%盲去卷積
%圖像復(fù)原中，困難的是得到PSF（PSF） 不以PSF復(fù)原圖像的方法 盲去卷積
%MLE 最大似然估計為基礎(chǔ)，用被隨機(jī)噪聲干擾的量進(jìn)行估計的最優(yōu)化策略
%將圖像數(shù)據(jù)看成是隨機(jī)量，它們與另一族可能的隨機(jī)量之間有某種似然性
%似然函數(shù)用g(x,y) f(x,y) h(x,y)來表達(dá)?

%deconvblind來執(zhí)行盲區(qū)卷積
%[fr,PSFe]=deconvblind(g,INITPSF)
%g表示退化圖像，INITPSF時點(diǎn)擴(kuò)散函數(shù)的初始估計 ?PSFe是這個函數(shù)最終計算得到的
%估計值，fr是利用估計的PSF復(fù)原的圖像 用來取得復(fù)原圖像的算法L-R迭代
%PSF估計受其初始推測尺寸的很大影響

%[fr,PSFe]=deconvblind(g,INITPSF,NUMIT,DAMPAR,WEIGHT)
% NUMIT迭代的次數(shù) ?默認(rèn)10次
%DAMPAR 是標(biāo)量 ?指定了結(jié)果圖像同原圖像的偏離閾值
%當(dāng)像素偏離原值的范圍在DAMPAR內(nèi)，不用再迭代
%這即抑制了這些像素上的噪聲，又保存了必要的圖像細(xì)節(jié)
%WEIGHT是一個與g同樣大小的數(shù)組，它為每一個像素分配一個權(quán)重來反映其重量
%例如從某個有缺陷的成像組中得出的一個不良像素最終會被賦以權(quán)重值零，從而排除該像素來求解
%這個數(shù)組的另一個用處是可以根據(jù)平坦區(qū)域修正量調(diào)整像素的權(quán)重。
%當(dāng)用一個指定的PSF來模擬模糊時，WEIGHT可以哦從計算像素中剔除那些來自圖像邊界的像素點(diǎn)
%復(fù)原圖想呈現(xiàn)振鈴，在復(fù)原之前使用edgetaper
clc
clear
g=imread('D:MATLAB圖像處理\亮度調(diào)節(jié)與空間濾波\11.jpg');
g=im2double(g);
% f=checkerboard(8);
PSF=fspecial('gaussian',7,10);%產(chǎn)生一個大小7*7 標(biāo)準(zhǔn)變差10的高斯PSF 點(diǎn)擴(kuò)散函數(shù)
INITPSF=ones(size(PSF));
SD=0.01;
DAMPAR=10*SD;
% g=imnoise(imfilter(f,PSF),'gaussian',0,SD^2);
NUMIT=30;%迭代次數(shù)
LIM=ceil(size(PSF,1)/2);%4
WEIGHT=zeros(size(g));
WEIGHT(LIM+1 : end-LIM , LIM+1:end-LIM)=1;
[fr,PSFe]=deconvblind(g,INITPSF,NUMIT,DAMPAR,WEIGHT);
figure
% subplot(2,2,1)
% imshow(pixeldup(PSF,73),[])
subplot(2,2,2)
imshow(pixeldup(PSFe,73),[])
title('根據(jù)圖像估計的PSF擴(kuò)散函數(shù)')
subplot(2,2,3)
imshow(g)
title('原圖')
subplot(2,2,4)
imshow(fr)
title('恢復(fù)的圖像')

總結(jié)

以上是生活随笔為你收集整理的MATLAN图像处理之盲去卷积的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。