数字图像去噪盲复原算法改进研究(3)

第1期 曲振峰等:数字图像去噪盲复原算法改进研究素点(x,y),首先取一个包含该点的3 3窗口;然后将此窗口分成四个2 2重叠子窗口,再分别计算四个子窗口的三阶累积量,选择值最小的一个子窗口中的四个点的像素值的平均值作为(x,y)点的像素值,这样既抑制了高斯噪声又较多的保留了图像的细节,如图3所示

.

3

图4(c)为滤波后的图像其PSNR为20.17,峰值信噪比提高了1.24.从结果上可以很明显的看出图像的视觉效果得到了很大的改善.

图4 计算机模拟图

实验2:我们运用一个方差为10,大小为7*7的高斯滤波器和一个大小为200*200的灰度图像 CCUT 做卷积,来模拟图像的退化过程.如图5所示,图5(a)为原始图像,图5(b)为高斯型滤波器

图3 加窗示意图

(PSF),图5(c)为被方差为0.1的零均值高斯噪声污染的图像,图5(d)为退化后的含噪图像,图5(e)为没有经确过去噪而直接进行复原操作后的结果,可以看出噪声的影响实际是被放大了,边缘信息也不够完善.图5(f)为采用改进型的NAS-RIF算法复原后的结果.比较复原结果图5(e)和图5(f),我们发现图像的边缘被很好的复原,但是在图5(e)中噪声被明显的放大了,图5(f)的复原效果明显好于图5(e),从实验结果图5(a)到5(f)可以直观的看出改进算法的复原效果明显优于原NAS-RIF算法.

2.3 寻找准确的图像目标支持域

最初的NAS-RIF算法假设目标支持域是矩形的,由于实际的目标支持域几乎都是非矩形的,故导致复原效果的不理想.

基于此,我们采用图像分割技术,将g(x,y)的像素分成目标和背景两类,支持域由目标像素组成,非支持域由背景像素组成.我们构建一个二维数组模板b(x,y),它与退化图像尺寸相同,每点取值如下:

(15)

0,g(x,y) T

其中:1表示在支持域内;0表示在支持域外.区分背景和目标的门限T可用最小误差门限法求得.改进后的代价函数定义如下:J(u)=

+

2 f^(x,y)b(x,y)=12

b(x,y)=

1,g(x,y)>T

f^(x,y)-Lb(x,y)=0

2

+ ( u(x,y)-x,y)

2

(16)

在每一步的迭代过程中,可根据估计的图像重新计算门限T,以提高目标图像支持域的准确度.同时,当背景的灰度不均匀时,可以根据门限T求出

背景各点的灰度平均值,将图像背景置为平均值,这样提高了改进算法的适用范围.

3 实验结果以及分析

为了说明累积量平滑去噪算法的有效性,对图像进行了计算机模拟.实验1:图4(a)为原始图像,大小为256*256.随机的加入高斯噪声,被噪声污

,比图5 模拟图像的退化过程

(下转第13页)

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说综合文库数字图像去噪盲复原算法改进研究(3)在线全文阅读。