اصلاح تصویر و حذف نویز در متلب 3(21)

اصلاح تصویر و حذف نویز در متلب 3

روش آماری فیلتر NSPR  در نرم افزار متلب

بخش 21 آموزش برنامه نویسی درنرم افزار متلب 

در این بخش میخوانیم :

1- روش آماری فیلتر NSPR  

2- تخمین زدن با روش آماری واریانس 

3- تابع deconvwnr

4- فراخوانی تابع deconvwnr به روش J = deconvwnr ( I , PSF , NSR ) 

5- فرا خوانی تابع deconvwnr به روش J = deconvwnr ( I , PSF , NCORR , ICORR )  

 

در روش آماری فیلتر NSPR  در متلب زمانی که خط بالای NSPR  را برمیداریم یعنی NSPR  ثابت است .

این روش همان مفهوم قبل را دارد اما از دید آماری NSPR را توصیف میکند .

PSF برای تبدیل مکانی استفاده میشود که همان ماتریس وزنی است .

NSR یک پارامتر است که اندازه نویز به سیگنال را نشان میدهد .

NCORR ارتباط نویز با خودش .

ICORR ارتباط تصویر با خودش .

حذف نویز را در این پارامتر بررسی میکنیم .

 

1. Clc ;
   Clear ;
   Close all ;
   % % Read Image
   f =imread ( ‘ Cameraman . tif ‘ ) ;
   f = im2double (f) ;
   % % Apply Motion Filter
   MotionLength = 7 ;
   MotionAngle = 45 ;
   PSF = fspecial ( ‘ motion ‘ , MotionLength , MotionAngle ) ;
   g1 = imfilter ( f , PSF) ;
   % % Add Noise
   NoiseMean = 0 ;
   NoiseVar = 0 . 01 ;
   g2 = imnoise ( g1 , ‘gaussian ‘ , NoiseMean , NoiseVar ) ;
   % % Wiener Deconvolution
   
   % % Results
   figure ;
   subplot ( 2 , 2 , 1 ) ;
   imshow ( f ) ;
   title ( ‘ Original Image ‘ ) ;
   subplot ( 2 , 2 , 2 ) ;
   imshow ( g1) ;
   title ( ‘ Blurred Image ‘ ) ;
   subplot ( 2 , 2 , 3) ;
   imshow ( g2) ;
   title ( ‘ Blurred and Noisey Image ‘ ) ;

 

بازیابی تصویری با 45 درجه چرخش از دستور  J = deconvwnr ( I , PSF , NSR )  که باید نویز آن را هم از بین ببریم .

در این دستور فرض ما بر این است که PSF را داریم .

با استفاده از روش آماری واریانس مورد سنجش قرار میدهیم .

1. % % Wiener Deconvolution
   % ImageVar = Var (f(:)) ;
   % NSPR = NoiseVar ;
   Fhat 1 = deconvwnr (g2 , PSF , 0 ) ;
   % % Results
   figure ;
   subplot ( 2 , 3 , 1 ) ;
   imshow ( f ) ;
   title ( ‘ Original Image ‘ ) ;
   subplot ( 2 , 3 , 2 ) ;
   imshow ( g1) ;
   title ( ‘ Blurred Image ‘ ) ;
   subplot ( 2 , 3 , 3) ;
   imshow ( g2) ;
   title ( ‘ Blurred and Noisey Image ‘ ) ;
   subplot ( 2 , 3 , 4) ;
   imshow ( fhat1 ) ;
   title ( ‘ Recovered Image ( NPSR = 0 ) ‘ ) ;

 

اگر هیچ نویزی وجود نداشته باشد چنین تصویر مخدوشی به ما میدهد که برای ما کارایی ندارد .

استفاده از پردازش تصویر در نرم افزار پارکینگ و نرم افزار پلاک خوان مورد استفاده قرار میگیرد.

از تحلیل آماری NSPR برای یافتن تصویر اصلی کمک میگیریم .

 

1. % % Add Noise
   NoiseMean = 0 ;
   NoiseVar = 0 . 001 ;
   g2 = imnoise ( g1 , ‘gaussian ‘ , NoiseMean , NoiseVar ) ;
   % % Wiener Deconvolution
   NSPR1 = 0 ;
   Fhat 1 = deconvwnr (g2 , PSF , NSPR1 ) ;
   ImageVar = Var (f (:) ) ;
   NSPR2 = NoiseVar / ImageVar ;
   Fhat2 = deconvwnr (g2 , PSF , NSPR2 ) ;
   % % Results
   figure ;
   subplot ( 2 , 3 , 1 ) ;
   imshow ( f ) ;
   title ( ‘ Original Image ‘ ) ;
   subplot ( 2 , 3 , 2 ) ;
   imshow ( g1) ;
   title ( ‘ Blurred Image ‘ ) ;
   subplot ( 2 , 3 , 3) ;
   imshow ( g2) ;
   title ( ‘ Blurred and Noisey Image ‘ ) ;
   subplot ( 2 , 3 , 4) ;
   imshow ( fhat1 ) ;
   title ( ‘ Recovered Image ( NPSR = 0 ) ‘ ) ;
   subplot ( 2 , 3 , 5) ;
   imshow ( fhat2 ) ;
   title ( [ ‘ Recovered Image ( NPSR = ‘ num2str ( NSPR2) ‘ ) ‘  ] ) ;

 

با کمتر کردن ده برابری واریانس نویز توانستیم اثر حرکت 45 درجه ای را از بین ببریم و از لحاظ وضوح به تصویر اصلی نزدیکتر شدیم حالا با استفاده از روش دیگری اثر نویز را بهبود میبخشیم .

1. % % Wiener Deconvolution
   NSPR1 = 0 ;
   Fhat 1 = deconvwnr (g2 , PSF , NSPR1 ) ;
   ImageVar = Var (f (:) ) ;
   NSPR2 = NoiseVar / ImageVar ;
   Fhat2 = deconvwnr (g2 , PSF , NSPR2 ) ;
   NSPR3 = 0 .05 ;
   Fhat3 = deconvwnr (g2 , PSF , NSPR3 ) ;
   % % Results
   figure ;
   subplot ( 2 , 3 , 1 ) ;
   imshow ( f ) ;
   title ( ‘ Original Image ‘ ) ;
   subplot ( 2 , 3 , 2 ) ;
   imshow ( g1) ;
   title ( ‘ Blurred Image ‘ ) ;
   subplot ( 2 , 3 , 3) ;
   imshow ( g2) ;
   title ( ‘ Blurred and Noisey Image ‘ ) ;
   subplot ( 2 , 3 , 4) ;
   imshow ( fhat1 ) ;
   title ( ‘ Recovered Image ( NPSR = 0 ) ‘ ) ;
   subplot ( 2 , 3 , 5) ;
   imshow ( fhat2 ) ;
   title ( [ ‘ Recovered Image ( NPSR = ‘ num2str ( NSPR2) ‘ ) ‘  ] ) ;
   subplot ( 2 , 3 , 6) ;
   imshow ( fhat3 ) ;
   title ( [ ‘ Recovered Image ( NPSR = ‘ num2str ( NSPR3) ‘ ) ‘  ] ) ;

 

در این حالت حذف نویز بیشتری انجام شده ولی نسبت به تصویر قبلی بیشتر تار شده ولی نسبت به تصاویر اولیه بالای صفحه وضوح و شفافیت بیشتری دارد .

حالا روش دیگر فرا خوانی با تابع J = deconvwnr ( I , PSF , NCORR , ICORR )  را اعمال میکنیم .

ابتدا باید طیف نویز را محاسبه و پیدا کنیم .

1. SN = abs (fft2 (g2 – g1)) . ^2 ;
   NCORR = fftshift (real (ifft2 (SN)) ;
   SF = abs (fft2(f)) . ^2 ;
   FCORR = fftshift (real (ifft2 (SF))) ;
   NSPR = NCORR . / FCORR ;
   Fhat3 = deconvwnr ( g2 , PSF , NCORR , FCORR ) ;

 

همبستگی سیگنال یک عدد ثابت نیست و نسبت به نقاط مختلف تصویر عوض میشود به این حالت میگن کُریلیشن با خودش است .

تصویر خیلی واضحتر از قبل شده فقط کمی نویز خطوط افقی عمودی روی اطراف تصویر زیاد شده که برای از بین بردن آنها از تابع J = edgetaper (I , PSF) استفاده میشود

 

1. PSF2 = fspecial (‘gaussian ‘ , 60 , 10 ) ;
   Fhat4 = edgetaper (fhat3 , PSF2 ) ;

 

نویز حواشی تصویر را کم کرد  وشباهت این تصویر نسبت به تصویر اصلی از بقیه توابعی که امتحان کردیم بیشتر است .

با اعمال هر فیلتر نتایج متنوعی را یافتیم .