院,2003.5朱光明.数字信号分析与处理.陕西：陕西人民教育出版社，2003.6罗鹏飞.随机信号分析与处理.北京：清华大学出版社，2006.7徐飞，施晓红.应用图像处理.西安：西安电子科技大学出版社，2002.8章毓晋.图像处理和分析M.清华大学出版社.5设计成果形式及要求：课程设计说明书仿真结果6工作计划及进度：2017年12月25日 201

5、7年12月 16 日：查阅相关资料 12月17日 2018年01月02日：设计方案，编写程序并调试01月03日 01月05日：完成课程设计说明书01月05日：答辩系主任审查意见： 签字： 年 月 日目 录一、设计目的1二、设计主要方案及理论介绍21、运动模糊退化模型22、维纳滤波法恢复图像33、图像的复原方法MATLAB 实现43.1、维纳滤波图像复原MATLAB 实现43.2、规则化滤波（最小二乘方）图像复原 MATLAB 实现53.3、Lucy-Richardson 图像复原 MATLAB 实现63.4、盲去卷积图像复原 MATLAB 实现7三、设计主要步骤8四、运行结果101、图像复原的

6、四种函数102、抖动图像复原12五、设计评述14六、参考文献15附录161、图像复原的四种函数162、抖动图像复原19一、设计目的在人们的日常生活中，常常会接触很多的图像画面，而在景物成像的过程中有可能出现模糊，失真，混入噪声等现象，最终导致图像的质量下降，我们现在把它还原成本来的面目，这就叫做图像还原。引起图像的模糊的原因有很多，举例来说有运动引起的，高斯噪声引起的，斑点噪声引起的，椒盐噪声引起的等等，而图像的复原也有很多，常见的例如逆滤波复原法，维纳滤波复原法，约束最小二乘滤波复原法等等。它们算法的基本原理是，在一定的准则下，采用数学最优化的方法从退化的图像去推测图像的估计问题。因此在不同

7、的准则下及不同的数学最优方法下便形成了各种各样的算法。图像在拍摄中抖动后会模糊不清，对其复原是改善其不良状况的最好办法。本课题要求同学对图像复原方法进行研究，在此基础上利用编程语言进行图像复原程序编写，实现不同复原效果的比较。在交通系统、刑事取证中图像的关键信息至关重要，但是在交通、公安、银行、医学、工业监视、军事侦察和日常生活中常常由于摄像设备的光学系统的失真、调焦不准或相对运动等造成图像的模糊，使得信息的提取变得困难。但是相对于散焦模糊，运动模糊图像的复原在日常生活中更为普遍，比如高速运动的违规车辆的车牌辨识，快速运动的人群中识别出嫌疑人、公安刑事影像资料中提取证明或进行技术鉴定等等，这些

8、日常生活中的重要应用都需要通过运动模糊图像复原技术来尽可能地去除失真，恢复图像的原来面目。因此对于运动模糊图像的复原技术研究更具有重要的现实意义。图像复原是图像处理中一个重要的研究课题。图像在形成、传输和记录的过程中，由于传感器的噪声、摄像机未对好焦、摄像机与物体相对运动、系统误差、畸变、噪声等因素的影响，使图像往往不是真实景物的完善影像。这种图像在形成、传输和记录过程中，由于成像系统、传输介质和设备的不完善，使图像质量下降的过程称为图像的退化。图像复原就是通过计算机处理，对质量下降的图像加以重建或恢复的过程。图像复原过程一般为：找退化原因建立退化模型反向推演图像复原。2、 设计主要方案及理论

9、介绍1、 运动模糊退化模型开发算法时，首先要创建图像退化的线性数学模型，接着选择准则函数，并以适当的数学形式表达，然后进行数学推演。推演过程中通常要进行表达形式（即空域形式、频域形式、矩阵-矢量形式或变换域形式）的相互转换，最后得到图像复原算式。退化数学模型的时域、频域、矢量-矩阵表达形式分别是： 其中：、分别为观测的退化图像、模糊函数、原图像、加性噪声，*为卷积运算符，（x=0,1,2，M-1），（y=0,1,2，N-1）。对匀速直线运动而言，退化图像为： 其中和分别表示x和y方向的运动分量。并假设退化系统是线性移不变的，光学成像过程是完善的，快门开关是瞬间完成的。对上式进行傅立叶变换，则得

10、频域表达式为 其中 假设景物只在x方向匀速运动，在T时间内共移动距离是a，即，,则 2、维纳滤波法恢复图像此方法也叫最小均方误差滤波法，是建立在图像和噪声都是随机过程，图像和噪声不相关，其中之一的均值为零，灰度估计值与退化图像中的灰度值成线性关系。其基本思想是找到原图像的一个估计，使得估计与原图像之间的均方误差在统计意义上最小。 其中表示数学期望，当上式取得最小值时，所得到的估计值在频域的表达式为： 其中是点扩散函数的傅里叶变换，是退化函数的复共轭，、分别是噪声和原图像的功率谱。而在实际当中，、未知，特别是，上式无法直接运用。解决的方法之一是令等于某个常数k。上式就成了 在Matlab中有专门

11、的函数可以实现维纳滤波法恢复。wn1=deconvwnr(blurred,h)，参数部分有多种选择的方法，这个表示用真实的点扩散函数进行恢复。为了对比，可取不同的参数，以及加入噪声，再恢复，噪声可用imnoise或randn函数生成。3、图像的复原方法MATLAB 实现 MATLAB的图像处理工具箱中提供了四种图像复原的函数，分别利用维纳滤波器（wiener）复原，规则化滤波器（regularized）复原，Lucy-Richardson方法复原和盲反卷积复原。表1 图像复原的四种函数函数名滤波器deconvwnr用wiener滤波器实现图像去模糊deconvreg用regularized滤波

12、器实现图像去模糊deconvlucy用Lucy-Richardson滤波器实现图像去模糊deconvbind用盲反卷积算法实现图像去模糊其中deconvwnr函数求得的是最小二乘解。deconvreg函数求得的是一种约束最下二乘解，在使用此函数时若提供一些关于噪声的参数可以减少去模糊过程中噪声的放大作用。deconvlucy函数使用的是一种快速抑制的Lucy-Richardson方法，经过多次迭代，采用优化技术和泊松统计准则，不需要函数提供模糊图像中关于噪声的额外参数。使用deconvbind函数时不需要知道真实的点扩散函PSF，使用盲反卷积技术，只需要初始设置一个PSF参数，函数除了返回恢复

13、出的图像外，还返回最后跌倒的点扩散函数PSF。3.1 、维纳滤波图像复原MATLAB 实现在知道清晰图像和噪声频率特性的情况下，维纳滤波器被看作是一种有效的图像复原技术，如果没有加性噪声，维纳滤波器方法就退化为倒滤波方法。在MATLAB图像处理工具箱中，使用deconvwnr函数来进行维纳滤波器图像复原，deconvwnr函数的常见调用方法如下：J=deconvwnr（I,PSF）J=deconvwnr（I,PSF,NSR）J=deconvwnr（I,PSF,NCORR,ICORR）说明：J=deconvwnr（I,PSF）用于复原由于 PSF 以及可能的加性噪声卷积退化的图像 I，该算法利用

14、图像和噪声的相关矩阵，从估计图像与真实图像之间的最小均方误差意义上来说是最佳的。在没有噪声的情况下，维纳滤波器退化成理想的逆滤波器。J=deconvwnr（I,PSF,NSR）中的 NSR 是信噪功率比，NSR 可以是标量，或者是和图像 I一样大小尺寸的数组，NSR 的默认值为 0。J=deconvwnr（I,PSF,NCORR,ICORR）中的 NCORR 和 ICORR 分别是噪声和原始图像的自相关函数。NCORR 和 ICORR 是不超过原始图像的尺寸和维数的任意尺寸和维数。一个 N 维的NCORR 或 ICORR 数组对应每一维的自相关，如果 PSF 为向量，则向量 NCORR 或 I

15、CORR 代表第一维的自相关函数；如果 PSF 为数组，则一维的自相关函数由 PSF 所有的非单维对称计算推得，标量 NCORR 或 ICORR 表示噪声或图像的功率。3.2、规则化滤波（最小二乘方）图像复原 MATLAB 实现MATLAB 图像工具箱子提供了 deconvreg 函数，用来完成对模糊图像的约束最小二乘方复原。deconvreg 函数语法格式如下：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,.)说明：J=deconvreg(I,PSF)用于复原由于 PSF 以及可能的加性噪声退化的图像，在保持图像平滑的条件下，该算法在估计图像和实际图像间的最小二乘方误差的意义上来说是最佳的。J=deconvreg(I,PSF,NOISEPOWER)中的 NOISEPOWER 是加性噪声功率，默认值是 0；J=deconvreg(I,PSF,NOISEPOWER,LRANGE)中的向量 LRANGE 制定了寻找最佳解的范围，该算法就是在 LRANGE 的范围内找到最佳的拉格朗日乘数。如果 LRANGE 是标量，算法假定LAGRA 已

17、经给定并等于 LRANGE，此时忽略 NOISEPOWER 的值。LRANGE 默认的范围为le-9le9；J=deconvreg(I,PSF,NOISEPOWER,LRANGE,REGOP)中的 REGOP 是约束自相关的规则化算子。拉普拉斯算子是保持图像平滑的默认算子。REGOP 的维数不能超过图像的维数，任意非单维必须与 PSF 的非单维相对应。J,LAGRA=deconvreg(I,PSF,.)输出复原图像 J 以及拉格朗日乘数。3.3、Lucy-Richardson 图像复原 MATLAB 实现当已知 PSF，但对噪声的信息知道很少或者不知道噪声信息时，可以用 Lucy-Richar

18、dson算法得到效果较好的复原图像。Lucy-Richardson 采用迭代法，能够按照泊松噪声统计标准求出给定 PSF 卷积后，最有可能成为输入模糊图像的图像。MATLAB 提供了 deconvlucy 函数，该函数通过加速收敛的迭代算法完成图像的复原。为了改善图像复原的质量，光学系统的特性也可以作为该函数的输入参数。deconvlucy 函数的语法格式如下：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）说明：J=deconvlucy（I,PSF 用于恢复由 PSF 卷积和可能的加性噪声引起的退化的图像。该算法基于结果复原图像 J 的极大似然值，它是原始图像在泊松统计标准下的一个实例。J=deconvlucy（I,PSF,NUMIT）中的 NUMIT 用于指定 deconvlucy 函数迭代的次数，如果不指定，默认值为 10。J=deconvlucy（I,PSF,NUMIT,DAMPAR）中的 DA

20、MPAR 用于指定结果图像的偏差阈值，默认值为 0；该参数指定了在收敛过程中，结果图像 J 与原始图像 I 背离的程度。J=deconvlucy（I,PSF,NUMIT,DAMPAR,WEIGHT）中的 WRIGHT 表示每个像素的加权值，它记录了每个像素反映相机记录的质量。J=deconvlucy（I,PSF,NUMIT,DAMPAR,WEIGHT,READOUT）中的 READOUT 制定了加性噪声值和读出相机噪声值，默认值为 0。J=deconvlucy（I,PSF,NUMIT,DAMPAR,WEIGHT,READOUT,SUBSMPL）中的 SUBSMPL 描述了已知 PSF 时子采样

21、次数，默认值为 1。3.4、盲去卷积图像复原 MATLAB 实现盲去卷积复原实在不知道 PSF 的情况下，利用原始模糊图像，同时顾及 PSF 和清晰图像的一种恢复方法。MATLAB 提供了盲去卷积复原函数 deconvblind，该函数的语法格式如下：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)说明：J,PSF= deconvblind（I,INITPSF）利用最大似然算法去卷积图像 I，返回复原图像 J和复原的 PSF。INITPSF 表示 PSF 的估计值；参数 NUMIT 用于指定迭代的次数，默认值为 10；参数 DAMPAR 用于指定结果图像的偏差阈值，默认值为 0；参数 WEIGHT 制定了在图像复原中，采用输入图像 I 的哪些像素。参数 READOUT 用于指定相应的加性噪声值和读出相机的噪声值，默认为 0。J,PSF=dec

23、onvblind(.FUN,P1,P2,.,PN)中的 FUN 是一个描述 PSF 附加约束的函数。3、 设计主要步骤1、新建工程2、编写程序3、运行程序4、截取结果四、运行结果1、 图像复原的四种函数图1 维纳滤波复原图2 规则化滤波复原图3 Lucy-Richardson复原图4 盲目去卷积复原2、 抖动图像复原图5 模糊图像图6 图像复原图7 盲去卷积复原图8 盲去卷积复原函数五、设计评述本次课程设计简要介绍了图像退化的模型，图像复原的概念，几种常用的图像复原的方法，以及利用MATLAB实现图像复原的几个例子。简单的讲述了MATLAB在图像复原中的应用。图像复原是图像处理领域一个具有现实

24、意义的课题，运动模糊图像越来越受到关注，这种模糊是成像过程中普遍存在的问题其复原在许多领域都有广泛的应用。复原复原需要相对应的退化模型知识重建或恢复原始的图像。也就是说图像复原技术就是要将图像退化的过程模型化，并由此采取相反的过程，以得到原图像。本次课程设计介绍了图像退化的原因并且简要介绍了当前主流的图像复原方法，并通过对各种复原方法的仿真，了解了各种方法的优劣性，为我们在实际生活提供依据。但是无论是哪一种方法都有所局限性，我们应该努力致力于研究新型的优秀的图像复原方法，来获得更好的图像复原效果。同时，我们知道算法利用的信息越多信息的准确性越高，则复原图像的质量就越高。而且采用MATLAB实现

25、图像恢复，通过几条简单的MATLAB命令就可完成一大串高级计算机语言才能完成的任务,简捷明快。大多数图像处理模型是可以通过使用MATLAB的基本函数通过编程实现的。六、参考文献1陈波.一种新的运动模糊图像恢复方法J.深圳:深圳大学数学与计算机科学学院,2008.2刘刚,王立香,董延.MATLAB数字图像处理M.机械工业出版社,2010.3康实.MATLAB的图像处理工具箱中图像复原函数的比较J.广州:广东交通职业技术学院,2006.4徐志影,李晋平.MATLAB及其在图像处理中的应用J.徐州:中国矿业大学资源学院,2003.5朱光明.数字信号分析与处理.陕西：陕西人民教育出版社，2003.6罗

26、鹏飞.随机信号分析与处理.北京：清华大学出版社，2006.7徐飞，施晓红.应用图像处理.西安：西安电子科技大学出版社，2002.8章毓晋.图像处理和分析M.清华大学出版社.附录1、图像复原的四种函数%维纳滤波复原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(模糊和噪声图像); 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); %规则化滤波复原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复原滤波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); %盲目去卷积复原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、抖动图像复原clear all;clc; I=imread(C:Users47260Desktop0.gif);figure(1),subplot(221);imshow(I);title(原始图像);PSF=fspecial(gaussian,7,10);Blurred=imfilter(I,PSF,symmetric,conv);subplot(222);imshow(Blurred);title(模糊图像);H=fspecial(motion,20,45);MotionBlur=imfilter(I,H,replicate);subplot(223)