论文部分内容阅读
随着社会生产力的发展，图像处理技术已经远远突破了早期的应用领域，被广泛地应用到科学研究、工农业生产、军事技术、政府部门、医疗卫生等许多领域。图像处理技术包括对图像进行数字化、编码、分析等各种处理，当然，模糊图像复原也是数字图像处理中的一个非常重要的研究领域。图像在形成、传输和记录过程中，由于受多种原因的影响，图像的质量会有所下降，典型表现为图像模糊、失真、有噪声等。引起图像退化的原因有很多，有光学系统的衍射、传感器非线性畸变、光学系统的像差、摄影胶片的非线性、大气湍流的扰动效应、图像运动造成的模糊以及几何畸变等等。这些退化现象都可以用卷积来描述，图像的复原过程就可以看成是退化的反过程。由于图像复原在许多领域的广泛应用，因而已经成为迅速兴起的研究热点。
高阶统计量为信号处理提供了一种崭新的方法。高阶统计量包括高阶累积量和高阶矩。由于高斯过程的三阶及三阶以上累积量等于零，而对于非高斯过程，其不等于零，因此，利用高阶累积量可以自动地抑制高斯背景噪声(有色或白色)的影响，建立高斯噪声下的非高斯信号模型，提取高斯噪声中的非高斯信号。而且，高阶累积量具有相位信息，因此，在处理需要包含相位信息的问题时，高阶累积量能表现其优越性。高阶统计量处理问题简单、灵活，已日益受到人们的重视，并已经成为信号处理中一种非常有用的工具。
本文中，作者对图像复原技术及高阶统计量理论进行了较为深入的研究，并在此基础上提出了一种新的模糊图像的辨识和复原方法。将含噪模糊图像建成非最小相位MA模型，其中的参数用观测图像的高阶累积量来确定。用这个方法能够辨识非最小相位的点扩散函数(PSF)，因为高阶统计量含有相位信息，而其他的大多数方法如最大似然和最小二乘方法都是基于二阶统计量，是相位盲。另外，由于高阶统计量可以抑制高斯噪声的影响，因此在含有加性高斯噪声的情况下，这个方法仍然能得到很好的效果。
对本文所提出的算法进行了计算机仿真实验，验证了该算法的有效性，并同其他典型的算法进行了对比实验，证明了该算法的优越性。