頻域去模糊方法,圖像在頻域上進行處理,即對相應的係數進行變換,再將處理後的圖像進行逆變換。將圖像從空間域轉換到頻域方法很多,如傅立葉變換、小波變換和離散餘弦變換等。而傅立葉變換和小波變換則是常見的用於圖像去噪的變換方法。
基本介紹
- 中文名:頻域去模糊
- 外文名:Frequency deblurring
- 學科:計算機科學與技術
- 領域:人工智慧
- 變換方法:傅立葉變換、小波變換
- 特點:保護圖像細節
基本概念,圖像噪聲模型,高斯噪聲,椒鹽噪聲,泊松噪聲,頻率去噪方法,傅立葉變換法,小波變換法,空間域圖像去噪與頻域中圖像去噪,
基本概念
造成圖像模糊的原因有很多,其中包括光學因素、大氣因素、人工因素、技術因素等等,日常生產生活中對圖像進行去模糊操作有其重要意義。要取得比較好的處理效果,不同原因導致的模糊往往需要不同的處理方法。從技術方面來向,模糊圖像處理方法主要分為三大類,分別是圖像增強、圖像復原和超解析度重構。
圖像去噪方法總體上可以分為兩類:空間域和頻域濾波方法。空間域濾波方法是直接處理圖像中像素的灰度值。它分為兩類:一類是點運算,逐點運算圖像中的像素點;另一類稱為局部運算,即它在空間域上進行與處理像素點鄰域相關的運算操作。
頻域去模糊方法,圖像在頻域上進行處理,即對相應的係數進行變換,再將處理後的圖像進行逆變換。將圖像從空間域轉換到頻域方法很多,如傅立葉變換、小波變換和離散餘弦變換等。而傅立葉變換和小波變換則是常見的用於圖像去噪的變換方法。
圖像噪聲模型
高斯噪聲
高斯噪聲主要來源於電子電路噪聲和由低照明度或高溫帶來的感測器噪聲,其噪聲強度服從高斯或常態分配。
椒鹽噪聲
椒鹽噪聲是由圖像感測器、傳輸信道、解碼處理等產生的黑白相間的亮暗點噪聲,包含兩種噪聲:一種是鹽噪聲(salt noise),另一種是胡椒噪聲(pepper noise)。
泊松噪聲
泊松噪聲是由於光的統計本質和圖像感測器中的光電轉換過程引起的,在弱光情況下影響更為嚴重,常用具有泊松密度分布的隨機變數作為這類噪聲的模型。
頻率去噪方法
圖像去噪方法總體上可以分為兩類:空間域和頻域濾波方法。空間域濾波方法是直接處理圖像中像素的灰度值。它分為兩類:一類是點運算,逐點運算圖像中的像素點;另一類稱為局部運算,即它在空間域上進行與處理像素點鄰域相關的運算操作。而頻域濾波方法,圖像在頻域上進行處理,即對相應的係數進行變換,再將處理後的圖像進行逆變換。
將圖像從空間域轉換到頻域方法很多,如傅立葉變換、小波變換和離散餘弦變換等。而傅立葉變換和小波變換則是常見的用於圖像去噪的變換方法。
傅立葉變換法
根據圖像含有噪聲能量分布規律可知,通常都會集中在圖像信息的高頻區域,而信號頻譜分布的一個特點是它在一個很有限區間內,先採用傅立葉變換把含有噪聲信號的圖像變換到頻域,處理圖像中的頻譜信息。如採用低通濾波器濾除噪聲,最後將處理後的圖像變換值逆變換到空間域就可以達到圖像去噪口標。這種方法效果最佳情況是噪聲和信號的頻帶是彼此分離的,但是當它們是相互交叉重疊時,噪聲去除效果最不理想。因此,使用傅立葉變換的噪聲去除方法在濾除噪聲和局部信號保留兩者之間產生了分歧,其原因是,在時域中傅立葉變換方法不能很好展現局部化信息;因此,很難檢測到局部信息的突變信號,圖像的邊緣信息會丟失。
小波變換法
上個世紀80年代初,Morlet和Arena等人提出“小波”的概念。不同科學領域信號處理的不斷需要是產生小波分析的主要因素。小波分析被作為一種數學工具,現在被大量套用在各個方面如數值分析、信號分析、圖像處理等。小波分析是一種主要對函式進行展開研究的方法,這裡的函式是由很多的“基本函式”組成,這些“基本函式”經過大量的移動和縮放一個小波函式獲得。而這個小波函式既要具有良好的光滑性還需要具有很好的局部性功能,通過對該函式的係數進行分解就可以對它的整體性質和局部性質進行分析與研究。信號分析過程中,在時域和頻域上小波變換都表現出很好的局部性功能,所以小波分析被廣泛的套用在數據壓縮與圖像邊緣檢測方法上,而且都可以獲得較好的處理效果。
小波變換作為一種時頻局部化方法,是傅立葉變換的一種擴展。其最基本的思想是:首先尋找一個滿足一定條件的基本小波函式,通過基本小波函式的平移及伸縮構成小波函式族,利用這一小波函式族去逼近所要研究的信號,以便於分析和處理。從以下三個方面對使用小波分析濾除圖像噪聲過程進行說明:
(1)對圖像信號進行小波分解。這裡需要選取一個合適的小波及最佳分解層次的數目,然後再對含噪聲圖像X進行小波分解,這裡分為N層;
(2)圖像信號進過N層分解後,對其中含有的高頻信息的係數進行閩值量化處理;
(3)利用二維小波重構圖像信號。利用小波分析理論可以對噪聲濾除的同時,又可以將圖像細節信息進行保存下來。
小波圖像去噪方法基本上可以分成三類:小波收縮法、投影方法和相關法。有兩種小波收縮方法,其中一個是閩值收縮方法,主要針對如下情況:小波係數比較大的信號一般被認為是實際需要的信息,而係數比較小的信號被認為是噪聲。選擇合適的閾值,將大於閩值的小波係數保留,並為小於閾值的小波係數直接設定為零,通過閾值映射函式得到最終估計係數。最後再對得到的估計係數進行反變換,這樣就可以實現濾除噪聲和重建。閾值法的關鍵是選擇合適的閾值和閾值函式。而另一種比例閾值收縮方法則不相同,它採用噪聲污染的程度來具體衡量小波係數,再為具體污染程度加入許多度量方法來確定最後的收縮比例。
空間域圖像去噪與頻域中圖像去噪
空間域圖像去噪存在著濾除圖像含有的噪聲和保留圖像細節信息兩者之間的矛盾,對圖像去噪效果難以達到令人滿意。
頻域中圖像去噪,儘管可以很容易把圖像紋理細節進行保護,但是容易出現對圖像邊緣信息的過平滑現象,即去噪後的圖像邊緣信息會受到損失。