一、實驗目的

（1）了解圖像復原的目的及意義，加深對圖像復原理論的認識。

（2）掌握維納濾波復原基本原理。

（3）掌握約束最小二乘方復原方法。

（4）掌握盲解卷積復原方法

二、實驗內容

?（1）維納濾波復原。

?（2）約束最小二乘方復原

?（3）盲解卷積復原

三、實驗代碼及結果、分析

（1）維納濾波復原

• 代碼：

I=imread('E:\大三課件\大三下\數字圖像處理\實驗\實驗5\lena.jpg');

I=rgb2gray(I);

noise=5*randn(size(I)); ?????

noise = noise - min(min(noise));

J ?= double(I) +noise;

R1=wiener2(J,[10 10]); ???%未知噪聲

R2=wiener2(J,[10 10],noise); ?%已知噪聲分布

figure ?????

subplot(2,2,1),imshow(uint8(I));title('原始圖像'); ?????

subplot(2,2,2),imshow(uint8(J));title('退化圖像'); ?????

subplot(2,2,3),imshow(uint8(R1));title('盲復原');

subplot(2,2,4),imshow(uint8(R2));title('非盲復原');

• 結果：

• 分析：

維納濾波又叫最小均方差濾波，它的目標是找到一個原圖像f的估計圖像f'，使得它們之間的均方誤差最小。 ?e^2 = E(（f-f'）^2)

randa()函數是產生隨機噪聲，nosize應該是一個矩陣，min(min(noise))表示先取每列中的最小值，再取最小值中的最小值

關于維納濾波函數有wiener2和deconvwnr，分別適用于灰度圖像和彩色圖像

R1為未知噪聲的分布，R2為已知噪聲分布

?

（2）約束最小二乘方復原方法

• 代碼：

I=imread('E:\大三課件\大三下\數字圖像處理\實驗\實驗5\lena.jpg');

I=rgb2gray(I);I = im2double(I);[hei,wid,~] = size(I);

PSF = fspecial('motion', 21, 11);%攝像物體逆時針方向以11角度運動了21個像素

blurred = imfilter(I, PSF, 'conv', 'circular');%運動模糊圖像

% 逆濾波結果

If = fft2(blurred);Pf = psf2otf(PSF,[hei,wid]);deblurred =ifft2(If./Pf);

% 運動模糊+高斯噪聲

noise_mean = 0;noise_var = 0.00001;

blurred_noisy = imnoise(blurred, 'gaussian',noise_mean, noise_var);

% 約束最小二乘法

p = [0 -1 0;-1 4 -1;0 -1 0];P = psf2otf(p,[hei,wid]);

gama = 0.002;%γ設置成0.001左右會有比較好的效果If = fft2(blurred_noisy);numerator = conj(Pf);

denominator = Pf.^2 + gama*(P.^2);

deblurred2 = ifft2( numerator.*If./ denominator );

subplot(2,3,1),imshow(I);title('原始圖像');

subplot(2,3,2), imshow(blurred); title('運動模糊圖像');

subplot(2,3,3), imshow(deblurred); title('運動模糊復原')

subplot(2,3,4), imshow(blurred_noisy),title('運動模糊+噪聲圖像')

subplot(2,3,5), imshow(deblurred2),title('無約束最小二乘法復原');

subplot(2,3,6); imshow(deconvreg(blurred_noisy, PSF,0)); title('deconvreg函數復原');%自帶的去模糊deconvreg函數

• 結果：

• 分析：

1、fspecial('type', len,theta)函數，用于預定于濾波算子，type=motion為運動算子，theta參數表示逆時針方向的角度，len表示運動了len個像素

2、約束最小二乘方濾波效果比自帶的去模糊deconvreg函數好

3、約束最小二乘方濾波對高噪聲和中等噪聲產生結果要好于維納濾波，對于低噪聲兩種濾波產生結果基本相等

?

（3）盲解卷積復原方

• 代碼：

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;

INITPSF=ones(size(PSF));

FUN=inline('PSF+P1','PSF','P1');

[J P]=deconvblind(BlurredNoisy,INITPSF,20,10*sqrt(V),WT,FUN,0);

subplot(131);imshow(I);title('原圖像');

subplot(132);imshow(BlurredNoisy);title('運動模糊+噪聲圖像');

subplot(133);imshow(J);title('盲去卷積');

• 結果：

• 分析：

盲解卷積復原是指在沒有圖像退化先驗知識、對退化系統了解不足的條件下，通過觀察退化圖像的多個圖像以某種方式抽出退化信息，進行圖像復原

函數imnoise 是表示添加噪聲污染一幅圖像，叫做噪聲污染圖像函數,g=imnoise（f,'localvar',V)將均值為0，局部方差為V的高斯噪聲添加到圖像f上，其中V是與f大小相同的一個數組，它包含了每一個點的理想方差值

Inline()函數：定義一個內置函數，本質上說跟function干的是一樣的事，只不過它可以直接內嵌在命令行里，不用另外單獨定義function

總結

以上是生活随笔為你收集整理的数字图像处理实验5图像复原的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。