有約束將質(zhì)圖像復(fù)原算法的研究畢業(yè)論文(存儲(chǔ)版)

　　

【正文】 分緊密，圖像處理技術(shù)應(yīng)運(yùn)而生，從二十世紀(jì)六十年代數(shù)字圖像理作為一門(mén)學(xué)科正式產(chǎn)生到現(xiàn)在，圖像處理技術(shù)已經(jīng)在軍事、生活、通信、交通等領(lǐng)域得到了廣泛的應(yīng)用。例如在城市交通管理中，由于越來(lái)越多的車(chē)輛導(dǎo)致了很多的交通事故，一個(gè)重要原因就是駕駛員超速及闖紅燈。 到目前為止，處理運(yùn)動(dòng)模糊有很多種方法，常見(jiàn)的有逆濾波、維納濾波以及盲解卷積算法等。 本文工作與結(jié)構(gòu) 本文的主要內(nèi)容是研究由于勻速直線運(yùn)動(dòng)造成圖像模糊的復(fù)原問(wèn)題，包括以下幾個(gè)方面的工作：(1)簡(jiǎn)要介紹運(yùn)動(dòng)模糊圖像復(fù)原的研究背景，以及國(guó)內(nèi)外在這類問(wèn)題上的研究進(jìn)展與各類算法的優(yōu)勢(shì)與缺陷。因此，去噪是圖像處理過(guò)程中的一個(gè)重要的步驟，對(duì)于圖像的后續(xù)處理有重要意義。第二種方法是通過(guò)圖像恢復(fù)算法來(lái)進(jìn)行模糊圖像復(fù)原，這種方法局限性小，且效果明顯，因此也成為改善運(yùn)動(dòng)模糊圖像的主要途徑。 椒鹽噪聲的處理椒鹽噪聲是指圖像中黑白相間的亮暗點(diǎn)噪聲，去除椒鹽噪聲一種很有效的方法是中值濾波。)。)。 k4=medfilt2(J,[9,9])。)。)。title(39。自適應(yīng)中值濾波處理結(jié)果如下： 圖37 源圖像 圖38 噪聲圖像 圖39 Smax值為3中值濾波 圖310 Smax值為5中值濾波圖311 Smax值為7中值濾波從處理結(jié)果可以看出，在 Smax 值設(shè)為 3 時(shí)，圖像邊緣還存在椒鹽噪聲，椒鹽噪聲未能被完全濾除，但圖像細(xì)節(jié)保存完好；在 Smax 值設(shè)為 5 時(shí)，椒鹽噪聲被完全濾除，且圖像細(xì)節(jié)十分清晰；Smax 值為 7 時(shí)的處理結(jié)果與 Smax 值為 5 的處理結(jié)果差別不大，圖像并沒(méi)有變得模糊。J=imnoise(L,39。M1=conv2(im2double(J),k)。n=[0 0 1 0 0。鄰域平均結(jié)果如下： 圖312 噪聲圖像 圖313 半徑為 1 的鄰域平均處理效果 圖314 半徑為 的鄰域平均處理效果 圖315 半徑為 2 的鄰域平均處理效果從上面的處理效果來(lái)看，鄰域平均法能夠在一定程度上過(guò)濾高斯噪聲，但是也會(huì)不同程度的給圖像帶來(lái)模糊，鄰域的半徑越大，包含的像素越多，對(duì)高斯噪聲的去除效果越好，但是同時(shí)圖像細(xì)節(jié)也更加模糊。方向會(huì)出現(xiàn)平行暗紋。若某像素點(diǎn)位于邊界處，則其相鄰像素的灰度值變化就較大，對(duì)這種灰度值的變化進(jìn)行量化統(tǒng)計(jì)就能夠提取出圖像的邊界，常用的邊緣檢測(cè)算子有 Robert 算子、Sobel 算子、Canny 算子等，在這里我們使用 Sobel 算子進(jìn)行邊緣提取。 圖 46 邊緣檢測(cè)后圖像對(duì)上圖進(jìn)行 Hough 變換，檢測(cè)出變換域中各點(diǎn)疊加次數(shù)的峰值，得到峰值處對(duì)應(yīng)的直線角度，即可計(jì)算出模糊運(yùn)動(dòng)角度大小。仍然按照上述I實(shí)驗(yàn)步驟對(duì)運(yùn)動(dòng)角度進(jìn)行估計(jì)。下面考察一幅運(yùn)動(dòng)長(zhǎng)度 L=3運(yùn)動(dòng)角度 θ=0176。THETA=0。conv39。x=0:1:n1。實(shí)驗(yàn)結(jié)果如下表：表45 對(duì)加不同噪聲的運(yùn)動(dòng)模糊圖像長(zhǎng)度估計(jì)實(shí)驗(yàn)結(jié)果真實(shí)運(yùn)動(dòng)長(zhǎng)度 35 35 35 36噪聲大小 估計(jì)運(yùn)動(dòng)長(zhǎng)度 34 34 34 34誤差 1 1 1 1由實(shí)驗(yàn)結(jié)果看出，噪聲并不會(huì)對(duì)用此方法對(duì)運(yùn)動(dòng)長(zhǎng)度的估計(jì)產(chǎn)生影響。~46176。 由式子52可得： (53) 由上式可知，如果已知、就可以得到，進(jìn)行傅立葉逆變換，就可得到恢復(fù)后的圖像。由于圖像的功率譜是自相關(guān)函數(shù)的傅立葉變換，可認(rèn)為圖像的功率譜隨著頻率的升高而下降。設(shè)對(duì)圖像施加某一線性運(yùn)算Q，求在約束條件 （56）下，使為最小的作為原圖的最佳估計(jì)。但是在有噪聲的情況下，圖像的復(fù)原效果都會(huì)受到一定程度的影響。對(duì)高斯噪聲使用領(lǐng)域平均法去噪。(3)在確定運(yùn)動(dòng)模糊尺度的過(guò)程中，提出了暗條紋統(tǒng)計(jì)的尺度檢測(cè)方法，通過(guò)統(tǒng)計(jì)運(yùn)動(dòng)模糊圖像頻譜圖中暗條紋個(gè)數(shù)來(lái)確定運(yùn)動(dòng)模糊尺度，在運(yùn)動(dòng)尺度不是很大的情況下，這種方法十分快捷有效。首先要感謝我的指導(dǎo)老師邵慧老師，從論文主題的選擇到內(nèi)容結(jié)構(gòu)的安排以及行文表述的規(guī)范，邵老師都給了我很大的指導(dǎo)與教誨，在論文的創(chuàng)作過(guò)程中老師的諄諄教誨與悉心指導(dǎo)讓我受益匪淺。 2。 參考文獻(xiàn)[1] 朱秀昌,劉峰. 數(shù)字圖像處理與圖像通信. 北京：北京郵電大學(xué)出版社,2008[2] 趙榮椿. 數(shù)字圖像處理導(dǎo)論. 西安: 西北工業(yè)大學(xué)出版社, 1999[3] . 數(shù)字圖像處理[M]. 北京: 電子工業(yè)出版社,2002:324334.[4] 羅春輝,：機(jī)械工業(yè)出社,2005[5] 劉政凱, 瞿建雄. 數(shù)字圖像恢復(fù)與重建[M]. 合肥: 中國(guó)科學(xué)技術(shù)大學(xué)版. 華北工學(xué)院學(xué)位論文社, 1989:148182. [6] 賀建峰, 肖楠楠, 陳鋼. 運(yùn)動(dòng)圖像的模糊與恢復(fù). 昆明理工大學(xué)學(xué)報(bào), 1997:132136.[7] 戴禎杰, 岑磊. 運(yùn)動(dòng)模糊圖像的復(fù)原. 廣西教育學(xué)院學(xué)報(bào), 2002:5357.[8] 徐飛, 施曉紅. MATLAB應(yīng)用圖像處理. 西安: 西安電子科技大學(xué)出版社. 華北工學(xué)院學(xué)位論文, 2002:4753.[9] 陳楊，陳榮娟，《》，西安電子科技大學(xué)出版社，[10] 鄭方, 章毓晉. 數(shù)字信號(hào)與圖像處理. 北京: 清華大學(xué)出版社, 2006:1433.[11] 徐明遠(yuǎn)，劉增力，《MATLAB仿真在信號(hào)處理中的應(yīng)用》，西安電子科技大學(xué)出版社，[12] 于萬(wàn)波，《基于MATLAB的圖像處理》，清華大學(xué)出版社，[13] 飛思科技產(chǎn)品研發(fā)中心，《》，電子工業(yè)出版社，[14] 章毓晉，《圖像處理與分析》，北京清華大學(xué)出版社 [15] 張志涌，《》， 北京北航電子版，[16] 孫家廣，楊長(zhǎng)貴.，《計(jì)算機(jī)圖形學(xué)》， 清華大學(xué)出版社，[17] 閆敬文，《數(shù)字圖像處理MATLAB版》，國(guó)防工業(yè)出版社，[18] Sang Kyu Kang, Min Ji Hong, Joon Ki Paik. Simultaneous digital focusing and motion blur removal using segmentatinbased adaptive regularization. Proceedings of SPIEThe International Society for Optical Engineering, 2001:776786.[19] Cai, LiDong, Zheng, JiWen. Image blur caused by uniform linear motion and its removal using traveling wave equation and Hough transform. Proceeding of SPIEThe International Society for Optical Engineering, 2002:268275.[20] Gonzalez R, Woods R. Digital Image Processing. AddisonWesley Publishing, 1992:2030. 附錄 文獻(xiàn)翻譯 SIMULTANEOUS IMAGE FORMATION AND MOTION BLUR RESTORATION VIA MULTIPLE CAPTUREABSTRACT Advances in CMOS image sensors enable fast image capture,which makes it possible to capture multiple images within a normal exposure time. An algorithm that takes advantage of this capability by simultaneously constructing a high dynamic range image and performing motion blur restoration from multiple image captures is described. The algorithm prises two main procedures – photocurrent estimation and motion/saturation detection. It operates pletely locally – each pixel’s final value is puted using only its captured values,and recursively, requiring the storage of only a constant number of values per pixel independent of the number of images captured. These modest putational and storage requirements make it feasible to integrate all needed memory and processing with the image sensor on a single CMOS chip. Simulation results demonstrate the enhanced SNR, dynamic range,and the motion blur restoration obtained using our algorithm. 1. INTRODUCTION Blurring due to object or camera motion during image capture can cause substantial degradation in image quality. As a result, a great deal of research has been conducted on developing methods for restoring motion blurred images, ., see [1].These methods make certain assumptions on the blurring process,the ideal image, and the noise. Various image processing techniques are then used to identify the blur and restore the image. However, due to the lack of sufficient knowledge of the blurring process and the ideal image, the developed image blur restoration methods have limited applicability and their putational burden can be quite substantial. Recent advances in CMOS image sensor technology enable digital high speed capture up to thousands of frames per second [2, 3]. This benefits traditional high speed imaging applications and enables new imaging enhancement capabilities such as multiple capture for increasing the sensor dynamic range [4]. In this scheme, multiple images are captured at different times within the normal exposure time. Shorter exposure time images capture brighter areas of the scene,while longer exposure time images capture darker areas of the scene. The images are then bined into a single high dynamic range image. In this paper we propose to use this multiple capture capability to simultaneously form a high dynamic range image and reduce or