论文部分内容阅读
退化图像根据对图像造成的视觉效果的不同,可分为两大类,即模糊图像和畸变图像。针对这两类退化图像的复原算法一直是图像处理领域的研究热点,本文也针对此进行了大量的实验研究。模糊图像复原的关键是获得退化图像的点扩展函数或者其傅立叶变换的先验知识。经典复原算法都是以系统的点扩展函数已知为前提的,它具有复原效果好,复原速度快等优点,但在实际应用中由于系统的点扩展函数往往未知,使其受到实际应用的限制。盲复原算法可以在未知系统点扩展函数的情况下,通过模糊图像来估计系统点扩展函数进而复原原始图像,因此在实际应用中更具价值。但是目前的盲复原方法存在点扩展函数估计误差大、运算复杂等缺陷,影响了模糊图像的复原效果和复原速度。本文通过对已有模糊图像复原算法的深入研究,针对上述两类复原算法目前存在的不足,提出了一种新型的自适应盲复原算法。该算法依据不同的降质方法会造成图像频谱中不同频率成份丢失的特点,通过有效的频谱变换和特征提取,实现了运动模糊、散焦模糊、高斯模糊以及其他模糊的自动分类,并对三种常见模糊通过相应的模糊参数辨识方法自动给出点扩展函数的精确估计,利用经典复原算法—维纳滤波实现了退化图像的复原;对于其他模糊系统自动采用改进的NAS-RIF盲复原算法进行复原。该算法最大的优点是兼顾了盲复原的广泛实用性和经典复原的良好复原性能,具有复原效果好、计算量小、复原适应性强等优点。同时在运动模糊图像的模糊参数辨识中,通过对运动模糊图像的运动方向估计方法的深入研究,提出了有效的改进方法。首先将运动模糊图像进行3×3方向微分运算,然后将微分图像灰度值通过灰度线性变换,求取和值中的极大值来自动且有效地识别出运动方向。实验结果表明,改进的方法提高了计算精度并扩大了算法适用范围。畸变图像的校正尤其是非线性畸变图像由于其非线性的复杂度,到目前为止仍未能得到很好的解决。传统的非线性畸变图像校正方法,需要建立畸变数学模型,不仅求解畸变参数复杂,计算量大,且存在很大的数值计算误差等问题。本文通过对非线性光学畸变退化图像深入研究,利用人工神经网络通过学习训练畸变图像的输入输出数据来建立畸变图像与非畸变图像的映射关系,从而较好地实现了基于人工神经网络的图像畸变矫正,且实现方法简单。