第6章 图像复原
一、图像退化与复原模型（Degradation and Restoration Model）
1.1 图像增强 vs 图像复原
| 图像增强（Enhancement） | 图像复原（Restoration） | |
|---|---|---|
| 目标 | 让图像看起来更好 | 尽可能重建原始图像 |
| 方法 | 主观、启发式 | 客观、数学模型驱动 |
| 评价 | 视觉效果 | 逼近真实值的程度 |
| 退化模型 | 不需要 | 必须建立退化模型 |
图像复原的核心公式——空间域：
频率域：
其中 \(f(x,y)\) 为原始（未退化）图像，\(h(x,y)\) 为退化函数（点扩散函数 PSF），\(\eta(x,y)\) 为加性噪声。
1.2 线性、空间不变退化模型
退化系统 \(H\) 的性质：
- 线性（Linear）：\(H[a f_1 + b f_2] = a H[f_1] + b H[f_2]\)（可加性 + 齐次性）
- 空间不变（Position-Invariant）：\(H[f(x - x_0, y - y_0)] = g(x - x_0, y - y_0)\)
当 \(H\) 同时满足线性和空间不变时，退化过程表示为卷积：
复原的本质：估计噪声 → 估计退化函数 → 图像去卷积（Image Deconvolution）。
二、噪声模型（Noise Models）
2.1 噪声来源
- 图像采集过程中的热噪声、电磁干扰
- 图像传输过程中的信道误码
关键特征：随机性（randomness）和规律性（regularity）。
2.2 常见空间域噪声 PDF
（1）高斯噪声（Gaussian Noise）
最常见的热噪声模型：
- 参数：均值 \(\mu\)（整体亮度偏移）、标准差 \(\sigma\)（噪声强度）
- 来源：传感器热噪声、电路电子噪声
（2）瑞利噪声（Rayleigh Noise）
非负随机变量的连续概率分布，向量模长：
均值 \(\mu = a + \sqrt{\pi b/4}\)，方差 \(\sigma^2 = b(4 - \pi)/4\)
（3）爱尔朗/伽马噪声（Erlang / Gamma Noise）
激光成像中常见：
均值 \(\mu = b/a\)，方差 \(\sigma^2 = b/a^2\)
（4）指数噪声（Exponential Noise）
伽马噪声的特例（\(b=1\)）：
均值 \(\mu = 1/a\)，方差 \(\sigma^2 = 1/a^2\)
（5）均匀噪声（Uniform Noise）
量化噪声：
均值 \(\mu = (a+b)/2\)，方差 \(\sigma^2 = (b-a)^2/12\)
（6）椒盐噪声（Salt-and-Pepper Noise）
又称脉冲噪声（Impulse Noise）：
-
来源：模数转换器错误、传输误码、传感器故障
-
双极脉冲噪声：\(P_s \approx P_p\)（黑白噪点等概率）
-
单极脉冲噪声：\(P_s \neq P_p\)
2.3 周期性噪声（Periodic Noise）
来自图像采集过程中的电气或机电干扰：
- 空间域：叠加正弦型条纹
- 频率域：一对共轭对称的孤立亮斑（在 DFT 幅度谱中表现为关于原点对称的两个尖峰）
- 消除方法：陷波滤波器（Notch Filter）
2.4 MRI 中的噪声
MRI 图像中的三类噪声：
| 噪声类型 | 来源 | 特征 |
|---|---|---|
| 随机噪声 | RF 线圈热噪声、前置放大器电子噪声 | 在复杂 K 空间为高斯，在幅度图像为 Rician 分布 |
| 脉冲噪声 | 传感器故障、传输误码 | 椒盐状随机尖刺 |
| 结构化噪声 | 鬼影、运动伪影、滤波、重建 | 与图像内容和处理方法相关 |
Rician 噪声的关键性质
MRI 的原始 K 空间复数信号：\(\text{real} = \nu + \epsilon_{\text{real}}\), \(\text{imag} = 0 + \epsilon_{\text{imag}}\)
其中 \(\epsilon \sim N(0, \sigma^2)\)，幅度图像 \(M = \sqrt{(\nu + \epsilon_{\text{real}})^2 + \epsilon_{\text{imag}}^2}\) 服从 Rician 分布：
- 背景区域（\(I = 0\)）→ 近似于 瑞利分布（Rayleigh）
- 高 SNR 区域（\(I \gg \sigma\)）→ 近似于 高斯分布 \(N(I, \sigma^2)\)
2.5 噪声参数估计
周期性噪声
- 方法：检查图像的傅里叶频谱，定位对称亮斑
其他噪声
两种估计策略：
- 有成像设备可用：拍摄一组平坦图像，直接统计
- 仅有图像可用：从图像中灰度恒定的小区域估计
具体步骤：
- 选取图像中灰度恒定的窄条区域 \(S\)
- 计算该区域的归一化直方图 \(p(z_i)\)
- 计算均值和方差：\(\mu = \sum z_i p(z_i)\)，\(\sigma^2 = \sum (z_i - \mu)^2 p(z_i)\)
- 根据直方图形状匹配最近的 PDF → 用均值和方差反解 PDF 参数
三、空间域去噪滤波（Spatial Domain Denoising）
当退化仅由噪声引起时（\(H\) 为单位算子）：
3.1 均值滤波器（Mean Filters）
（1）算术均值滤波器（Arithmetic Mean Filter）
- 最简单的平滑滤波器
- 同时减少噪声和模糊图像细节
（2）几何均值滤波器（Geometric Mean Filter）
- 平滑效果接近算术均值，但丢失更少图像细节
- 缺点：不能处理含零值的像素（乘积为零）
（3）谐波均值滤波器（Harmonic Mean Filter）
- 对盐噪声（白色噪点）效果好
- 对椒噪声（黑色噪点）失效——因为 \(\frac{1}{0} \to \infty\)
（4）逆谐波均值滤波器（Contraharmonic Mean Filter）
- \(Q = 0\)：退化为算术均值滤波器
- \(Q = -1\)：退化为谐波均值滤波器
- \(Q > 0\)：消除椒噪声（黑色噪点）
- \(Q < 0\)：消除盐噪声（白色噪点）
Q 的符号选择
选错 Q 的符号会导致灾难性后果——\(Q>0\) 处理盐噪声会使图像出现大面积黑斑，\(Q<0\) 处理椒噪声会使图像出现大面积白斑。
3.2 统计排序滤波器（Order-Statistics Filters）
（1）中值滤波器（Median Filter）
- 对双极和单极脉冲噪声（椒盐噪声）特别有效
- 相比线性平滑滤波器，模糊明显更少
- 可多次应用，但会逐渐模糊图像
（2）最大值/最小值滤波器（Max / Min Filter）
（3）中点滤波器（Midpoint Filter）
- 结合排序统计和均值
- 最适合随机分布噪声（高斯、均匀噪声）
（4）Alpha-修剪均值滤波器（Alpha-Trimmed Mean Filter）
-
原理： 在大小为 \(m \times n\) 的邻域窗口 \(S_{xy}\) 内，将所有像素值按大小进行排序。无条件剔除掉 \(d/2\) 个最小的像素值和 \(d/2\) 个最大的像素值，最后对剩下的 \(mn - d\) 个中间像素值求算术平均。
-
参数 \(d\) 的极端情况：
-
\(d = 0\)：不修剪任何像素（去掉 0 个最高/最低分），此时等价于算术均值滤波器。
-
\(d = mn - 1\)：删除了除中位数以外的所有像素，此时等价于中值滤波器。
-
适用场景与优势：特别适用于混合多种噪声类型（如椒盐噪声 + 高斯噪声）的图像。
-
物理意义： 先通过“修剪 \(d/2\) 个极端值”直接扔掉椒盐噪声的纯黑/纯白坏点；再通过“对剩余值求平均”有效平滑掉高斯噪声的细微波动。
3.3 自适应滤波器（Adaptive Filters）
（1）自适应局部降噪滤波器（ALNRF — Adaptive Local Noise Reduction Filter）
其中 \(m_L\) 为局部均值，\(\sigma_L^2\) 为局部方差，\(\sigma_\eta^2\) 为（估计的）全局噪声方差。
工作原理：
| 条件 | 行为 | 原因 |
|---|---|---|
| \(\sigma_\eta^2 = 0\) | 返回 \(g(x,y)\) | 无噪声，无需滤波 |
| \(\sigma_L^2 \gg \sigma_\eta^2\) | 返回接近 \(g(x,y)\) | 高局部方差 = 边缘，应保留 |
| \(\sigma_L^2 \approx \sigma_\eta^2\) | 返回 \(m_L\)（局部均值） | 平坦区域，均值降噪 |
（2）自适应中值滤波器（AMF — Adaptive Median Filter）
目标：
-
处理高概率的脉冲噪声（\(P_s, P_p > 0.2\)）
-
在平滑非脉冲噪声的同时保留细节
两级判断：
- Level A：检查 \(z_{\text{med}}\) （中位数）是否为脉冲 → 若不是，转 Level B；若是，增大窗口 → 若窗口已达上限 \(S_{\max}\)，输出 \(z_{\text{med}}\)
- Level B：检查 \(z_{xy}\) （中心像素）是否为脉冲 → 若不是，输出 \(z_{xy}\)（保留原像素）；若是，输出 \(z_{\text{med}}\)（用中值替代）
AMF 的关键优势
只有当中心像素确实是脉冲时才用中值替代，否则保留原始像素——这比标准中值滤波器更好地保留了边缘细节。
3.4 非局部均值滤波器（Non-Local Means Filter — NLM）
核心思想：不局限于目标像素的局部邻域，而是在整个图像中搜索相似像素块，以相似度为权重做加权平均。
其中 \(C(p) = \sum_q w(p,q)\)，权重 \(w(p,q)\) 取决于以 \(p\) 和 \(q\) 为中心的图像块之间的相似度：
其中 \(N_p\)、\(N_q\) 为图像块，\(h\) 为平滑参数。
NLM vs 局部均值滤波器：
| 局部均值 | 非局部均值 | |
|---|---|---|
| 搜索范围 | 固定邻域（如 \(3\times3\)） | 全局或大范围搜索窗口 |
| 权重依据 | 空间距离 | 图像块相似度（结构冗余） |
| 边缘保护 | 较差 | 优秀 |
| 计算量 | 小 | 大 |
四、频率域去噪 — 最优陷波滤波（Optimum Notch Filtering）
周期性噪声在频率域中表现为对称亮斑，用陷波滤波器（Notch Filter）精确阻断。
4.1 陷波滤波回顾
- 陷波带阻：\(H_{\text{NR}}(u,v) = \prod_{k=1}^{Q} H_k(u,v) \cdot H_{-k}(u,v)\)
- 陷波带通：\(H_{\text{NP}} = 1 - H_{\text{NR}}\)（可用于提取干扰模式）
4.2 最优陷波滤波（Optimum Notch Filtering — ONF）
当干扰成分有多个或带有展宽裙边时，简单陷波效果不佳。
ONF 方法：
- 在每个噪声尖峰处放置陷波带通滤波器 → 仅提取干扰模式
- 干扰模式的估计：\(\eta(x,y) = \mathcal{F}^{-1}\{H_{\text{NP}}(u,v) \cdot G(u,v)\}\)
- 从原图中加权减去干扰：\(\hat{f}(x,y) = g(x,y) - w(x,y) \cdot \eta(x,y)\)
- 权重 \(w(x,y)\) 通过最小化 \(\hat{f}(x,y)\) 的局部方差来确定：
其中上划线表示邻域均值。
五、退化函数估计（Estimating the Degradation Function）
三种估计方法：
5.1 观察法（Observation）
在退化图像中选择强信号区域（如一个亮点），利用：
5.2 实验法（Experimentation）
利用系统的脉冲响应——输入一个脉冲（亮点），系统的输出就是退化函数 \(h(x,y)\)：
其中 \(A\) 为脉冲的强度。
5.3 数学建模法（Mathematical Modelling）
大气湍流模型（Hufnagel & Stanley）
- 等价于高斯低通滤波器
- \(k\) 控制退化程度（\(k\) 越大，模糊越严重）
匀速直线运动模糊（Uniform Linear Motion）
在曝光时间 \(T\) 内，传感器与物体之间有相对运动：
- \(a\)、\(b\) 分别为 \(x\)、\(y\) 方向的运动位移
- \(H(u,v)\) 具有周期性过零点——在这些频率处退化函数值为零
六、逆滤波（Inverse Filtering）
6.1 直接逆滤波
6.2 逆滤波的两大问题
- 无法完全恢复 \(F\)：\(N(u,v)\) 仍然未知
- 噪声放大：当 \(H(u,v) \to 0\) 时（如运动模糊的过零点、高斯模糊的高频区域） 噪声被无限放大，图像被噪声完全淹没 $$ \frac{N(u,v)}{H(u,v)} \to \infty $$
6.3 受限逆滤波（Limited Inverse Filtering）
只在一个有限频率半径内做逆滤波（截断高频）：
- 避免了高频噪声爆炸
- 代价：频域硬截断 → 振铃效应
七、维纳滤波（Wiener Filtering — 最小均方误差滤波）
7.1 基本思想
最小化均方误差：\(e^2 = E[(f - \hat{f})^2]\)
在频率域的最优解：
其中 \(S_\eta(u,v) = |N(u,v)|^2\) 为噪声功率谱，\(S_f(u,v) = |F(u,v)|^2\) 为原始图像功率谱。
7.2 维纳滤波的直观理解
当 \(H(u,v)\) 很大且 \(S_\eta/S_f\) 很小时 → 趋近于逆滤波
当 \(H(u,v) \to 0\) 时 → \(\hat{F}\)趋向于0（抑制噪声）
7.3 实用近似
当噪声功率谱和信号功率谱未知时：
其中 \(K\) 为用户指定的常数（通常通过交互调节）。
7.4 维纳滤波 vs 逆滤波
| 逆滤波 | 维纳滤波 | |
|---|---|---|
| 噪声处理 | 在 \(H \to 0\) 处无限放大噪声 | 自动在噪声放大和去模糊间平衡 |
| 参数 | 无（或仅截断半径） | \(K\)（信噪比相关常数） |
| 效果 | 容易完全崩溃 | 稳定可靠 |
| 需要的信息 | \(H(u,v)\) | \(H(u,v)\) + 噪声与信号的功率比 |
八、约束最小二乘滤波（Constrained Least Squares Filtering — CLSF）
8.1 优化目标
优化：最小化图像的拉普拉斯（即最大化平滑）：
约束：\(\|g - H\hat{f}\|^2 = \|\eta\|^2\)（复原误差的范数等于噪声范数）
8.2 频率域解
其中 \(P(u,v)\) 是拉普拉斯算子 \(p(x,y) = \begin{pmatrix} 0 & -1 & 0 \\ -1 & 4 & -1 \\ 0 & -1 & 0 \end{pmatrix}\) 的傅里叶变换：
8.3 \(\gamma\) 参数的影响
| \(\gamma\) 取值 | 滤波器行为 |
|---|---|
| \(\gamma = 0\) | 退化为直接逆滤波 |
| \(\gamma \to +\infty\) | 高频全被压制，图像变为无细节的平滑均匀图（仅 DC 分量保留） |
| 适当的 \(\gamma\) | 在去模糊和噪声抑制之间取得平衡 |
CLSF vs 维纳滤波
- 维纳滤波需要知道噪声与信号的功率谱（或用户指定 \(K\)）
- CLSF 只需要知道噪声的均值和方差——这也是为什么约束最小二乘滤波 被称为约束的原因：以噪声能量为约束来限制解空间
- 可以交互式调节 \(\gamma\) 直至结果满意
8.4 CLSF 处理运动模糊的特殊优势
退化函数 \(H(u,v) = \frac{T}{\pi(ua + vb)} \sin[\pi(ua + vb)] e^{-j\pi(ua + vb)}\) 具有周期性过零点。
- 若 \(\gamma = 0\)（逆滤波）：在过零点处 \(H \to 0\)，轻微噪声 \(N(u,v)\) 被除以零 → 噪声爆炸
- 若 \(\gamma > 0\)（CLSF）：在过零点处分母 = \(|H|^2 + \gamma|P|^2 \approx \gamma|P|^2\)（非零）→ 噪声得到控制
Laplacian 正则化的物理意义
\(|P(u,v)|^2\) 在高频处很大，CLSF 的分母在高频处不会为零——拉普拉斯算子天然对高频有惩罚作用，这恰好防止了逆滤波在高频处的噪声爆炸。
九、几何均值滤波器（Geometric Mean Filter — 广义维纳滤波）
9.1 一般形式
几何均值滤波器是维纳滤波的广义化：
其中 \(\alpha, \beta > 0\) 为实常数。
9.2 特例对应表
| \(\alpha\) | \(\beta\) | 对应滤波器 |
|---|---|---|
| \(1\) | — | 逆滤波 |
| \(0\) | \(1\) | 标准维纳滤波 |
| \(1/2\) | \(1\) | 谱均衡滤波器（两个极端乘积的几何平均） |
| \(0\) | \(\neq 1\) | 参数化维纳滤波 |
| \(1\) | \(< 1/2\) | 更接近维纳滤波 |
| \(1\) | \(> 1/2\) | 更接近逆滤波 |
十、本章总结（Summary）
图像复原全流程
噪声类型速查
| 噪声类型 | PDF 特征 | 适用滤波器 |
|---|---|---|
| 高斯 | 对称钟形 | 算术均值、高斯、NLM |
| 瑞利 | 非负、右偏 | — |
| 椒盐 | 孤立的 0 和 255 | 中值、max/min |
| 周期性 | 频域对称亮斑 | 陷波、最优陷波 |
| Rician | MRI 特有 | NLM、自适应滤波 |
复原滤波器速查
| 滤波器 | 需要的信息 | 何时失效 |
|---|---|---|
| 逆滤波 | \(H(u,v)\) | \(H \to 0\) 时噪声爆炸 |
| 受限逆滤波 | \(H(u,v)\) + 截断半径 | 硬截断引入振铃 |
| 维纳滤波 | \(H(u,v)\) + \(S_\eta/S_f\)（或 \(K\)） | \(K\) 估计不准时次优 |
| CLSF | \(H(u,v)\) + 噪声均值/方差 + \(\gamma\) | \(\gamma\) 需交互调节 |
| 几何均值 | 同上 + \(\alpha, \beta\) | 参数多，调节复杂 |
课后作业
hw3 — Problem 1：Rician 噪声的分布性质与自适应 Alpha-Trimmed 滤波
知识点定位：噪声模型 — Rician 分布；自适应滤波
题目：
已知 MRI 幅度图像的 Rician 分布：\(p(M|I,\sigma) = \frac{M}{\sigma^2} e^{-(M^2+I^2)/(2\sigma^2)} I_0\left(\frac{MI}{\sigma^2}\right)\)
- 证明当真实信号 \(I = 0\) 时，Rician 退化为瑞利分布
- 证明当局部 SNR 较高（\(I \gg \sigma\)）时，Rician 近似为正态分布 \(N(I, \sigma^2)\)
- 基于 (1)(2)，对背景区域和组织区域分别如何设置 Alpha-Trimmed Mean 滤波器的 \(d\) 值？
解答：
(1) \(I=0\) 时：
令 \(z = M\)，\(b = 2\sigma^2\)，即得瑞利分布 \(p(z) = \frac{2z}{b} e^{-z^2/b}\)（\(z \geq 0\)）。
(2) \(I \gg \sigma\) 时：
利用 \(I_0(z) \approx e^z / \sqrt{2\pi z}\)（\(z \gg 1\)）：
由于 \(M \approx I\)，\(\sqrt{M/I} \to 1\)，得：
(3)：
- 背景区域：瑞利分布是右偏分布（长尾），会产生孤立的较亮假性噪声点。应设置较大的 \(d\)（使滤波器趋近于中值滤波），有效剔除位于分布尾部的极端噪声值，防止背景被均值拉亮。
- 组织区域：高 SNR 下噪声近似对称高斯分布。应设置较小的 \(d\)（趋近于算术均值），因为均值滤波是高斯噪声的数学最优线性无偏估计，同时能最大限度保留解剖学细节。
hw3 — Problem 2：约束最小二乘滤波的性质与运动模糊复原
知识点定位：图像复原 — CLSF
题目：
已知 CLSF 公式：\(\hat{F}(u,v) = \frac{H^*(u,v)}{|H(u,v)|^2 + \gamma |P(u,v)|^2} G(u,v)\)，拉普拉斯算子 \(p(x,y) = \begin{pmatrix} 0 & -1 & 0 \\ -1 & 4 & -1 \\ 0 & -1 & 0 \end{pmatrix}\)
- 证明 \(P(u,v) = 4 - 2\cos(\frac{2\pi u}{M}) - 2\cos(\frac{2\pi v}{N})\)
- \(\gamma = 0\) 时 CLSF 退化为什么？\(\gamma \to +\infty\) 时恢复图像会发生什么？
- 考虑匀速直线运动模糊 \(H(u,v)\) 存在轻微加性噪声。为什么设 \(\gamma = 10^{-6}\) 可能远好于 \(\gamma = 0\)？
解答：
(1)：
(2)：
- \(\gamma = 0\)：\(\hat{F}(u,v) = \frac{H^*(u,v)}{|H(u,v)|^2} G(u,v) = \frac{G(u,v)}{H(u,v)}\) — 退化为直接逆滤波
- \(\gamma \to +\infty\)：对于 \(P(u,v) \neq 0\) 的高频，分母 \(\to \infty\)，滤波器增益 \(\to 0\)，图像细节完全丢失。但在 \(P(0,0) = 0\) 的原点，DC 分量得以保留。最终图像变为无细节的均匀灰度图。
(3)：
运动模糊的 \(H(u,v)\) 具有周期性过零点（\(\sin[\pi(ua+vb)] = 0\) 处）。若 \(\gamma = 0\)（逆滤波），在过零点处 \(H(u,v) \to 0\)，轻微噪声被除以零无限放大。若 \(\gamma = 10^{-6}\)（CLSF），在过零点处分母 \(= |H|^2 + \gamma|P|^2 \approx \gamma|P|^2\) 非零，噪声得到有效控制。因此 CLSF 能在去除运动模糊的同时防止噪声爆炸。
hw3 — Problem 3：维纳滤波的退化函数推导
知识点定位：图像复原 — 维纳滤波
题目：
已知退化函数 \(h(x,y) = \frac{x^2 + y^2 - 2\sigma^2}{\sigma^4} e^{-(x^2+y^2)/(2\sigma^2)}\)
- 证明频率域退化函数：\(H(u,v) = -8\pi^3\sigma^2(u^2+v^2) e^{-2\pi^2\sigma^2(u^2+v^2)}\)
- 设 \(S_\eta/S_f = K\)（常数），写出该图像的维纳滤波传递函数
解答：
(1)：
高斯函数 \(f(x,y) = e^{-(x^2+y^2)/(2\sigma^2)}\) 的二维傅里叶变换为：
对 \(f(x,y)\) 求二阶偏导：
因此 \(h(x,y) = \frac{\partial^2 f}{\partial x^2} + \frac{\partial^2 f}{\partial y^2}\)，利用微分性质：
(2)：
由于 \(H(u,v)\) 为纯实数，维纳滤波器为：
实验
LAB4 — Project 3：图像复原
实验内容
- 图像退化模拟：在频率域使用高斯低通滤波器（不同截止频率 \(D_0 = 30, 60, 90\)）对原始图像进行模糊，再添加莱斯噪声。
- 已知模糊核的图像复原：分别采用逆滤波、受限逆滤波和维纳滤波对退化图像进行复原。
- 利用 NLM 进行 Rician 噪声降噪：应用非局部均值算法针对 Rician 噪声进行降噪。
- 质量评估：利用 PSNR 和 SSIM 对复原结果进行定量评估。
实验原理
1. 图像退化与复原模型
频率域中图像退化过程：\(G(u,v) = H(u,v)F(u,v) + N(u,v)\)，复原目标是从观测 \(G\) 和已知 \(H\) 估计 \(\hat{F}\)。
2. 经典频域复原算法
- 逆滤波：\(\hat{F}(u,v) = \frac{G(u,v)}{H(u,v)}\)。致命缺陷：\(H(u,v)\) 在高频处趋于零 → 噪声被无限放大，图像完全崩溃。
- 受限逆滤波：截断高频分量防止噪声爆炸。但由于频域硬性截断等效于空间域 sinc 卷积 → 强烈振铃伪影。
- 维纳滤波：建立在最小均方误差准则之上：
$$ \hat{F}(u,v) = \frac{1}{H(u,v)} \frac{|H(u,v)|^2}{|H(u,v)|^2 + K} G(u,v) $$
在"图像去模糊"与"噪声抑制"之间自适应平衡。
3. NLM 降噪
与传统的局部滤波器不同，NLM 利用图像中广泛存在的自相似性（如脑白质/灰质的纹理重复），在全局搜索相似图像块进行加权平均。对于 Rician 噪声，NLM 能在滤除噪声的同时完美保护边界——因为其权重基于图像块的结构相似度，而非空间距离。
4. 客观评价指标
- PSNR（峰值信噪比）：基于 MSE，数值越高表示像素级误差越小
- SSIM（结构相似性）：模拟人眼视觉，从亮度、对比度、结构三维度评估，值域 \([0,1]\)，越接近 \(1\) 越好
实验关键结论
- 截止频率 \(D_0\) 越小，模糊越严重，所有复原算法的指标整体下降
- 逆滤波在 \(D_0=30\) 时完全崩溃（PSNR 仅 ~3 dB）
- 受限逆滤波虽然提升了 PSNR，但引入严重振铃伪影
- 维纳滤波在反卷积和噪声抑制间取得最优平衡（SSIM 最高达 0.628）
- NLM 在纯降噪场景下 SSIM 可超越维纳滤波——因为它特别适合 Rician 这种信号相关的非高斯噪声
历年卷解答
一、周期噪声应该用陷波滤波（2020 判断）
知识点定位：噪声模型 — 周期性噪声的去噪
答案：正确。
解释：周期噪声在频率域中表现为孤立的对称亮斑（DFT 对正弦信号的直接响应）。陷波滤波器通过在频域精确阻断这些特定频率来消除周期噪声，是基于数学模型的精确去噪。
二、维纳滤波 vs 逆滤波（2020 判断 / 2022 大题 / 2021 大题）
知识点定位：图像复原 — 逆滤波 vs 维纳滤波
维纳滤波计算了原图和噪声的功率谱（2020 判断）：正确。
逆滤波公式与原理，为什么不好？（2022 大题）：
直接除以退化函数（去卷积）。
致命弱点：在 \(H(u,v) \to 0\) 的频率处，噪声 \(N(u,v)/H(u,v)\) 被放大到无穷，导致图像被噪声完全淹没。
维纳滤波公式与原理，为什么更好？（2022 / 2021 大题）：
建立在最小均方误差（MMSE）准则上。相比逆滤波的改进：
- 当 \(H(u,v) \to 0\) 时，\(\hat{F} \to 0\)（而逆滤波=\(N/H \to \infty\)）
- 当 \(S_\eta/S_f \to 0\)（高 SNR）时，趋近于逆滤波
- 当 \(S_\eta/S_f\) 较大（低 SNR）时，自动减少高频增益，抑制噪声
- 需要噪声与信号的功率谱比——这是逆滤波不具备的自适应能力
三、获取高通滤波能否用原图除以低通滤波？（2022 判断）
知识点定位：滤波概念辨析
答案：错误。 正确关系：高通 = 原图 − 低通，即 \(H_{\text{HP}} = 1 - H_{\text{LP}}\)。
原理：除法 \(F/H_{\text{LP}}\) 对应的是逆滤波（图像复原范畴），而非高通滤波。二者数学操作完全不同。
四、处理后变模糊+有振铃→可能的滤波器（2021 选择）
知识点定位：图像复原 — 滤波器的空间域效应
分析：处理后图像"既模糊又有振铃" → 使用的是理想低通滤波器（或高阶巴特沃斯 + 受限逆滤波）。振铃效应来自频率域的硬截断（Box → Sinc 傅里叶变换对）。仅模糊无振铃 → 高斯低通滤波器。
五、哪些是空间滤波器？（2022 选择）
知识点定位：空间滤波 vs 频率域滤波
答案：均值滤波器、中值滤波器是空间滤波器；Notch（陷波滤波器）不是——它在频率域操作，通过阻断特定频率来滤波。