第五章 讲解内容 1.图像恢复的概念、模型与方法 2.图像几何校正和几何变换 3.图像重建 目的 1.熟悉位移不变系统图像退化模型,掌握频 率域逆滤波恢复方法; 2.熟悉图像几何校正和几何变换的方法与基 本步骤,掌握图像灰度内插方法及其特点 3.了解图像重建的基本概念与方法
第五章 讲解内容 1. 图像恢复的概念、模型与方法 2. 图像几何校正和几何变换 3.图像重建 目的 1. 熟悉位移不变系统图像退化模型，掌握频 率域逆滤波恢复方法； 2. 熟悉图像几何校正和几何变换的方法与基 本步骤，掌握图像灰度内插方法及其特点 3.了解图像重建的基本概念与方法
第五章图像复原与重建 5.1图像退化模型 5.1.1图像的退化 图像的退化是指图像在形成、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,使图像的质量变坏。 图像复原就是要尽可能恢复退化图像的本来面目,它是 沿图像退化的逆过程进行处理 典型的图像复原是根据图像退化的先验知识建立一个退 化模型,以此模型为基础,采用各种逆退化处理方法进行恢 复,得到质量改善的图像。图像复原过程如下: 找退化原因→建立退化模型→反向推演→恢复图像 可见,图像复原主要取决于对图像退化过程的先验知识 所掌握的精确程度,体现在建立的退化模型是否合适
第五章 图像复原与重建 5.1 图像退化模型 5.1.1 图像的退化 图像的退化是指图像在形成、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，使图像的质量变坏。 图像复原就是要尽可能恢复退化图像的本来面目，它是 沿图像退化的逆过程进行处理。 典型的图像复原是根据图像退化的先验知识建立一个退 化模型，以此模型为基础，采用各种逆退化处理方法进行恢 复，得到质量改善的图像。图像复原过程如下： 找退化原因→建立退化模型→反向推演→恢复图像 可见，图像复原主要取决于对图像退化过程的先验知识 所掌握的精确程度，体现在建立的退化模型是否合适
图像复原和图像增强的区别: 图像增强不考虑图像是如何退化的,而是试图采用各种 技术来增强图像的视觉效果。因此,图像增强可以不顾增强 后的图像是否失真,只要看得舒服就行。 而图像复原就完全不同,需知道图像退化的机制和过程 等先验知识,据此找出一种相应的逆处理方法,从而得到复 原的图像。 如果图像已退化,应先作复原处理,再作增强处理。 二者的目的都是为了改善图像的质量。 5.1.2系统的描述 点源的概念 事实上,一幅图像可以看成由无穷多极小的像素所组成, 每一个像素都可以看作为一个点源成像,因此,一幅图像也 可以看成由无穷多点源形成的
图像复原和图像增强的区别： 图像增强不考虑图像是如何退化的，而是试图采用各种 技术来增强图像的视觉效果。因此，图像增强可以不顾增强 后的图像是否失真，只要看得舒服就行。 而图像复原就完全不同，需知道图像退化的机制和过程 等先验知识，据此找出一种相应的逆处理方法，从而得到复 原的图像。 如果图像已退化，应先作复原处理，再作增强处理。 二者的目的都是为了改善图像的质量。 5.1.2 系统的描述 点源的概念 事实上，一幅图像可以看成由无穷多极小的像素所组成， 每一个像素都可以看作为一个点源成像，因此，一幅图像也 可以看成由无穷多点源形成的
在数学上,点源可以用狄拉克δ函数来表示 维函数可定义为 ∞0x=0,y=0 6(x,y) 0 其它 且满足 E ∫8(x,ykb=(x,yd=1 它的一个重要特性就是采样特性。即 f(x,y(-a,y-B)dxdy= f(a,B) 当a=B=0时 f(o,O) f(, yo(x,ydx 一
在数学上，点源可以用狄拉克δ函数来表示。二 维δ函数可定义为 且满足 它的一个重要特性就是采样特性。即 当α=β=0时 = = = 0 其它 0, 0 ( , ) x y x y ( , ) = ( , ) =1 − − x y dxdy x y dxdy f (x, y) (x −, y − )dxdy = f (, ) − f (0,0) f (x, y) (x, y)dxdy − =
它的另一个重要特性就是位移性。 f(, y)= f(a, B)8(x-a,y-B)dadB 用卷积符号*表示为 fa,y=f(,y)*k5(x,y) 因此还有 f(r-a,y-B)=f(x,y)*8(x-a, y-B 二维线性位移不变系统 如果对二维函数施加运算T[·],满足 1)D2(xy+(x=1(x+(x )[c(x.y=a1[(x,)
它的另一个重要特性就是位移性。 用卷积符号 * 表示为 因此还有 二维线性位移不变系统 如果对二维函数施加运算T[·] ，满足 ⑴ ⑵ − − f (x, y) = f (,) (x −, y − )dd f (x, y) = f (x, y) (x, y) f (x −, y − ) = f (x, y) (x −, y − ) Tf (x, y) f (x, y) Tf (x, y) Tf (x, y) 1 + 2 = 1 + 2 Taf (x, y) = aTf (x, y)