内容概括
5.图像复原
基本模型
比较认真的讲了噪声的模型，前几个单元都只是说了滤波器
全逆滤波
维纳滤波
5.图像复原
图像退化/恢复过程的模型•噪声模型•仅存在噪声的恢复-空间滤波•通过频域滤波周期性降噪•线性位置不变退化•估计退化函数•逆滤波•最小均方误差(Wiener)滤波•约束最小二乘滤波
恢复技术主要是对退化过程进行建模，并应用逆过程恢复原始图像，试图利用退化现象的先验知识来重建或恢复已退化的图像
或者你可以理解为一方面是对传输过程中失真的照片的恢复，或者是对主观图像增强后的照片的复原
--基本退化模型
是什么让图像退化？噪声和退化函数
噪声的来源？图像采集的过程中和图像传输的过程中产生
---噪声模型
白噪声： 傅里叶变换后频谱是常数
空间周期噪声：有周期性的噪声，来自电气或机电干扰
其他常见噪声：
要能看出来是什么噪声
---只存在噪声的退化模型
当退化图像只是因为有噪声而和原图有了差别，那就可以想办法去掉噪声，滤波是首选，问题转化为图像去噪！
•平均滤波器-算术平均滤波器-几何平均滤波器（适合随机噪声）-谐波平均滤波器-反谐波平均滤波器（适合椒盐噪声）
•顺序统计滤波器-中值滤波器-最大值和最小滤波器
这个也是非线性的，比较好理解
中值可以比较好的去除椒盐噪声
最大值可以去掉黑点——即pepper噪声，最小值可以去掉白点即——salt噪声
•自适应滤波器-自适应局部（均值）滤波器-自适应中值滤波器
滤波器在滤波的过程中根据实际需要改变策略，滤波性能更好但是计算代价更高
·自适应局部滤波器
那么根据局部像素块的不同，就有三个结果：
01 噪声的方差为0，根本没有噪声，那么这个式子也就返回g(x,y)
02 区域的方差和噪声的方差相同，说明区域的方差是由图像本身的细节造成的，那么做均值滤波就好了，也就是返回这个小区域的均值ML
03 其他情况，说明区域的方差是由噪声引起的，则根据公式返回一个g(x,y)的近似值，（一般认为噪声的方差是比区域方差小的）
优势：去噪干净而且细节保留完好，因为细节处的区域方差会很大
·自适应中值滤波器——此处有实验哦！！
自适应中值和中值滤波的区别：中值滤波并没有考虑当前像素是不是噪声，就直接换成了滤波器的中值（而且噪声密度很大的时候，你也不清楚中值是不是噪点），万一原来并非是噪声点，这样操作反而是画蛇添足，自适应就是加入了判断当前像素是否是噪声点的算法
一些参数说明
--处理空间周期噪声
空间周期性噪声傅里叶之后，是右图
如果先去除该噪声，应该让这个圈上的分量被阻，其他部分分量通过
即带通、带阻、陷波滤波器
带阻滤波器：那三个经典的滤波器的带阻滤波器
带通滤波器：用1-带阻滤波器就好啦
陷波滤波器
就是挖洞的滤波器，主要是用在不对称（不能形成圆形这种规则图形）的时候
--基本退化模型的图像复原
主要是要要得出H(u，v) : 三个方法 观察、实验、数学建模
（1）观察法
因为局部的H和全局的H应该是一样的，这样就能知道全局的H
（2）实验法
通过使用相同的系统设置成像一个脉冲(由一个明亮的光点模拟)来获得退化的脉冲响应
（3）建模
根据大气湍流的物理特征
根据平面运动（运动模糊恢复）
---两个滤波（这里都是假设H已知了）
全逆滤波
但是问题在于，我们只是假想这个噪声是白噪声，但具体噪声的类型不清楚，所以低通滤波的截止频率需要一点点尝试，这个问题在维纳滤波可以解决！
维纳滤波
要用到噪声的统计特性
