clc;clear all;
%读原始图像%
format long
Blurred=imread('fig525(b)bmp');
subplot(1,2,1);imshow( Blurred);title('原图像');
%自编函数进行维纳滤波%
k=00025;
[m,n]=size(Blurred);
spectrum=zeros(m,n);
H=zeros(m,n);
for u=1:m
for v=1:n
H(u,v)=exp(-k((u-m/2)^2+(v-n/2)^2)^(5/6));
spectrum(u,v)=H(u,v)^2;
end
end
f=double(Blurred);
F1=fftshift(fft2(f));
HW=H/(spectrum+0001);
restore1=HWF1;
restored=real(ifft2(ifftshift(restore1)));
subplot(1,2,2);imshow(restored,[]);title('自编函数进行维纳滤波');
%调用matlab提供的维纳滤波函数%
figure;
hw1=real(ifft2(ifftshift(H)));%转化到空域上来
result1=deconvwnr(Blurred,hw1,0001);
result2=ifftshift(result1);%再去图像进行1,3象限对调,2与4象限对调
subplot(1,2,1);imshow(result2,[]);title('调用维纳滤波函数');
卷积:
其实就是---通过两个 函数 f和g生成第三个函数的一种数学 算子 ,表征函数f与经过翻转和平移的g的重叠部分的面积。如果将参加卷积的一个函数看作 区间 的 指示函数 ,卷积还可以被看作是“ 移动平均 ”的推广。
图示两个方形脉冲波的卷积。其中函数"g"首先对τ=0反射,接着平移"t",成为g(t-τ)。那么重叠部份的面积就相当于"t"处的卷积,其中横坐标代表待积变量τ以及新函数fg的自变量"t"。
从图像可以看出,两个函数卷积的结果为,方形重叠区域面积度量。
图示方形脉冲波和指数衰退的脉冲波的卷积(后者可能出现于 RC电路 中),同样地重叠部份面积就相当于"t"处的卷积。注意到因为"g"是对称的,所以在这两张图中,反射并不会改变它的形状。
简单介绍
卷积是分析数学中一种重要的运算。设:f(x),g(x)是R上的两个可积函数,作积分:
可以证明,关于几乎所有的
上述积分是存在的。这样,随着x的不同取值,这个积分就定义了一个新函数h(x),称为函数
f与g的卷积,记为
我们可以轻易验证:
并且
仍为可积函数。
卷积与傅里叶变换有着密切的关系。例如两函数的傅里叶变换的乘积等于它们卷积后的傅里叶变换,利用此一性质,能简化傅里叶分析中的许多问题。
由卷积得到的函数fg一般要比f和g都光滑。特别当g为具有紧支集的光滑函数,f为局部可积时,它们的卷积fg也是光滑函数。利用这一性质,对于任意的可积函数f,都可以简单地构造出一列逼近于f的光滑函数列fs,这种方法称为函数的光滑化或正则化。
卷积的概念还可以推广到数列、测度以及广义函数上去。
定义
函数 f 与 g 的卷积记作
它是其中一个函数翻转并平移后与另一个函数的乘积的积分,是一个对平移量的函数。
积分区间取决于 f 与 g 的 定义域 。
对于定义在离散域的函数,卷积定义为
卷积:
卷积是一个简单的数学 *** 作,是很多普通图像处理 *** 作的基本算子之一。卷积提供了两个数组相乘的方式,两个数组拥有不同的大小,但是具有相同的维数,生成一个用于相同维数的新数组。可以用于图像处理执行 *** 作,输入一组特定的像素值线性组合为另一组输出像素值。
在图像处理方面,一般输入的是灰度图像的数组。第二个数组通常很小,仅有二维(也许仅有一个单像素值),而被称为内核。图1显示一个图像例子和内核,用于说明卷积。
Figure 1 An example small image (left) and kernel (right) to illustrate convolution The labels within each grid square are used to identify each square
Convolution 参考网址: >
(1)图像的退化模型,对图像质量退化的原因和数学模型做 了简单的结束
(2)图像的恢复模型,对图像反卷积的模型做了介绍
(3)图像的复原方法,对MATLAB工具箱中提供的四种去模糊方法做了介绍
以上就是关于matlab图像复原维纳滤波,最小二乘方,L-R,盲去卷积图像复原比较的程序代码全部的内容,包括:matlab图像复原维纳滤波,最小二乘方,L-R,盲去卷积图像复原比较的程序代码、卷积的理解、matlab盲去卷积对图像进行还原等相关内容解答,如果想了解更多相关内容,可以关注我们,你们的支持是我们更新的动力!
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)