图像恢复技术：逆滤波与维纳滤波原理及实现

1. 图像恢复技术概述

在数字图像处理领域，图像恢复是一个经典而重要的研究方向。当我们拍摄或传输图像时，由于光学系统缺陷、运动模糊、传感器噪声等因素，原始图像质量往往会下降。图像恢复技术就是通过数学模型和算法处理这些退化图像，尽可能恢复出原始清晰图像的过程。

图像恢复与图像增强有着本质区别：增强是主观改善视觉效果，而恢复是基于物理退化模型的客观重建过程。典型的图像退化模型可以表示为：

code复制g(x,y) = h(x,y)*f(x,y) + n(x,y)

其中f是原始图像，h是点扩散函数(PSF)，n是加性噪声，*表示卷积运算，g是观测到的退化图像。

2. 逆滤波器原理与实现

2.1 逆滤波基本理论

逆滤波器是最直观的图像恢复方法，其核心思想是在频域直接逆转退化过程。假设噪声可以忽略不计，在频域有：

code复制G(u,v) = H(u,v)F(u,v)

那么逆滤波器就是简单地对退化函数取倒数：

code复制F̂(u,v) = G(u,v)/H(u,v)

2.2 Matlab实现关键代码

matlab复制% 读取退化图像
g = im2double(imread('degraded.png'));

% 估计PSF (这里以运动模糊为例)
h = fspecial('motion', 15, 45);

% 计算频域响应
G = fft2(g);
H = fft2(h, size(g,1), size(g,2));

% 逆滤波恢复
F_hat = G ./ H;
f_hat = real(ifft2(F_hat));

% 显示结果
imshow(f_hat, []);

2.3 逆滤波的局限性

虽然逆滤波器在理论上很完美，但实际应用中存在两个主要问题：

1. 当H(u,v)接近零时，会导致数值不稳定
2. 对噪声极度敏感，因为噪声项会被放大：

code复制F̂(u,v) = F(u,v) + N(u,v)/H(u,v)

3. 维纳滤波器原理与实现

3.1 维纳滤波理论基础

维纳滤波器(最小均方误差滤波器)通过引入噪声统计特性来解决逆滤波的问题。其频域表达式为：

code复制F̂(u,v) = [1/H(u,v)] * [|H(u,v)|²/(|H(u,v)|² + Sₙ(