ВОССТАНОВЛЕНИЕ СМАЗАННЫХ ПОД УГЛОМ И ЗАШУМЛЕННЫХ ИЗОБРАЖЕНИЙ БЕЗ УЧЕТА ГРАНИЧНЫХ УСЛОВИЙ
ВОССТАНОВЛЕНИЕ СМАЗАННЫХ ПОД УГЛОМ И ЗАШУМЛЕННЫХ ИЗОБРАЖЕНИЙ...
4 АНАЛИЗ И СИНТЕЗ СЛОЖНЫХ СИСТЕМ
УДК 621.397.331+517.968
ВОССТАНОВЛЕНИЕ СМАЗАННЫХ ПОД УГЛОМ И ЗАШУМЛЕННЫХ ИЗОБРАЖЕНИЙ БЕЗ УЧЕТА ГРАНИЧНЫХ УСЛОВИЙ
М.В. Дайнеко, В.С. Сизиков
Рассматривается задача реконструкции смазанных под углом и зашумленных изображений методом квадратур с регуляризацией Тихонова. При восстановлении смазанных изображений применяется новый подход – прием усечения и размытия краев, не учитывающий «граничные условия». Ключевые слова: смазанные под углом изображения, реконструкция изображений, метод регуляризации Тихонова, граничные условия.
Введение
Реконструкция искаженных (смазанных и зашумленных) изображений является актуальной задачей в области цифровой обработки изображений. Данная некорректная задача описывается обычно набором одномерных интегральных уравнений (ИУ) Фредгольма I рода типа свертки [1–13]
x
(1/ ) wy () d g y (x) g , x
(1)
h(x )wy ()d gy (x) g
(2)
или двумерным ИУ Фредгольма I рода типа свертки
h(x , y )w(, )dd g(x, y) g .
(3)
Здесь – величина смаза, h – функция рассеяния точки (ФРТ, PSF), обычно пространственноинвариантная, w и g – распределение интенсивности по неискаженному и искаженному изображениям соответственно, g – помеха. В (1), (2) ось x направлена вдоль смаза, а y играет роль параметра. Инте-
гральные уравнения (1) и (2) обычно используются в задаче смазывания, а (3) – в задаче дефокусирования, но часто ([3] и др.) уравнение (3) используется для решения обеих задач.
Цель данной работы – восстановление (реконструкция) смазанных под углом и зашумленных изображений без использования так называемых «граничных условий», но с введением приемов усечения, размытия краев и поворота изображения в рамках системы программирования MatLab7. При этом предлагается использовать методы преобразования Фурье (ПФ) и квадратур с регуляризацией Тихонова как в прямой (моделировании смаза), так и в обратной задаче (реконструкции).
Данная работа является продолжением работ [2, 9, 10, 13].
Граничные условия
Во многих зарубежных работах ([3, 5–8, 11] и др.) при решении прямой задачи смазывания изо-
бражения используются для учета интенсивностей вне границ изображения так называемые «граничные
условия» (boundary conditions, BCs). Например, в m-функции imfilter системы MatLab7 при формировании смазанного или размытого изображения в качестве параметра можно задавать различные «гранич-
ные условия»: zero, circular, symmetric и др.
В дискретном виде задачу формирования смазанных или размытых изображений можно предста-
вить выражением
g Aw g ,
(4)
где g – матрица смазанного изображения, А – матрица, связанная с ФРТ и «граничными условиями», w –
матрица неискаженного изображения размера m n , g – помеха.
Однако введение «граничных условий», когда функция w не является финитной, приводит к усложнению матрицы A [6]. Например, при использовании нулевых граничных условий матрица A представляет собой блок теплицевых матриц, а при рефлективных (symmetric) – сумму блоков теплицевых и ганкелевых матриц [6]. Правильнее было бы говорить не о «граничных условиях», а о внеграничных условиях, точнее, об экстраполяции значений интенсивности w за границы изображения. Для решения мо-
дельной задачи – формирования смазанного изображения – был предложен [10] прием усечения и размы-
28 Научно-технический вестник Санкт-Петербургского государственного университета
информационных технологий, механики и оптики, 2010, № 4(68)
М.В. Дайнеко, В.С. Сизиков
тия краев изображения для случая горизонтального смазывания. В данной работе этот прием распространяется на случай смазывания изображения под произвольным углом.
Смазывание изображения под углом
Моделирование смазанного под углом изображения уже реализовано в рамках системы програм-
мирования MatLab7 при помощи m-функций fspecial и imfilter. Функция fspecial задает разностную функцию рассеяния точки (ФРТ) h(x, y). Однако алгоритм, используемый в функции
fspecial.m для решения прямой задачи, реализован достаточно сложным образом – путем отбора
ближайших пикселей, расположенных вдоль наклонной под некоторым углом прямой линии на расстоянии не более 1 пикселя. При этом используется билинейная интерполяция. Кроме того, получение
смазанного изображения g(x, y) в функции imfilter.m реализовано с использованием «граничных условий», а также путем свертки истинного изображения w(x, y) c заданной в виде матрицы ФРТ h(x, y):
g(x, y) h(x , y )w(, ) dd, x, y D ,
(5)
D
где D – видимая область изображения.
В данной работе предлагается использовать другой подход – прием поворота изображения, кото-
рый реализован при помощи m-функции imrotate.m [11]. На рис. 1 приведена схема смазывания изо-
бражения под произвольным углом с размытием краев изображения и с использованием его поворота.
Рис. 1. Моделирование смазывания изображения под углом по схеме с размытыми краями
Заметим, что в случае использования функций MatLab’а fspecial.m и imfilter.m задача сма-
зывания изображения рассматривается как двумерная (см. выражение (3)). В данной работе прямая зада-
ча сводится к решению набора одномерных уравнений (выражения (1), (2)).
На рис. 2 представлены два варианта смазанного под углом 35 текстового изображения раз-
мером 618 690 пикселей, величина смаза 20 пикселей; на рис. 2, а – изображение, смазанное при
помощи функций fspecial и imfilter («граничное условие» circular); на рис. 2, б – изображение,
смазанное при использовании приема размытия краев и приема поворота изображения.
При решении обратной задачи (реконструкция смазанных под углом и зашумленных изображений)
для решения набора одномерных ИУ (2) был применен метод квадратур с регуляризацией Тихонова.
Кроме того, после реконструкции был выполнен обратный поворот и полученное изображение приводи-
лось к фактическому размеру.
Уравнение (2) в виде системы линейных алгебраических уравнений (СЛАУ) можно представить в
виде
Aw g ,
(6)
Научно-технический вестник Санкт-Петербургского государственного университета информационных технологий, механики и оптики, 2010, № 4(68)
29
ВОССТАНОВЛЕНИЕ СМАЗАННЫХ ПОД УГЛОМ И ЗАШУМЛЕННЫХ ИЗОБРАЖЕНИЙ...
где A – матрица СЛАУ. Ввиду использования приема размытия краев при решении прямой задачи вы-
ражение (6) является переопределенной СЛАУ [10]. Решение СЛАУ (6) методом квадратур с регуляриза-
цией Тихонова имеет вид [5, 7, 10, 13]
w ( I AT A)1 AT g ,
(7)
где 0 – параметр регуляризации, I – единичная матрица, AT – транспонированная матрица.
а) б)
Рис. 2. Реконструкция смазанных и зашумленных изображений
В данной работе, применительно к обратной задаче, было произведено сравнение метода квадратур (и регуляризации Тихонова) с методом преобразования Фурье (ПФ) (и регуляризации Тихонова) [9, 10, 13, 15], а также с методом параметрической фильтрации Винера. Метод параметрической фильтрации Винера реализован в MatLab7 при помощи m-функции deconvwnr [11, c. 184] и дополнен использованием «граничных условий».
На рис. 3 представлен результат реконструкции смазанного под углом 35 и зашумленного 1%ным гауссовым шумом ( || g || || g || 0, 01 1% ) изображения методом квадратур и регуляризации Тихонова (рис. 3, б), методом ПФ и регуляризации Тихонова (рис. 3, в) и методом параметрической фильтрации Винера (рис. 3, г). Величина смаза во всех случаях составляла 20 пикселей. Исходное изображение размером 618 690 пикселей приведено на рис. 3, а.
а) б)
в) г) Рис. 3. Реконструированные изображения с последующей фильтрацией
(=35, 20 , уровень шума 1 %)
30 Научно-технический вестник Санкт-Петербургского государственного университета
информационных технологий, механики и оптики, 2010, № 4(68)
М.В. Дайнеко, В.С. Сизиков
При решении обратной задачи выбор параметра регуляризации определялся путем визуальной оценки полученных результатов и путем минимизации относительного среднеквадратического отклонения (СКО) восстановленного изображения от исходного [14]:
rel
[ ]m n (w ) j i wj i 2
j 1 i 1
mn
w2ji
j 1 i 1
(10)
(величину rel можно вычислить лишь в модельной задаче, когда w известно). На основании эксперимен-
тальных данных реконструкции были построены кривые зависимости величины СКО rel от параметра
регуляризации , а также зависимость СКО от константы (параметра) К, определяющей соотношение шум/сигнал по мощности в методе параметрической фильтрации Винера [3, с. 392; 11]. На рис. 4 показаны данные зависимости: кривая 1 – в случае использования метода ПФ и регуляризации Тихонова; кривая 2 – при методе квадратур и регуляризации Тихонова; кривая 3 – при обращении к методу параметрической фильтрации Винера. Отметим, что оптимальное значение параметра регуляризации opt и параметра Kopt в
случае решения модельных задач соответствует минимуму значения СКО rel () и rel (K ) .
rel rel rel K
lg , lg K
Рис. 4. Зависимость СКО от параметра регуляризации
при фильтрации шума после реконструкции
В рамках системы программирования MatLab7 при решении прямой и обратной задач были разработаны собственные m-функции: smearing.m – прямая задача моделирования смазывания изображения (в том числе для цветных изображений); normnoise.m – добавление нормального (гауссова) шума; rmsd.m – оценка относительного среднеквадратического отклонения (relative mean square deviation); desmearingf.m – обратная задача реконструкции смазанного изображения методом ПФ и регуляризации Тихонова; desmearingq.m – обратная задача реконструкции методом квадратур и регуляризации Тихонова.
Устранение зашумленности изображений
При решении задачи устранения шума также использовались методы параметрической фильтрации Винера, метод квадратур и ПФ с регуляризацией Тихонова. Для решения обратной задачи и сравнения вышеуказанных методов было предложено три способа восстановления: без фильтрации шума, с предварительной фильтрацией и с фильтрацией после реконструкции. Для подавления аддитивного гауссова 1%-го шума, как показали эксперименты, лучше всего использовать метод адаптивной винеровской фильтрации (реализация в MatLab7 при помощи m-функции wiener2). Численная оценка полученных результатов реконструкции при различных вышеуказанных способах представлена в таблице.
Научно-технический вестник Санкт-Петербургского государственного университета информационных технологий, механики и оптики, 2010, № 4(68)
31
ВОССТАНОВЛЕНИЕ СМАЗАННЫХ ПОД УГЛОМ И ЗАШУМЛЕННЫХ ИЗОБРАЖЕНИЙ...
Вид реконструкции
без фильтрации шума с предварительной фильтрацией с последующей фильтрацией
Метод ПФ
с регуляризацией
Тихонова
opt rel (opt )
102,25
0,2006
102,45
0,1991
102,25
0,2086
Метод квадратур
с регуляризацией
Тихонова
opt rel (opt )
102,85
0,1051
103,5
0,0980
103,6
0,0806
Метод
параметрической фильтрации
Винера
Kopt
rel (Kopt )
105 0,0999
105 0,1110
105 0,0945
Таблица. Относительная погрешность восстановления смазанных и зашумленных изображений
Заключение
На основании полученных результатов можно сделать вывод, что метод квадратур с регуляризацией Тихонова позволяет наиболее точно и качественно восстанавливать искаженные изображения (смазанные под углом и зашумленные). Метод параметрической фильтрации Винера и метод ПФ с регуляризацией Тихонова уступают методу квадратур с регуляризацией Тихонова. Кроме того, в работе предложен новый способ моделирования смазанных под углом изображений без использования «граничных условий».
Работа выполнена при поддержке РФФИ (грант № 09-08-00034).
Литература
1. Тихонов А.Н., Гончарский А.В., Степанов В.В. Обратные задачи обработки фотоизображений // Некорректные задачи естествознания / Под ред. А.Н. Тихонова, А.В. Гончарского. – М.: Изд-во МГУ, 1987. – С. 185–195.
2. Сизиков В.С., Белов И.А. Реконструкция смазанных и дефокусированных изображений методом регуляризации // Оптический журнал. – 2000. – Т. 67. – № 4. – С. 60–63.
3. Гонсалес Р., Вудс Р. Цифровая обработка изображений. – М.: Техносфера, 2006. – 1072 с. 4. Воскобойников Ю.Е., Литасов В.А. Устойчивый алгоритм восстановления изображения при неточно
заданной аппаратной функции // Автометрия. – 2006. – Т. 42. – № 6. – С. 3–15. 5. Christiansen M., Hanke M. Deblurring methods using antireflective boundary conditions. – 2006 [Электрон-
ный ресурс]. – Режим доступа: http://citeseerx.ist.psu.edu, свободный. 6. Palmer K., Nagy J., Perrone L. Iterative methods for image restoration: Matlab object oriented approach. –
2002 [Электронный ресурс]. – Режим доступа: http://citeseer.ist.psu.edu, свободный. 7. Donatelli M., Estatico C., Martinelli A., Serra-Capizzano S. Improved image deblurring with anti-reflective
boundary conditions and re-blurring // Inverse problems. – 2006. – V. 22. – P. 2035–2053. 8. Arico A., Donatelli M., Nagy J., Serra-Capizzano S. The anti-reflective transform and regularization by filter-
ing. – 2007 [Электронный ресурс]. – Режим доступа: ftp://ftp.mathcs.emory.edu, свободный. 9. Римских М.В., Евсеев В.О., Сизиков В.С. Реконструкция смазанных изображений различными метода-
ми // Оптический журнал. – 2007. – Т. 74. – № 11. – С. 53–57. 10. Сизиков В.С., Римских М.В., Мирджамолов Р.К. Реконструкция смазанных и зашумленных изображе-
ний без использования граничных условий // Оптический журнал. – 2009. – Т. 76. – № 5. – С. 38–46. 11. Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде MATLAB. – М.: Техносфе-
ра, 2006. – 616 с. 12. Бакушинский А.Б., Гончарский А.В. Некорректные задачи. Численные методы и приложения. – М.:
Изд-во МГУ, 1989. – 199 с. 13. Сизиков В.С. Математические методы обработки результатов измерений. – СПб.: Политехника, 2001. –
240 с. 14. Пикалов В.В., Непомнящий А.В. Итерационный алгоритм с вейвлет-фильтрацией в задаче двумерной
томографии // Вычислит. методы и программирование. – 2003. – Т. 4. – С. 244–253. 15. Ягола А.Г., Кошев Н.А. Восстановление смазанных и дефокусированных цветных изображений // Вы-
числительные методы и программирование. – 2008. – Т. 9. – С. 207–212.
Дайнеко Мария Владимировна Сизиков Валерий Сергеевич
– Санкт-Петербургский государственный университет информационных технологий, механики и оптики, аспирант, daynekom@gmail.com
– Санкт-Петербургский государственный университет информационных технологий, механики и оптики, доктор технических наук, профессор, sizikov2000@mail.ru
32 Научно-технический вестник Санкт-Петербургского государственного университета
информационных технологий, механики и оптики, 2010, № 4(68)
4 АНАЛИЗ И СИНТЕЗ СЛОЖНЫХ СИСТЕМ
УДК 621.397.331+517.968
ВОССТАНОВЛЕНИЕ СМАЗАННЫХ ПОД УГЛОМ И ЗАШУМЛЕННЫХ ИЗОБРАЖЕНИЙ БЕЗ УЧЕТА ГРАНИЧНЫХ УСЛОВИЙ
М.В. Дайнеко, В.С. Сизиков
Рассматривается задача реконструкции смазанных под углом и зашумленных изображений методом квадратур с регуляризацией Тихонова. При восстановлении смазанных изображений применяется новый подход – прием усечения и размытия краев, не учитывающий «граничные условия». Ключевые слова: смазанные под углом изображения, реконструкция изображений, метод регуляризации Тихонова, граничные условия.
Введение
Реконструкция искаженных (смазанных и зашумленных) изображений является актуальной задачей в области цифровой обработки изображений. Данная некорректная задача описывается обычно набором одномерных интегральных уравнений (ИУ) Фредгольма I рода типа свертки [1–13]
x
(1/ ) wy () d g y (x) g , x
(1)
h(x )wy ()d gy (x) g
(2)
или двумерным ИУ Фредгольма I рода типа свертки
h(x , y )w(, )dd g(x, y) g .
(3)
Здесь – величина смаза, h – функция рассеяния точки (ФРТ, PSF), обычно пространственноинвариантная, w и g – распределение интенсивности по неискаженному и искаженному изображениям соответственно, g – помеха. В (1), (2) ось x направлена вдоль смаза, а y играет роль параметра. Инте-
гральные уравнения (1) и (2) обычно используются в задаче смазывания, а (3) – в задаче дефокусирования, но часто ([3] и др.) уравнение (3) используется для решения обеих задач.
Цель данной работы – восстановление (реконструкция) смазанных под углом и зашумленных изображений без использования так называемых «граничных условий», но с введением приемов усечения, размытия краев и поворота изображения в рамках системы программирования MatLab7. При этом предлагается использовать методы преобразования Фурье (ПФ) и квадратур с регуляризацией Тихонова как в прямой (моделировании смаза), так и в обратной задаче (реконструкции).
Данная работа является продолжением работ [2, 9, 10, 13].
Граничные условия
Во многих зарубежных работах ([3, 5–8, 11] и др.) при решении прямой задачи смазывания изо-
бражения используются для учета интенсивностей вне границ изображения так называемые «граничные
условия» (boundary conditions, BCs). Например, в m-функции imfilter системы MatLab7 при формировании смазанного или размытого изображения в качестве параметра можно задавать различные «гранич-
ные условия»: zero, circular, symmetric и др.
В дискретном виде задачу формирования смазанных или размытых изображений можно предста-
вить выражением
g Aw g ,
(4)
где g – матрица смазанного изображения, А – матрица, связанная с ФРТ и «граничными условиями», w –
матрица неискаженного изображения размера m n , g – помеха.
Однако введение «граничных условий», когда функция w не является финитной, приводит к усложнению матрицы A [6]. Например, при использовании нулевых граничных условий матрица A представляет собой блок теплицевых матриц, а при рефлективных (symmetric) – сумму блоков теплицевых и ганкелевых матриц [6]. Правильнее было бы говорить не о «граничных условиях», а о внеграничных условиях, точнее, об экстраполяции значений интенсивности w за границы изображения. Для решения мо-
дельной задачи – формирования смазанного изображения – был предложен [10] прием усечения и размы-
28 Научно-технический вестник Санкт-Петербургского государственного университета
информационных технологий, механики и оптики, 2010, № 4(68)
М.В. Дайнеко, В.С. Сизиков
тия краев изображения для случая горизонтального смазывания. В данной работе этот прием распространяется на случай смазывания изображения под произвольным углом.
Смазывание изображения под углом
Моделирование смазанного под углом изображения уже реализовано в рамках системы програм-
мирования MatLab7 при помощи m-функций fspecial и imfilter. Функция fspecial задает разностную функцию рассеяния точки (ФРТ) h(x, y). Однако алгоритм, используемый в функции
fspecial.m для решения прямой задачи, реализован достаточно сложным образом – путем отбора
ближайших пикселей, расположенных вдоль наклонной под некоторым углом прямой линии на расстоянии не более 1 пикселя. При этом используется билинейная интерполяция. Кроме того, получение
смазанного изображения g(x, y) в функции imfilter.m реализовано с использованием «граничных условий», а также путем свертки истинного изображения w(x, y) c заданной в виде матрицы ФРТ h(x, y):
g(x, y) h(x , y )w(, ) dd, x, y D ,
(5)
D
где D – видимая область изображения.
В данной работе предлагается использовать другой подход – прием поворота изображения, кото-
рый реализован при помощи m-функции imrotate.m [11]. На рис. 1 приведена схема смазывания изо-
бражения под произвольным углом с размытием краев изображения и с использованием его поворота.
Рис. 1. Моделирование смазывания изображения под углом по схеме с размытыми краями
Заметим, что в случае использования функций MatLab’а fspecial.m и imfilter.m задача сма-
зывания изображения рассматривается как двумерная (см. выражение (3)). В данной работе прямая зада-
ча сводится к решению набора одномерных уравнений (выражения (1), (2)).
На рис. 2 представлены два варианта смазанного под углом 35 текстового изображения раз-
мером 618 690 пикселей, величина смаза 20 пикселей; на рис. 2, а – изображение, смазанное при
помощи функций fspecial и imfilter («граничное условие» circular); на рис. 2, б – изображение,
смазанное при использовании приема размытия краев и приема поворота изображения.
При решении обратной задачи (реконструкция смазанных под углом и зашумленных изображений)
для решения набора одномерных ИУ (2) был применен метод квадратур с регуляризацией Тихонова.
Кроме того, после реконструкции был выполнен обратный поворот и полученное изображение приводи-
лось к фактическому размеру.
Уравнение (2) в виде системы линейных алгебраических уравнений (СЛАУ) можно представить в
виде
Aw g ,
(6)
Научно-технический вестник Санкт-Петербургского государственного университета информационных технологий, механики и оптики, 2010, № 4(68)
29
ВОССТАНОВЛЕНИЕ СМАЗАННЫХ ПОД УГЛОМ И ЗАШУМЛЕННЫХ ИЗОБРАЖЕНИЙ...
где A – матрица СЛАУ. Ввиду использования приема размытия краев при решении прямой задачи вы-
ражение (6) является переопределенной СЛАУ [10]. Решение СЛАУ (6) методом квадратур с регуляриза-
цией Тихонова имеет вид [5, 7, 10, 13]
w ( I AT A)1 AT g ,
(7)
где 0 – параметр регуляризации, I – единичная матрица, AT – транспонированная матрица.
а) б)
Рис. 2. Реконструкция смазанных и зашумленных изображений
В данной работе, применительно к обратной задаче, было произведено сравнение метода квадратур (и регуляризации Тихонова) с методом преобразования Фурье (ПФ) (и регуляризации Тихонова) [9, 10, 13, 15], а также с методом параметрической фильтрации Винера. Метод параметрической фильтрации Винера реализован в MatLab7 при помощи m-функции deconvwnr [11, c. 184] и дополнен использованием «граничных условий».
На рис. 3 представлен результат реконструкции смазанного под углом 35 и зашумленного 1%ным гауссовым шумом ( || g || || g || 0, 01 1% ) изображения методом квадратур и регуляризации Тихонова (рис. 3, б), методом ПФ и регуляризации Тихонова (рис. 3, в) и методом параметрической фильтрации Винера (рис. 3, г). Величина смаза во всех случаях составляла 20 пикселей. Исходное изображение размером 618 690 пикселей приведено на рис. 3, а.
а) б)
в) г) Рис. 3. Реконструированные изображения с последующей фильтрацией
(=35, 20 , уровень шума 1 %)
30 Научно-технический вестник Санкт-Петербургского государственного университета
информационных технологий, механики и оптики, 2010, № 4(68)
М.В. Дайнеко, В.С. Сизиков
При решении обратной задачи выбор параметра регуляризации определялся путем визуальной оценки полученных результатов и путем минимизации относительного среднеквадратического отклонения (СКО) восстановленного изображения от исходного [14]:
rel
[ ]m n (w ) j i wj i 2
j 1 i 1
mn
w2ji
j 1 i 1
(10)
(величину rel можно вычислить лишь в модельной задаче, когда w известно). На основании эксперимен-
тальных данных реконструкции были построены кривые зависимости величины СКО rel от параметра
регуляризации , а также зависимость СКО от константы (параметра) К, определяющей соотношение шум/сигнал по мощности в методе параметрической фильтрации Винера [3, с. 392; 11]. На рис. 4 показаны данные зависимости: кривая 1 – в случае использования метода ПФ и регуляризации Тихонова; кривая 2 – при методе квадратур и регуляризации Тихонова; кривая 3 – при обращении к методу параметрической фильтрации Винера. Отметим, что оптимальное значение параметра регуляризации opt и параметра Kopt в
случае решения модельных задач соответствует минимуму значения СКО rel () и rel (K ) .
rel rel rel K
lg , lg K
Рис. 4. Зависимость СКО от параметра регуляризации
при фильтрации шума после реконструкции
В рамках системы программирования MatLab7 при решении прямой и обратной задач были разработаны собственные m-функции: smearing.m – прямая задача моделирования смазывания изображения (в том числе для цветных изображений); normnoise.m – добавление нормального (гауссова) шума; rmsd.m – оценка относительного среднеквадратического отклонения (relative mean square deviation); desmearingf.m – обратная задача реконструкции смазанного изображения методом ПФ и регуляризации Тихонова; desmearingq.m – обратная задача реконструкции методом квадратур и регуляризации Тихонова.
Устранение зашумленности изображений
При решении задачи устранения шума также использовались методы параметрической фильтрации Винера, метод квадратур и ПФ с регуляризацией Тихонова. Для решения обратной задачи и сравнения вышеуказанных методов было предложено три способа восстановления: без фильтрации шума, с предварительной фильтрацией и с фильтрацией после реконструкции. Для подавления аддитивного гауссова 1%-го шума, как показали эксперименты, лучше всего использовать метод адаптивной винеровской фильтрации (реализация в MatLab7 при помощи m-функции wiener2). Численная оценка полученных результатов реконструкции при различных вышеуказанных способах представлена в таблице.
Научно-технический вестник Санкт-Петербургского государственного университета информационных технологий, механики и оптики, 2010, № 4(68)
31
ВОССТАНОВЛЕНИЕ СМАЗАННЫХ ПОД УГЛОМ И ЗАШУМЛЕННЫХ ИЗОБРАЖЕНИЙ...
Вид реконструкции
без фильтрации шума с предварительной фильтрацией с последующей фильтрацией
Метод ПФ
с регуляризацией
Тихонова
opt rel (opt )
102,25
0,2006
102,45
0,1991
102,25
0,2086
Метод квадратур
с регуляризацией
Тихонова
opt rel (opt )
102,85
0,1051
103,5
0,0980
103,6
0,0806
Метод
параметрической фильтрации
Винера
Kopt
rel (Kopt )
105 0,0999
105 0,1110
105 0,0945
Таблица. Относительная погрешность восстановления смазанных и зашумленных изображений
Заключение
На основании полученных результатов можно сделать вывод, что метод квадратур с регуляризацией Тихонова позволяет наиболее точно и качественно восстанавливать искаженные изображения (смазанные под углом и зашумленные). Метод параметрической фильтрации Винера и метод ПФ с регуляризацией Тихонова уступают методу квадратур с регуляризацией Тихонова. Кроме того, в работе предложен новый способ моделирования смазанных под углом изображений без использования «граничных условий».
Работа выполнена при поддержке РФФИ (грант № 09-08-00034).
Литература
1. Тихонов А.Н., Гончарский А.В., Степанов В.В. Обратные задачи обработки фотоизображений // Некорректные задачи естествознания / Под ред. А.Н. Тихонова, А.В. Гончарского. – М.: Изд-во МГУ, 1987. – С. 185–195.
2. Сизиков В.С., Белов И.А. Реконструкция смазанных и дефокусированных изображений методом регуляризации // Оптический журнал. – 2000. – Т. 67. – № 4. – С. 60–63.
3. Гонсалес Р., Вудс Р. Цифровая обработка изображений. – М.: Техносфера, 2006. – 1072 с. 4. Воскобойников Ю.Е., Литасов В.А. Устойчивый алгоритм восстановления изображения при неточно
заданной аппаратной функции // Автометрия. – 2006. – Т. 42. – № 6. – С. 3–15. 5. Christiansen M., Hanke M. Deblurring methods using antireflective boundary conditions. – 2006 [Электрон-
ный ресурс]. – Режим доступа: http://citeseerx.ist.psu.edu, свободный. 6. Palmer K., Nagy J., Perrone L. Iterative methods for image restoration: Matlab object oriented approach. –
2002 [Электронный ресурс]. – Режим доступа: http://citeseer.ist.psu.edu, свободный. 7. Donatelli M., Estatico C., Martinelli A., Serra-Capizzano S. Improved image deblurring with anti-reflective
boundary conditions and re-blurring // Inverse problems. – 2006. – V. 22. – P. 2035–2053. 8. Arico A., Donatelli M., Nagy J., Serra-Capizzano S. The anti-reflective transform and regularization by filter-
ing. – 2007 [Электронный ресурс]. – Режим доступа: ftp://ftp.mathcs.emory.edu, свободный. 9. Римских М.В., Евсеев В.О., Сизиков В.С. Реконструкция смазанных изображений различными метода-
ми // Оптический журнал. – 2007. – Т. 74. – № 11. – С. 53–57. 10. Сизиков В.С., Римских М.В., Мирджамолов Р.К. Реконструкция смазанных и зашумленных изображе-
ний без использования граничных условий // Оптический журнал. – 2009. – Т. 76. – № 5. – С. 38–46. 11. Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде MATLAB. – М.: Техносфе-
ра, 2006. – 616 с. 12. Бакушинский А.Б., Гончарский А.В. Некорректные задачи. Численные методы и приложения. – М.:
Изд-во МГУ, 1989. – 199 с. 13. Сизиков В.С. Математические методы обработки результатов измерений. – СПб.: Политехника, 2001. –
240 с. 14. Пикалов В.В., Непомнящий А.В. Итерационный алгоритм с вейвлет-фильтрацией в задаче двумерной
томографии // Вычислит. методы и программирование. – 2003. – Т. 4. – С. 244–253. 15. Ягола А.Г., Кошев Н.А. Восстановление смазанных и дефокусированных цветных изображений // Вы-
числительные методы и программирование. – 2008. – Т. 9. – С. 207–212.
Дайнеко Мария Владимировна Сизиков Валерий Сергеевич
– Санкт-Петербургский государственный университет информационных технологий, механики и оптики, аспирант, daynekom@gmail.com
– Санкт-Петербургский государственный университет информационных технологий, механики и оптики, доктор технических наук, профессор, sizikov2000@mail.ru
32 Научно-технический вестник Санкт-Петербургского государственного университета
информационных технологий, механики и оптики, 2010, № 4(68)