ИНЖЕНЕРНЫЙ ВЕСТНИК

Файл статьи: Wang_L.pdf (809.59Кб)

В работе рассматриваются методы восстановления цифровых расплывчатых изображений в результате движения, зашумлённых гауссовским и импульсным шумом. Используя модели искажений в работе [ R.C.Gonzalez, Digital Image Processing], мы получим два расплывчатых изображения (время экспозиции T=1s, классический угол размытости θ=0, и θ=π/4) в результате движения, это процесс называется моделированием искаженных изображений. Для подавления искаженных изображений использовались инверсная фильтрация, винеровская фильтрация и фильтрация по методу Тихонова. Оцифрованные изображения, полученные в результате моделирования искаженных изображений, переводятся специальными функциями LabVIEW в двумерную матрицу с последующим БПФ и умножением результата преобразования на функцию инверсной фильтрации, или функцию винеровской фильтрации, или функцию фильтрации Тихонова. Чтобы определить оптимальные параметры коэффициента К винеровского фильтра (для фильтрации по методу Тихонова - это параметр γ) в эксперименте конечных двух фильтров, проведено сравнение среднеквадратического отклонения значений пикселей исходного изображения со значениями пикселей восстановленных изображений, которые были получены из фильтров с различными параметрами K или γ. Для угла размытости равного 0 получены значения K=0.006 и γ=0.01, а для угла размытости равно π/4  K =0.008 и γ=0.02.  Для восстановления исходного изображения необходимо провести обратное преобразование Фурье. Рассмотрены прямая задача, (моделирование искажения) и обратная задача (реконструкция, восстановление изображения). Экспериментальные результаты показывают, что восстановление расплывчатых изображений, полученные в результате движения, могут быть восстановлены до получения удовлетворительных результатов.

Список литературы

       [2].     Сизиков В.С. Математические методы обработки результатов измерений. СПб.: Политехника. 2001. 240 с.

       [3].     Бейтс Р., Мак-Доннелл М. Восстановление и реконструкция изображений. М.: Мир. 1989. 336 с.

       [4].     Абламейко С.В., Лагуновский Д. М. Обработка изображений: технология, методы, применение. Учебное пособие. Минск: Амалфея. 2000. 303с.

       [5].     Сизиков В.С., Римских М.В., Мирджамолов Р.К. Реконструкция смазанных и зашумленных изображений без использования граничных условий // Оптический журнал. 2009. Т. 76. № 5. С. 38–46.

       [6].     Дададжион Д., Мерсеро Р. Цифровая обработка многомерных сигналов. М. Мир. 1988. 488 с. С.15-141с.

       [7].     Zhang Wei, Wang Xu, Ge Lin-lin, Zhang Zhuo. An Algorithm for Weak Signal Detection in Strong Noise Environment. // Acta Metrologica Sinica. 2007. Is. 1. P. 70-73.  

       [8].     Ran Li, Wang Min. Research on weak signal detection method under the strong noise background // Information Technology. 2012. Is. 2.  Режим доступа: http://wenku.baidu.com/link?url=LRxIlCjgDYsEIJldGhmSKdpR6ZcFjf9I_Dm05_U7ivdpaqztiKUNqtUHkvmfaUlErt9dUa4kJb5W4fmax1sEPOWc4nsbjLol9xZX726C0Rm (дата обращения 28.01.2012).  

       [9].      LabVIEW Code Interface Reference Mannul. January, 1998. // National Instruments. Режим доступа: http://digital.ni.com/manuals.nsf/websearch/0F3CEF1157B9D13F8625665E006358AE (дата обращения 01.12.2012).

     [10].   LabVIEW User Mannul. January, 1998. // National Instruments. Режим доступа: http://digital.ni.com/manuals.nsf/websearch/4B7A8EE22C15AA838625665E006358A8 (дата обращения 03.12.2012).

     [11].    LabVIEW Function and VI Reference Mannul. January,1998 // National Instruments . Режим доступа: http://digital.ni.com/manuals.nsf/websearch/C9861F451AEC8EF48625665E006358A4 (дата обращения 06.12.2012).