图像恢复算法
A. 模糊图像复原方法
图像复原-模糊图像处理解决方案
机器视觉智能检测 2017-06-16
造成图像模糊的原因有很多，且不同原因导致的模糊图像需要不同的方法来进行处理。从技术方面来讲，模糊图像处理方法主要分为三大类，分别是图像增强、图像复原和超分辨率重构。本文将从这三方面切入剖析。
智能化设备管理技术是利用系统管理平台软件的设备管理服务，对所有的监控设备包括摄像机、云台、编码器和系统服务器进行不间断的实时监测，当发现故障时能及时通过各种方式告警，提示维护人员及时处置。一个系统可以按照网络拓扑结构部署多台设备管理服务器，分区域对设备进行实时的巡检，这样可以大大提高系统的维护效率，尽可能做到在设备发生故障时，在不超过10分钟的时间内被监测到并告警。
建设目标
本方案拟应用先进的机器学习和计算机视觉技术，仿真人类的视觉系统，针对某市公共安全图像资源前端摄像头出现的雪花、滚屏、模糊、偏色、画面冻结、增益失衡和云台失控等常见摄像头故障以及恶意遮挡和破坏监控设备的不法行为做出准确判断，并自动记录所有的检测结果，生成报表。以便用户轻松维护市公共安全图像资源系统。
技术路线
将视频故障分成视频信号缺失、视频清晰度异常、视频亮度异常、视频噪声、视频雪花、视频偏色、画面冻结、PTZ运动失控八种类型。其中视频信号缺失、随着“平安城市”的广泛建设，各大城市已经建有大量的视频监控系统，虽然监控系统己经广泛地存在于银行、商场、车站和交通路口等公共场所，但是在公安工作中，由于设备或者其他条件的限制，案情发生后的图像回放都存在图像不清晰，数据不完整的问题，无法为案件的及时侦破提供有效线索。经常出现嫌疑人面部特征不清晰、难以辨认、嫌疑车辆车牌模糊无法辨认等问题，这给公安部门破案、法院的取证都带来了极大的麻烦。随着平安城市的推广、各地各类监控系统建设的进一步推进，此类问题将会越来越凸显。
模糊图像产生的原因
造成图像模糊的原因很多，聚焦不准、光学系统的像差、成像过程中的相对运动、大气湍流效应、低光照、环境随机噪声等都会导致图像模糊。另外图像的编解码、传输过程都可能导致图像的进一步模糊。总体来说，造成图像模糊的主要原因如下：
· 镜头聚焦不当、摄像机故障等;
· 传输太远、视频线老化、环境电磁干扰等;
· 摄像机护罩视窗或镜头受脏污、受遮挡等;
· 大雾、沙尘、雨雪等恶劣环境影响;
· 由视频压缩算法和传输带宽原因导致的模糊;
· 摄像机分辨率低，欠采样成像;
· 光学镜头的极限分辨率和摄像机不匹配导致的模糊;
· 运动目标处于高速运动状态导致的运动模糊等;
……
模糊图像常用解决方案
对于模糊图像处理技术，国内大学和科研机构在多年以前就在研究这些理论和应用，相关文献也发布了不少，已经取得了一些很好的应用。美国 Cognitech软件是相当成熟的一套模糊图像恢复应用软件，在美国FBI及其他执法机构中已有多年实际应用，其恢复出的图像可以直接当作法庭证据使用，可见模糊图像处理技术已经取得了相当的实际应用。
前面提到，造成图像模糊的原因有很多，要取得比较好的处理效果，不同原因导致的模糊往往需要不同的处理方法。从技术方面来讲，模糊图像处理方法主要分为三大类，分别是图像增强、图像复原和超分辨率重构。
图像增强
很多传统图像算法都可以减轻图像的模糊程度，比如图像滤波、几何变换、对比度拉伸、直方图均衡、空间域锐化、亮度均匀化、形态学、颜色处理等。就单个来讲，这些算法都比较成熟，相对简单。但是对于一个具体的模糊图像，往往需要上面的一种或者多种算法组合，配合不同的参数才能达到理想的效果。这些算法和参数的组合进一步发展成为具体的增强算法，比如“图像去雾”算法、“图像去噪”算法、“图像锐化”算法、“图像暗细节增强”算法等等。这些算法都不同程度提高了图像清晰度，很大程度改善了图像质量。
综合使用形态学、图像滤波和颜色处理等算法可以实现图像去雾的算法，图1是一个去雾算法的实际使用效果，类似的图像增强算法还有很多，不再一一列举。图像复原
图像复原与图像增强技术一样，也是一种改善图像质量的技术。图像复原是根据图像退化的先验知识建立一个退化模型，然后以此模型为基础，采用各种逆退化处理方法逐步进行恢复，从而达到改善图像质量的目的。
图像复原和图像增强是有区别的，两者的目的都是为了改善图像的质量。但图像增强不考虑图像是如何退化的，只有通过试探各种技术来增强图像的视觉效果，而图像复原就完全不同，需要知道图像退化过程的先验知识，据此找出一种相应的逆过程方法，从而得到复原的清晰图像。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。
对由于离焦、运动、大气湍流等原因引起的图像模糊，图像复原的方法效果较好，常用的算法包括维纳滤波算法、小波算法、基于训练的方法等。图3是使用维纳滤波解决运动模糊图像的例子，取得了很好的复原效果。在知道退化模型的情况下，相对图像增强来说，图像复原可以取得更好的效果。图像超分辨率重构
现有的监控系统主要目标为宏观场景的监视，一个摄像机，覆盖一个很大的范围，导致画面中目标太小，人眼很难直接辨认。这类由于欠采样导致的模糊占很大比例，对于由欠采样导致的模糊需要使用超分辨率重构的方法。
超分辨率复原是通过信号处理的方法，在提高图像的分辨率的同时改善采集图像质量。其核心思想是通过对成像系统截止频率之外的信号高频成分估计来提高图像的分辨率。超分辨率复原技术最初只对单幅图像进行处理，这种方法由于可利用的信息只有单幅图像，图像复原效果有着固有的局限。序列图像的超分辨率复原技术旨在采用信号处理方法通过对序列低分辨率退化图像的处理来获得一幅或者多幅高分辨率复原图像。由于序列图像复原可利用帧间的额外信息，比单幅复原效果更好，是当前的研究热点。
序列图像的超分辨率复原主要分为频域法和空域法两大类，频域方法的优点是：理论简单，运算复杂度低，缺点是：只局限于全局平移运动和线性空间不变降质模型，包含空域先验知识的能力有限。空域方法所采用的观测模型涉及全局和局部运动、空间可变模糊点扩散函数、非理想亚采样等，而且具有很强的包含空域先验约束的能力。常用的空域法有非均匀插值法、迭代反投影方法（IBP）、凸集投影法（POCS）、最大后验估计法（MAP）、最大似然估计法 （ML）、滤波器法等，其中，MAP和POCS二方法研究较多，发展空间很大。对于具体的算法，不是本文的重点，这里不做详细介绍。图五是一个使用多帧低分辨率图像超分辨率重构的例子。
模糊图像处理技术的关键和不足
虽然很多模糊图像的处理方法在实际应用中取得了很好的效果，但是当前仍然有一些因素制约着模糊图像处理的进一步发展，主要如下。
算法的高度针对性
绝大部分的模糊图像处理算法只适用于特定图像，而算法本身无法智能决定某个算法模块的开启还是关闭。举例来说，对于有雾的图像，“去雾算法”可以取得很好的处理效果，但是作用于正常图像，反而导致图像效果下降，“去雾算法”模块的打开或者关闭需要人工介入。
算法参数复杂性
模糊图像处理里面所有的算法都会包含大量的参数，这些参数的选择需要和实际的图像表现相结合，直接决定最终的处理效果。就目前的算法，还没有办法智能地选择哪些是最优的参数。
算法流程的经验性
由于实际图像非常复杂，需要处理多种情况，这就需要一个算法处理流程，对于一个具体的模糊视频，采用什么样的处理流程很难做到自动选择，需要人工选择一个合适的方法，只能靠人的经验。
结语
由于环境、线路、镜头、摄像机等影响，监控系统建成并运营一段时间后，都会出现一部分的视频模糊不清的问题。
总体来说，虽然模糊图像处理算法已经取得了非常广泛的应用，但是图像算法毕竟有局限性，不能将所有问题都寄希望于图像算法，对于不同种类的模糊问题，要区别对待。对于由镜头离焦、灰尘遮挡、线路老化、摄像机故障等造成的模糊或者图像质量下降，在视频诊断系统的帮助下，一定要及时维修，从源头上解决问题。对于低光照等优先选择日夜两用型高感光度摄像机，对于雨雾、运动和欠采样等造成的图像质量下降，可以借助于“视频增强服务器”包含的各种模糊图像处理算法来提升图像质量。喜欢此内容的人还喜欢
17个教师常用网站推荐给你，再也不用到处找资源了
17个教师常用网站推荐给你，再也不用到处找资源了 ...
高校教师服务工作室
不喜欢
不看的原因
确定
内容质量低 不看此公众号
什么是水磨石？被设计师玩出新高度
什么是水磨石？被设计师玩出新高度 ...
联盟设计库
不喜欢
不看的原因
确定
内容质量低 不看此公众号
B. 数字图像处理—概念&&目的&&内容：增强恢复分割
数字图像处理（digital image processing），是利用计算机对图像进行去除噪声、增强、恢复、分割、提取特征等的理论、方法和技术。
图像处理是利用计算机和实时硬件实现的，也被称为计算机图像处理（computer image processing）。
在人们的日常生活中，图像处理已经得到广泛的应用。
如：利用指纹、虹膜、面部特征等进行身份识别；
自动售货机钞票的识别；电脑成像技术等。
在医学领域，
如：显微镜照片；
X射线透视；
X射线CT（Computer Tomograph，计算机断层摄像）等。
方法/步骤
数字图像处理的目的：
数字图像处理是利用计算机的计算，实现与光学系统模拟处理相同效果的过程。
⑴提高图像的视觉质量，以达到赏心悦目的目的。
例如：去除称之为噪声等图像质量的退化因素；
改变图像的亮度、颜色；
增强图像中的某些成份、抑制某些成份；
对图像进行几何变换等，从而改善图像的质量，以达到各种想要的艺术效果。
⑵提取图像中所包含的某些特征或特殊信息，以便于计算机分析。
如：频域特性、
纹理特性、
灰度/颜色特性、
边界/区域特性、
形状/拓扑特性
关系结构等。
⑶对图像数据进行变换、编码和压缩，以便于图像的存储和传输。
数字图像处理的内容—图像获取、表示和表现：
过程：是把模拟图像信号转化为计算机所能接受的数字形式，
数字图像显示和表现。
包括：摄取图像、光电转换及数字化。
图像增强（Image Enhancement）：
图像增强技术是改善图像视感质量所采取的一种重要手段。
包括：去除图像噪声，增强图像对比度等。
图像增强本事并没有增加原始资料所包含的信息，仅仅是把图像某些部分的特征更加强调罢了。
图像增强的算法通常是交互式的。
图像恢复（Image Restoration）：
图像恢复是指在图像退化（图像品质下降）的原因已知时，对图像进行校正，重新获得原始图像的过程。
图像恢复最关键的是对每一种退化都需要建立一个合理的模型。
退化模型和特定数据一起描述了图像的退化，因此恢复技术是基于模型和数据的图像恢复，其目的是试图将受污染或降质的图像带回到原本不受污染的状况下所应得的干净图像，产生一个等价于理想成像系统获得的图像。
虽然图像恢复与图像增强都会造成视觉上较佳的感受，但后者更关心的是图像特征增强或抽取，而不是去除退化或污染。
图像重建（Image Reconstruction）：
图像重建：是由几个一维的图像投影来重建出更高维的物体图像。
它与图像增强、图像恢复等不同。
图像重建是指从数据到图像的处理，即输入的是某种数据，经过处理后得到的结果是图像。
一个图像的取得是以平行的X光或者其他的放射穿透光束照射物体，并在物体的背面接收此投影，接着在同一平面上改变光束照射的角度以获得不同的投影，再以某些重建算法将这些投影组合成物体的一个横剖面图像。这种技术主要用于医学图像、雷达图像处理、天文学星象观测、地质研究及无损压缩等。
图像压缩（Image Compression）：
图像压缩：是降低代表数字图像所需要的数据量，可以减少图像传输时间以及存储空间。
编码是实现图像压缩的重要手段。
编码目的有三个：
①减少数据存储量。
②降低数据率以减少传输带宽。
③压缩数据量，便于特征提取，为后续识别作准备。
第一代编码是以去除冗余为基础的编码方法，
如PCM、DPCM、ΔM、DCT、DFT、W-H变换编码以及以此为基础的混合编码法。
第二代编码法多为20世纪80年代以后提出的，
如Fractal编码法、金字塔编码法、小波变换编码法、模型基编码法、基于神经网络的编码法等等。
这些编码方法有如下特点：
①充分考虑人的视觉特性。
②恰当地考虑对图像信号的分解与表述。
③采用图像的合成与识别方案压缩数据。
图像分割（Image Segmentation）：
图像分割就是把图像分成区域的过程。
目前，大部分图像的自动分割还需要人工提供必须的信息来帮助识别，只有一部分领域开始使用。
如印刷字符自动识别（OCR），指纹识别等。
图像智能分析（Image Analysis）：
图像智能分析是试图从图像中分割、提取并描述某些特征，从而有利于计算机对图像的识别和理解，以产生有用的信息。
①能从含有许多不相干细节的背景中找到所需的信息。
②能从范例中学习并将所学知识应用推广到其他状况中。
③能从不完整的资料中推断出完整的信息。
C. 我需要做一个关于图像复原算法的JAVA程序~我有代码~但是我不懂，需要一个完整的解释~
（本人学习比较努力，基本上一天学习九小时）
就冲以上这点, 你很有前途. 学VC基础非常重要, 请特别注意C与C++的区别, 一定要有面向对象的概念. 以下是我自己的学习经验, 推荐你看的书:
入门：
入门就是要初步对编程的思想有个了解，并且能编程解决一些小问题。入门一定要选好书，难度如果太低了会造成对读者的误导，以为编程就是这么回事；也不能太高深，免的打击读者的信心。既然编程的入门要求是编一些小程序解决小问题，那么就没必要直接学习C++，我觉得循环、判断、跳转、指针才是最基本的编程思想，学通了这些对以后学习C++很有帮助。
相信你已经过了这个阶段，可以用《C++编程思想》审视自己一下语言方面究竟扎实掌握多少了。
提高：
我们不能满足于解决“百钱买百鸡”，真正实现程序还有很多非功能上的问题，比如怎样做才能使用更少的内存？怎样做才能更快？在熟悉一门语言后，一定要认真学习的就是数据结构！数据结构保证了我们的程序能以高效的方式运行。《 数据结构算法与应用C++语言描述 》是本好书，它提供了很多实际的例子，比如火车站调度、走迷宫，相比于“百钱买百鸡”这种问题又提高了一个层次。（这里就是解决基本算法问题）
接下来可以看看《WINDOWS编程》《深入浅出MFC》等，也可以参考《visual c++ 6。0 技术内幕》（现在微软应该已经出到。NET版本了），你要用VC，那就是跟着微软走，所以要对他的实现模式和整个基本框架有了解，里面涉及很多API，消息的知识，够你学习一段时间了。
再提高：
到现在为止，你已经熟练掌握C++语言了，当然，你肯定也有了一定的工作经验。现在你可以看看《effective C++》和《more effective c++》，因为你的代码还冗余很大，效率也很低，这两本书可以让你的编程水平有质的飞跃！
最后，你需要提高的就是设计思想，就由《 设计模式--可复用面向对象软件的基础 》来补救吧！所谓模式就是前人总结出来的、经过千锤百炼的一种系统结构，设计模式展示了23个经典的模式，通过学习、理解，你可以看到什么是真正的面向对象。
看了《 设计模式--可复用面向对象软件的基础 》后，有时间不妨看看《 重构--改善既有代码的设计（中文版） 》，学了面向对象的设计思想后看它，可以站在一定高度重新审视一下自己的C++编程水平。
结束语：
在学习编程的过程中一定要注意多实践！学习时到专业论坛同大家讨论是个不错的办法，你会找到许多热心的朋友与您一起学习，能通过学习编程交些朋友不是更好吗？最后，希望您能成为优秀的程序设计师，我也是过来人，大家可以多多交流，共同进步！
忘了说了, 对于数据库什么的你不用担心, 只要基础扎实了, 无论什么具体工作上手都很快的. 反对那些知识埋头写程序而从来不用脑子好好想想的人. 千万不要忽视培养自己分析问题和把握宏观系统结构的能力!
D. 遗传算法 图像恢复 退化过程怎么确定
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，使图像质量得到改善。
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。
资料： 图像恢复的目的是设法改进图像的质量，以提高视觉观察或进一步数字处理的效果。从这个意义上看，图像恢复与图像增强的目的相同。差别是图像恢复后的图像可看成是原始图像逆退化过程的结果。因此，图像恢复有时候称作客观图像增强。恢复技术可以是整体的也可以是局部的，它们可以在某个频域或空间域中实现。例如消除一个具有已知频率的干扰模式，最好在频域中进行，其步骤为：傅立叶变换，滤波，傅立叶逆变换。去除几何变形一般是在空间域内完成。
E. 图像增强和复原的原理是什么
图像增强的方法可分成两大类：频率域法和空间域法。
前者把图像看成一种二维信号，对其进行基于二维傅里叶变换的信号增强。采用低通滤波（即只让低频信号通过）法，可去掉图中的噪声；采用高通滤波法，则可增强边缘等高频信号，使模糊的图片变得清晰。
后者空间域法中具有代表性的算法有局部求平均值法和中值滤波（取局部邻域中的中间像素值）法等，它们可用于去除或减弱噪声。
F. 什么是图像复原
图像复原image restoration-定义： 图像复原，即利用退化过程的先验知识，去恢复已被退化图像的本来面目。
对遥感图像资料进行大气影响的校正、几何校正以及对由于设备原因造成的扫描线漏失、错位等的改正，将降质图像重建成接近于或完全无退化的原始理想图像的过程。
中文名
图像复原
外文名
image restoration
定义
利用先验知识，去恢复图像
同义词
图像恢复
G. 超分辨率图像复原的基本思想是什么有哪些只要的算法
做过很多种图像超分辨率的重建和仿真算法，基于map，基于正则化，基于POCS，基于卡尔曼滤波等等，可以加wo
H. 图像恢复处理
图像恢复处理的目的是为进一步作增强或分类处理提供高质量的可供使用的图像数据,故也称预处理。有关地面接收站在向用户提供CCT磁带之前一般都作了例行(粗制)的恢复处理。遥感地质应用人员为了获得满足专业要求的处理效果和精度,有时还需要做以下几种恢复处理,使之成为“精制”的CCT数据:
(一)大气校正
粗制CCT产品一般只对由遥感器本身引起的系统(辐射)误差作了校正,尚保留着主要由大气散射效应带来的辐射失真。校正处理时通常仅考虑瑞利散射的影响,以MSS为例,它在4、5波段较大,6波段次之,7波段最小(图4-12),故在实际处理中最简单的办法是先从MSS7上找出0值像元(阴影),然后将其它各波段的数值减去各自对应于MSS70值像元的亮度值数即可。但一般是分波段统计地物目标的亮度,分别与MSS7作二维对比图(图4-13(a));或者将各波段的直方图与MSS7直方图对比(图4-13(b)),相对于MSS7出现的偏移值a可视为大气散射的影响。经验表明,MSS4的订正值在9-13,MSS5为5-9,而MSS6为1-5,MSS7为0-3。
图4-12 大气散射对MSS各波段的影响
图4-13 MSS数字图像上确定大气校正值a的方法
大气校正会增加图像的对比度,消除雾霾感(短波波段尤甚),在做比值增强、彩色合成等处理时,事先做这种校正更为必要。
(二)几何校正
系指消除遥感图像在其形成过程中产生的各种几何位置失真(畸变)的图像处理过程。在粗制CCT产品中通常已对由遥感器本身和地球自转造成的系统几何畸变作了例行校正处理(习称粗纠正),因此,遥感地质人员需要做的,主要是对CCT中残存的非系统(随机)畸变的纠正(习称精纠正)。
数字图像几何精纠正的实质是逐像元地将其图像坐标按一定的精度要求变换到地形图的地理坐标系中,然后再按恰当的抽样方法对像元重新作亮度赋值。进行图像与地形图的坐标变换,首先要选定一批在二者中都容易识别的同名点作控制。以控制点所提供的两组坐标数据,采用回归方法就可以建立两个坐标系之间的转换函数,确定转换系数矩阵。目前最常用的是二元N阶多项式,一般表达式为:
遥感地质学
其中,v、u是遥感图像中的像元坐标,x、y是配准到地形图后输出新图像中的像元坐标,N为阶数,N值越大,说明几何歪曲越复杂。a和b为转换系数,其值由选用的控制点坐标通过回归方法确定,一般用最小二乘法通过地面控制点数据进行曲面拟合求得。
输出新图像的像元尺寸不一定与原图像一致,故处理时应预先提供原图像坐标原点(左上角)的经纬度,以及新像元的尺寸。新像元的亮度值通过重采样获得,常用的方法有最近邻点法、双向线性内插法、三次褶积法等。其中,最近邻点法计算简单,但误差较大;三次褶积精度高,但运算量大;双向线性内插法居中,具体可视工作要求选定。
几何精纠正直接以地形图(地理坐标)为参照,综合校正所有因素造成的几何畸变,能显着改善数字图像的几何精度,不仅对后续的解译制图和几何量算是非常必要的,而且它也是不同图像的配准和多元信息复合的基础。因此,提高纠正处理本身的精度就显得很重要了。关键是选准几何控制点,要尽量挑选那些位置确准、与周围差异显着、且范围窄小的影像,最好是孤立的像元。如河流的干、支流交汇点、拐流点、独立的小水体、特征明显的地形点、坡折点等等。由于水在近红外反射极低,数字图像上亮度几乎为零,易于确定,所以应多利用近红外波段的图像(MSS7、TM4、TM5、TM7等)来选控制点。控制点的数目要适中、在图像上分布要均匀,位置精度一般应小于0.5个像元。
此外,诸如TM之类粗制数字磁带,本身几何精度尚较高,如已能满足研究的精度要求,也可以采用整体旋转坐标轴,使图像方位指向正北的办法作几何校正。
(三)数字镶嵌和数字放大
数字镶嵌是指将相邻且互有重叠的两幅或数幅CCT数据,拼接生成一个在几何形态上和色调分布上协调一致,统一为一个整体的新图像(数据)文件的处理过程。通常涉及两项关键技术:一是相邻图像的几何配准,一般通过先在两幅图像的重叠区选取同名点像元作几何控制点,然后以其中一幅为准,对另一幅作类似于上述几何精纠正来实现;另一是相邻图像之间的色调和反差调整,一般采取先对两幅图像的重叠区作均值、方差或直方图匹配,而后根据求出的匹配系数,以一幅为准,调整另一幅图像的反差,使二者色调均衡。经依次几何配准和反差调整后,裁去重叠区其中一幅的重复像元,并对各接边作适当平滑调整,按统一的数据文件形式输出,即成。
数字镶嵌可以较好地克服常规卫片镶嵌图往往呈现为色调不一的棋格块状,以致严重干扰判读解译的缺陷,对于宏观地质分析(油气盆地、区域构造带)或研究区跨越不同图像是非常必要的。为了取得满意的镶嵌效果,相邻图幅的CCT数据,时相应尽可能接近;允许镶嵌多少图幅,很大程度上取决于主机的容量和图像种类(数据量),有时为了制作大范围的数字镶嵌图,可能要采取间隔采样或信息压缩技术来减少数据量。
彩色图版④是塔里木地区57幅TM的数字镶嵌图像,已看不出是多幅图像镶嵌而成。
数字放大实际是数字图像的采样点内插加密,即逐行逐列地在原图像的相邻像元中间等量插入新像元,并按一定的插值原理(最常用的是双线性内插法)对其作亮度赋值。通过插值,该图像的采样点密度成倍增加。如图4-14所示,行、列各内插一个像元,使原为4个像元(黑点)的图像变成了4×4=16个像元的新图像。此时,由于新图像对应于地面的大小并未改变,只是像元密度增加了一倍,于是像元的地面分辨力提高了一倍(原来一个像元被分成④个),从而起到了图像“放大”的作用。
数字放大主要用于制作大比例尺的卫星像片。如TM图像经数字放大处理后制成1:5万(常规一般为1:10万)的卫片仍有较高的影像清晰度。但需强调的是,其作用仅仅是改善像质,实际上并未增加信息。
以上从遥感地质应用的角度介绍了几种图像恢复处理。最后,还需说明一点,在作这些处理之前,要事先检查得到的CCT磁带数据是否有扫描线脱落等坏带现象,如有,则需先作去条带处理(一般也是通过上、下行线性插值等方法进行)。不然,将影响后续处理结果。
图4-14 数字放大示意图
I. 图像复原的方法有哪些
图像复原的方法有哪些
图像恢复是从退化图像（通常是一个模糊和噪声图像）中恢复图像的过程。图像恢复是图像处理中的一个基本问题，它也为更一般的反问题提供了一个实验平台。在这里，我们必须要解决的关键问题是恢复图像的质量评价、算法计算的效率和点扩展函数(PSF)模型的参数估计。
目前，常见图像复原的方法一可以分为确定性图像复原方法和随机图像复原方法两大类。确定性图像复原方法主要有正则化图像复原方法和基于偏微分方程的图像复原方法。对于图像复原中的正则化方法，早期主要使用截断奇异值分解和Tikhonov正则化方法，截断奇异值分解方法主要用来消除复原问题中的病态性，其并没引入任何原始图像的先验信息，而Tikhonov正则化方法则是将原始图像是“平滑的”这一先验信。