实验五--图像复原说课材料

实验五--图像复原

信息工程学院实验报告

课程名称：数字图像处理Array实验项目名称：实验五图像复原实验时间：

2016.12.02

班级：姓名：学号：

一、实验目的

1.了解图像退化/复原处理的模型；

2. 掌握图像复原的原理及实现方法；

3. 通过本实验掌握利用MATLAB编程实现图像的恢复。

4. 掌握matlab代码的调试方法，熟悉常见代码错误及改正方法。

二、实验步骤及结果分析

MATLAB图像处理工具箱包含四个图像复原函数，请参照教材第126页例6.8编程实现图像复原。

1．用点扩散(PSF)函数创建运动模糊图像,修改参数改变模糊程度。

a) 无噪声运动模糊图像

b) 有噪声运动模糊图像

程序代码：

I=imread('cameraman.tif'); %读取图像

subplot(1,3,1);

imshow(I,[]);%显示图像

title('原始图像');

PSF=fspecial('motion',25,11); %运动模糊函数，运动位移是25像素，角度是11

Blurred=imfilter(I,PSF,'conv','circular'); %对图像运动模糊处理

subplot(1,3,2);

imshow(Blurred,[]);title('无噪声运动模糊图像'); %显示无噪声运动模糊图像

Noise=0.05*randn(size(I)); %正态分布的随机噪声

BlurredNoisy=imadd(Blurred,im2uint8(Noise));%对退化后的图像附加噪声

subplot(1,3,3);

imshow(BlurredNoisy,[]);title('有噪声运动模糊图像'); %显示运动模糊且加噪声后图像

执行结果：

原始图

像无噪声运动模糊图

像有噪声运动模糊图像

图1 无噪声和有噪声的运动模糊图像

实验结果分析：

采用仿真的方法对清晰的图像加以运动模糊，形成模糊的图像。用这种模型来描述由于目标或摄像头运动，而导致的图像模糊。 同时在加入正态分布的随机噪声图像显得更加灰暗。

2．用维纳滤波复原函数deconvwnr 对模糊图像进行复原重建。

a) 对无噪声运动模糊图像用deconvwnr(I,PSF)进行复原；

程序代码：

I=imread('cameraman.tif'); %读取图像

subplot(1,3,1);imshow(I,[]); %显示图像

title('原始图像');

PSF=fspecial('motion',25,11); %运动模糊函数，运动位移是25像素，角度是11

Blurred=imfilter(I,PSF,'conv','circular'); %对图像运动模糊处理

subplot(1,3,2);imshow(Blurred,[]); %显示无噪声运动模糊图像

title('无噪声运动模糊图像');

WI1=deconvwnr(Blurred,PSF); %不带参数的维纳滤波（逆滤波）复原

subplot(1,3,3); imshow(WI1,[]); %显示逆滤波复原结果

title('逆滤波复原结果');

执行结果：

原始图

像无噪声运动模糊图

像逆滤波复原结果

带噪信比参数维纳

滤波复原结果带自相关函数的维纳滤波复原

图2 对无噪声的运动模糊图像进行逆滤波复原

实验结果分析： 由实验结果可以看出，当图像无噪声或噪声较小，即轻度降质时，采用逆滤波恢复的方法可以获得较好的结果。

b) 对有噪声运动模糊图像用deconvwnr(I,PSF)、deconvwnr(I,PSF,NSR) 和

deconvwnr(I,PSF,NCORR,ICORR)函数进行复原。

程序代码：

I=imread('cameraman.tif'); %读取图像

subplot(2,3,1);imshow(I,[]); %显示图像

title('原始图像');

PSF=fspecial('motion',25,11); %运动模糊函数，运动位移是25像素，角度是11

Blurred=imfilter(I,PSF,'conv','circular'); %对图像运动模糊处理

Noise=0.05*randn(size(I)); %正态分布的随机噪声

BlurredNoisy=imadd(Blurred,im2uint8(Noise));%对退化后的图像附加噪声

subplot(2,3,2);imshow(BlurredNoisy,[]); %显示运动模糊且加噪声后图像

title('运动模糊且加噪声后图像');

WI1=deconvwnr(BlurredNoisy,PSF); %不带参数的维纳滤波（逆滤波）复原 subplot(2,3,3); imshow(WI1,[]); %显示逆滤波复原结果

title('逆滤波复原结果');

NSR=sum(Noise(:).^2)/sum(im2double(I(:)).^2);%计算噪信比

WI2=deconvwnr(BlurredNoisy,PSF,NSR); %带噪信比参数的维纳滤波复原

subplot(2,3,4);imshow(WI2,[]); %显示带噪信比参数维纳滤波复原结果

title('带噪信比参数维纳滤波复原结果');

NP=abs(fftn(Noise)).^2;

NCORR=real(ifftn(NP)); %计算噪声的自相关函数

IP=abs(fftn(im2double(I))).^2;

ICORR=real(ifftn(IP)); %计算信号的自相关函数

WI3=deconvwnr(BlurredNoisy,PSF,NCORR,ICORR); %带自相关函数的维纳滤波复原

subplot(2,3,5);imshow(WI3,[]);

title('带自相关函数的维纳滤波复原');

执行结果：

原始图

像运动模糊且加噪声后图

像逆滤波复原结果

带噪信比参数维纳滤波复原结果带自相关函数的维纳滤波复原

带噪信比参数维纳滤波复原结果带自相关函数的维纳滤波复原

图3 对运动模糊退化且加噪声的图像进行维纳滤波

实验结果分析：

比较复原结果可以发现，在对图像和噪声信息都未知的情况下采用不带参数的维纳滤波（逆滤波）形式进行复原效果很不好，在已知信噪比NSR参数的情况的维纳滤波复原效果有了较大的改善，在已知噪声和原图像的自相关函数等参数的情况下的维纳滤波复原效果最佳。

c) 在实际应用过程中，常常无法准确得知噪声图像和理想图像的功率谱，试着用常数K 来代替NSR，并通过实验观察不同K对图像复原效果的影响。

程序代码：

I=imread('cameraman.tif'); %读取图像

subplot(1,3,1);imshow(I,[]);%显示图像

title('原始图像');

PSF=fspecial('motion',25,11); %运动模糊函数，运动位移是25像素，角度是11

Blurred=imfilter(I,PSF,'conv','circular'); %对图像运动模糊处理

Noise=0.05*randn(size(I)); %正态分布的随机噪声

BlurredNoisy=imadd(Blurred,im2uint8(Noise));%对退化后的图像附加噪声

WI1=deconvwnr(BlurredNoisy,PSF); %不带参数的维纳滤波（逆滤波）复原

NSR=sum(Noise(:).^2)/sum(im2double(I(:)).^2); %计算噪信比

WI2=deconvwnr(BlurredNoisy,PSF,NSR); %带噪信比参数的维纳滤波复原

subplot(2,3,1);imshow(WI2,[]); %显示带噪信比参数维纳滤波复原结果

title('NSR取均值复原结果');

WI3=deconvwnr(BlurredNoisy,PSF,0.005); %噪信比取0.005参数的维纳滤波复原

subplot(2,3,2);imshow(WI3,[]);

title('NSR=0.005复原结果');

WI4=deconvwnr(BlurredNoisy,PSF,0.001); %带噪信比取0.002参数的维纳滤波复原

subplot(2,3,3);imshow(WI4,[]); %显示带噪信比参数维纳滤波复原结果

title('NSR=0.001复原结果');

WI5=deconvwnr(BlurredNoisy,PSF,0.01); %带噪信比取0.01参数的维纳滤波复原

subplot(2,3,4);imshow(WI5,[]); %显示复原结果

title('NSR=0.01复原结果');

WI6=deconvwnr(BlurredNoisy,PSF,0.05); %带噪信比取0.05参数的维纳滤波复原

subplot(2,3,5);imshow(WI6,[]);

title('NSR=0.05复原结果');