图像复原
第06章 图像复原
离散图像退化的数学模型
不考虑噪声则输出的降质数字图像为：
ge ( x, y)
m0 M 1
f (m, n)h ( x m, y n)
n 0 e e
N 1
二维离散退化模型可以用矩阵形式表示：
H0 H 1 H H2 H M -1 H M 1 H0 H1 H M -2 H M -2 H 1 H M 1 H 2 H0 H3 H M -3 H 0
离散图像退化的数学模型
• 通常有两种解决上述问题的途径：
◊ 通过对角化简化分块循环矩阵，再利用FFT快速 算法可以大大地降低计算量且能极大地节省存储 空间。 ◊ 分析退化的具体原因，找出H的具体简化形式。
舒服就行。
基本思路：
研究退化模型
高质量图像
图像退化
因果关系
退化了的图像
图像复原
复原的图像
图像复原
图像复原要明确规定质量准则 – 衡量接近原始景物图像的程度 图像复原模型 – 可以用连续数学或离散数学处理； – 图像复原根据退化的数学模型对退化图像进行 处理，其实现可在空间域卷积或在频域相乘。
图像f(x, y)经退化后的输出为g(x, y)：
g ( x, y ) H [ f ( x, y )] H f ( , ) ( x , y )dd
f ( , ) H [ ( x , y )]dd f ( , )h( x , y )dd
—由于图像复原中可能遇到奇异问题；
（2）逆问题可能存在多个解。
连续图像退化的数学模型
假定退化系统H是线性空间不变系统，则： (1) 线性： H k1 f1 ( x, y ) k 2 f 2 ( x, y ) k1 H f1 ( x, y ) k 2 H f 2 ( x, y )
图像复原综述
找一 种快速的计算方法得到相应的数值，提高算法的效率。
•
2.2 L-R算法
•
在像素点满足泊松分布的情况下，在贝叶斯条件概率模型的基础上采用极大似然
估计通过迭代的方下，图像的复原可能会出现斑点，而且算法的迭
代对图像噪声有放大的功能，而且缺乏有效的迭代终止条件。
•
我觉得可以构建一个权，加入进去
•
首先我们对一副图求导，就是一阶差分，记录每个得到 (dx1,dx2,dx3......dxn)
•
去权为1/(1+dxn) 对于梯度小的dxn就小，相应权值就大，对于梯度大的，dxn就越
大，权值就越小 不过我觉得还应该对dxn做归一化，取最大的dxn为k做归一化 这个k我
•
指利用多帧低分辨率图像，求解成像的逆过程，重建原图的高分辨率图像。
图像复原算法的展望
• 就维纳滤波谈我的想法：
• 维纳滤波的最优标准是基于最小均方误差的且对所以误差等权处理，这个标准在数 学上可以接受，但却是个不适合人眼的方式，原因在于人类对复原错误的感知在具有 一致灰度和亮度的区域中更为严重，而对于出现在暗的和高梯度区域的误差敏感性差 得多
觉得可以通过实践总结得到，找到一个最适合的k值 。
•
谢谢观赏
图像复原算法
• 3. 新兴的图像复原算法
•
3.1 神经网络图像复原算法(分两类)
•
①将图像复原问题转化为极小值的问题来处理，再映射为Hopfield 的能量函数，
从而利用 Hopfield 网络求解最优问题
•
②用大量的原图与模糊图像进行学习训练，再利用训练后的网络进行图像复原
•
3.2 图像超分辨率复原技术
图像的功率谱很少是已知的。
图像复原
设: α＝x - x0(t), β= y - y0(t)
则： x =α+ x0(t), y = β+ y0(t) 代入上式，有
（一）连续图像退化的数学模型
G u, v f , exp j 2 (u )dd 0 exp j 2 (ux0 (t ) y0 (t )dt
或消弱其影响的过程，是一种估计方法； 另一种方法是针对原始图像有足够的先验知识的情 况，对原始图像建立一个数学模型并根据它对退化 图像进行拟合，能够获得更好的复原效果。
从方法和应用角度的分类
频域图像恢复方法：逆滤波、维纳滤波等；
线性代数恢复方法：线性代数滤波方法、空间域滤波
方法等；
非线性代数恢复方法：投影法、最大熵法、正约束方
几种典型的退化模型 光学散焦造成的图像退化
小孔衍射造成的模糊
图像退化效果
散焦对应的点扩展函数
（一）连续图像退化的数学模型
光学散焦系统的传递函数为：
J1 (d ) H (u, ) d
(u )
2 2
d是散焦点扩展函数的直径, J1(•)是第一 类贝塞尔函数。
目标相对运动造成的图像退化
若把fe(x)、 ge(x) 表示成向量形式：
f [ f e (0), f e (1), , f e ( M 1)]
T T
g [ ge (0), ge (1), , ge ( M 1)]
循环卷积写成矩阵形式：
g Hf
H是M*M的矩阵。
（二）离散图像退化的数学模型
he (1) he (2) he (0) h (1) he (0) he (1) e H he (2) he (1) he (0) he ( M 1) he ( M 2) he ( M 3) he ( M 1) he ( M 2) he ( M 3) he (0)
图像复原
g(x,y)=∫0Tf[x-x0(t),y-y0(t)]dt
G(u,v) = F(u,v) 0Texp{-j2p[ux0(t) + vy0(t)]}dt = F(u,v)H(u,v)
H(u,v) = 0Texp{-j2p[ux0(t) + vy0(t)]}dt
如果知道运动分量x0(t)和y0(t)，从上式直接得到H(u,v)
经过傅立叶反变换，可求得原始图像f(x,y)
在有噪声的情况下
F^(u,v) = F(u,v) + N(u,v)/H(u,v) 从上面两式可以看出，在进行复原处理时可能会发生下列情况： (1)H(u,v)=0或H(u,v)非常小，在这种情况下，即使无 噪声，也无法精确恢复f(x,y) (2)在有噪声存在时，在H(u,v)的邻域内，H(u,v)的值可 能比N(u,v)的值小的多，由上式得到的噪声项可能会 非常大，不能使f(x,y)正确恢复
实际上是求J(f^)的极小值问题，除了要求J(f^)为最小 外，不受任何其它条件约束，因此称为无约束复原 即 dJ(f^ )/df^ = 0 = -2HT(g – Hf^) f^ = (HTH)-1 HTg (2) M=N时，则有 f^ = H-1(HT)-1 HTg = H-1 g
约束复原方法
在最小二乘方复原处理中，为了在数学上
η(x,y)=Asin(u0x+v0y) 傅立叶变换为： N(u,v)=-jA[δ(u-u0/(2π),v-v0/v(2π))δ(u+u0/ (2π),v+v0/ (2π)) ]
这里退化仅由噪声造成，所以有：
G(u,v)=F(u,v)+N(u,v) 利用前面讲的带阻滤波器消除，以去掉正弦干扰模式影响
图像复原的应用
图像复原的应用摘要：图像复原是图像处理领域中的一个重要任务，它旨在通过使用各种算法和技术修复受损或退化的图像。
本文将探讨图像复原的应用，包括文化遗产保护、医学影像、安全监控和数字艺术等方面。
第一部分：图像复原的概述图像复原是通过对受损图像进行处理和修复，恢复其原始清晰度和质量的过程。
图像复原技术的基本目标是降低图像中的噪声、消除伪影以及修复丢失的细节。
该领域的研究和应用广泛存在于各个领域，并且在过去几十年中取得了长足的进步。
第二部分：文化遗产保护图像复原在文化遗产保护中扮演着至关重要的角色。
使用图像复原技术，可以修复老旧的照片、绘画和其他文化遗产，以保护它们的原始外观和质量。
例如，在古老的建筑物的壁画中可能存在褪色、破损等问题，通过图像复原技术，可以恢复壁画的原貌，使人们能够更好地欣赏和理解历史文化。
第三部分：医学影像图像复原在医学影像领域中被广泛应用。
医学影像通常被用于诊断和治疗，而图像质量的好坏直接关系到医生的判断和决策。
通过图像复原技术，可以降低医学影像中的噪声、增强图像的细节，并提高诊断的准确性和可靠性。
第四部分：安全监控图像复原在安全监控领域也有着广泛的应用。
监控摄像头拍摄到的图像往往存在严重的噪声、模糊等问题，通过图像复原技术，可以提高监控图像的清晰度和质量，从而更好地用于刑侦、安防等方面。
第五部分：数字艺术图像复原技术在数字艺术领域也起着重要作用。
数字艺术家可以使用图像复原技术修复老照片、艺术品或者创建艺术作品。
通过恢复图像的原始细节和颜色，艺术家能够以更好的方式呈现他们的作品，同时传达更加精确的信息。
结论：图像复原是一项重要而广泛应用的技术，对保护文化遗产、改善医学影像、提高安全监控和创作数字艺术等方面都起着关键作用。
随着技术的不断进步，图像复原将在更多领域发挥其作用，为我们创造更美好、更清晰的世界。
图像复原_精品文档
图像复原引言：随着科技的迅速发展，数字图像处理成为了一门独立的学科，其中图像复原是其中一个重要的研究领域。
图像复原的目标是通过对损坏的图像进行修复和恢复，以获得更清晰和更精确的图像。
通过图像复原技术，人们可以在医学影像、监控图像、卫星图像、摄影作品等领域中得到更好的图像质量和视觉效果。
一、图像复原的意义图像复原技术对现代社会来说具有重要意义。
在医学领域，医生可以通过对恢复后的医学影像进行分析和研究，提高诊断的准确性。
在监控领域，清晰的图像可以更好地帮助警方破案、预防犯罪。
在卫星图像领域，图像复原技术可以帮助科学家们更准确地观察天气变化、地质特征等。
而在摄影作品领域，图像复原技术可以提高摄影师的作品质量，带来更好的视觉享受。
二、图像复原的挑战图像复原是一项具有挑战性的任务，主要由以下因素导致：1. 噪声：在图像采集过程中，噪声是不可避免的。
噪声会降低图像的质量，影响后续的图像复原。
2. 失真：图像损坏或失真是图像复原的主要障碍之一。
常见的图像失真包括模糊、伪影、亮度不均匀等。
3. 缺失信息：有时候，图像可能存在部分缺失的情况，需要通过图像复原技术来填补缺失的信息。
4. 高维度数据：随着技术的发展，现代图像变得越来越高维度。
复原高维度图像比低维度图像更具挑战性。
三、图像复原的方法图像复原的方法主要分为：1. 经典方法：经典图像复原方法通常基于统计学原理和信号处理技术，如均值滤波、中值滤波、Wiener滤波等。
这些方法简单且效果明显，在一些应用场景中仍然得到广泛使用。
2. 基于模型的方法：基于模型的方法通过对图像的潜在模型进行建模和分析，提供更高质量的图像复原效果。
这些方法通常基于数学模型，如稀疏表示、小波变换等，来描述和恢复图像的特征和结构。
3. 机器学习方法：近年来，随着机器学习的兴起，越来越多的图像复原方法开始采用深度学习技术，如卷积神经网络(CNN)。
机器学习方法通过训练大量图像数据集，来学习复原图像的模式和特征，从而得到更准确和鲁棒的图像复原结果。
第五讲 图像复原
这种方法要求知道成像系统的表达式H。
输出退化图像g
复原输出图像f
从理论上分析,由于无约束复原的处理方法仅涉及代数运算,因 此该方法简单易行.但由于该方法依赖于矩阵H的逆矩阵,因此 该方法有一定的局限性.若H矩阵奇异,则H-1不存在,这时就无 法通过 对图像进行复原.H矩阵不 存在时这种现象称为无约束复原方法的奇异性.
（2）光学散焦
J ( d ) 1 H (u , v )
d
(u 2 v 2 )1/ 2
d 是散焦点扩展函数的直径 ,J1(•) 是第一类
贝塞尔函数。
（3）照相机与景物相对运动
设T为快门时间，x0(t)，y0(t)是位移的x分量 和y分量
H (u, v) exp j 2 (ux0 (t ) vy0 (t )dt
3. 什么是图像复原？
所谓图像复原就是在研究图像退化原因的基 础上,以退化图像为依据,根据一定的先验知识设 计一种算法,补偿退化过程造成的失真, 以便获 得未经干扰退化的原始图像或原始图像的最优估 值，从而改善图像质量的一种方法。 图像复原是图像退化的逆过程。 典型的图像复原方法是根据图像退化的先验 知识建立一个退化模型，并以此模型为基础，采 用滤波等手段进行处理，使得复原后的图像符合 一定的准则，达到改善图像质量的目的。
根据上述模型，在不考虑噪声情况下，图像退化过 程可表示为：
g ( x, y) H f ( x, y)
考虑系统噪声的影响时，退化模型为：
g ( x, y) H f ( x, y) n( x, y)
为了刻画成像系统的特征，通常将成像系统看成是一个线 性系统，据此推导出物体输入和图像输出之间的数学表达式， 从而建立成像系统的退化模型，并在此基础上研究图像复原技 术。
复原照片的方法
复原照片的方法
复原照片的方法可以根据照片的损坏情况和实际情况进行选择。
以下是几种常见的复原照片的方法：
1.数字修复：使用图像编辑软件（如Photoshop）对照片进行修复。
可以使用修复工具或克隆工具修复破损、划痕、污渍等部分，调整色彩、对比度和曝光度等以改善照片质量。
2.老照片修复：对于老旧照片，可以使用专业的扫描设备将其数字化，然后使用图像编辑软件修复细节和损坏部分。
可以采用修复工具、涂抹工具、修复画笔等进行修复。
3.专业修复：如果照片非常重要且损坏较严重，可以考虑寻求专业修复师的帮助。
他们有专业的技术和工具来修复照片，包括去除折痕、修复撕裂或缺损的部分、修复色彩和对比度等。
4.保护和存储：无论使用哪种方法修复照片，都需要注意保护和存储修复后的照片。
可以将修复后的照片打印出来并放置在框架或相册中，或使用专业的照片存储盒或袋子进行妥善保存。
无论选择哪种方法，都需要小心处理照片并确保在修复过程中保持原始照片的备份。
此外，记得在修复照片之前对其进行彻底的清洁，以确保修复结果更好。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
图像复原1.背景介绍图像复原是图像处理的一个重要课题。
图像复原也称图像恢复，是图像处理的一个技术。
它主要目的是改善给定的图像质量。
当给定一幅退化了的或是受到噪声污染的图像后，利用退化现象的某种先验知识来重建或恢复原有图像是复原处理的基本过程。
可能的退化有光学系统中的衍射，传感器非线性畸变，光学系统的像差，摄影胶片的非线性，打气湍流的扰动效应，图像运动造成的模糊及集合畸变等等。
噪声干扰可以有电子成像系统传感器、信号传输过程或者是胶片颗粒性造成。
各种退化图像的复原可归结为一种过程，具体地说就是把退化模型化，并且采用相反的过程进行处理，以便恢复出原图像。
文章介绍图像退化的原因，直方图均衡化及几种常见的图像滤波复原技术，以及用MATLAB实现图像复原的方法。
2.实验工具及其介绍2.1实验工具MATLAB R2016a2.2工具介绍MATLAB语言是基于最为流行的C++语言基础上的，因此语法特征与C++语言极为相似，而且更加简单，更加符合科技人员对数学表达式的书写格式。
使之更利于非计算机专业的科技人员使用。
而且这种语言可移植性好、可拓展性极强。
MATLAB具有方便的数据可视化功能，以将向量和矩阵用图形表现出来，并且可以对图形进行标注和打印。
高层次的作图包括二维和三维的可视化、图象处理、动画和表达式作图。
新版本的MATLAB对整个图形处理功能作了很大的改进和完善，使它不仅在一般数据可视化软件都具有的功能（例如二维曲线和三维曲面的绘制和处理等）方面更加完善，而且对于一些其他软件所没有的功能（例如图形的光照处理、色度处理以及四维数据的表现等），MATLAB 同样表现了出色的处理能力。
同时对一些特殊的可视化要求，例如图形对话等，MATLAB也有相应的功能函数，保证了用户不同层次的要求。
3.图像复原法3.1含义图像复原也称图像恢复，是图像处理中的一大类技术。
所谓图像复原，是指去除或减在获取数字图像过程中发生的图像质量下降（退化）这些退化包括由光学系统、运动等等造成图像的模糊，以及源自电路和光度学因素的噪声。
图像复原的目标是对退化的图像进行处理，使它趋于复原成没有退化的理想图像。
成像过程的每一个环节（透镜，感光片，数字化等等）都会引起退化。
在进行图像复原时，既可以用连续数学，也可以用离散数学进行处理。
其次，处理既可以在空间域，也可以在频域进行。
3.2生活中常见的模糊图像图a图b图c4直方图均衡化图像复原4.1直方图均衡化作用直方图均衡化一来可以提高图像的对比度，二来可以把图像变换成像素值是几乎均匀分布的图像。
4.2直方图均衡化定义1定义一个灰度级在范围[0，L-1]的数字图像的直方图是一个离散函数p(r )=n /k k nn 是图像的像素总数,n k 是图像中灰度级为r k 的像素个数，r k 是第k 个灰度级，k =0,1,2,…,L-12变换假定r 已经标准化在[0,1]区间内，r=0表示黑色，r=1表示白色，变换函数s=T(r),01r ≤≤，满足以下条件：T(r)是一单值函数，并且在区间[0,1]单调递增；对01r ≤≤时，0()1T r ≤≤4.3直方图应用举例——直方图均衡化1希望一幅图像的像素占有全部可能的灰度级且分布均匀，能够具有高对比度2使用的方法是灰度级变换：s =T(r)3基本思想是把原始图的直方图变换为均匀分布的形式，这样就增加了像素灰度值的动态范围，从而达到增强图像整体对比度的效果4.4实验步骤1直方图均衡化处理图片过程第一、求出给定待处理图像的直方图；第二、利用累计分布函数对原图像的统计直方图做变换，得到新的图像灰度；第三、进行近似处理，将新灰度代替旧灰度，同时将灰度值相等或相近的每个灰度直方图合并在一起。
注意：一定要先将图片变为灰度图像！2实验过程第一、首先将图像变为灰度图像，代码如下；a=imread('F:\研究生\研一专业课\图形图像处理\作业\实验图片\456.png');%读入要处理的图像b=rgb2gray(a);%转化为灰度图像第二、利用histeq(f,nlev)进行图片均衡化；histeq(f,nlev)其中f 输入图像（指的是灰度图像）；nlev 指的是等区间的适当灰度值的目；向量nlev 应该包括等区间的适当灰度值的数目(就是灰度区间，比方uint8图像，将256个灰度级化为32个区间，每一个区间连续8个灰度级)。
灰度值的范围为：双精度图像灰度值范围为[0-1]，unit8图像灰度值范围为[0-255]，unit16图像的灰度值范围为[0-65535]，histeq 自己主动调整hgram 以达到标准图像nlev 的和等于原图像的像素数（即两幅图像的像素数要相等。
此时将标准图像的像素数目调整的和原图像像素数目一样）。
当规定直方图J 的长度比原图像I 的灰度级数目小时，J 的直方图将会更好的匹配规定直方图nlev 。
第三、直方图测试结果对照利用3.2图a测试，直方图测试结果如图4-1图4-1第一、均衡化之后的图与原图对比利用3.2图a测试，复原的图像对照，如下图4-2；图4-2直方图具体测试的程序见附录1，附录2是对3.2其它图形的测试结果4.5实验结果实验结果表明，均衡化之后图片比之前的亮度提升，图片中数目和建筑物比没有均衡化之前稍微清晰一些。
5.空间域滤波图像复原空间域滤波是指在图像空间中借助模板对图像领域进行操作，处理图像每一个像素值。
主要分为线性滤波和非线性滤波两类，根据功能可分为平滑滤波器和锐化滤波器。
平滑可通过低通来实现，平滑的目的有两类，一是模糊，目的是在提取较大的目标前去除太小的细节或将目标内的小尖端连接起来；二是去噪。
锐化则可用高通滤波来实现，锐化的目的是为了增强被模糊的细节。
定义形式：在M N⨯的图像f上，使用m n⨯的滤波器：(,)(,)(+s,)a bs a t b g x y w s t f x y t =-=-=+∑∑其中，m=2a+1,n=2b+1,w(s,t)是滤波器系数，f(x,y)是图像值空间滤波的简化形式：11221...mn mn mn i ii R w z w z w z w z==+++=∑其中，w 是滤波器系数，z 是与该系数对应的图像灰度值，mn 为滤波器中包含的像素点总数。
本实验所用的空间域滤波有均值滤波、高斯滤波和中值滤波。
5.1线性滤波器（均值滤波）1均值滤波原理由fspecial 函数生成的w1是一个大小为3*3的矩形平均滤波器，再用imfilter 这个函数使这个掩模的中心逐个滑过图像的每个像素，输出为模板限定的相应领域像素与滤波器系数乘积结果的累加和。
由处理结果可见均值滤波器的效果使每个点的像素都平均到它的领域去了，噪声明显减少了很多，效果较好。
2作用第一：减小图像灰度的“尖锐”变化，减小噪声。
第二：由于图像边缘是由图像灰度尖锐变化引起的，所以也存在边缘模糊的问题。
3定义形式图a 是标准的像素平均值，图b 是像素的加权平均(,)(+s,)(,)(,)a b s a t b a bs a t b w s t f x y t g x y w s t =-=-=-=-+=∑∑∑∑其中，w(s,t)是滤波器系数，f(x,y)是图像值5.2高斯滤波1高斯滤波原理高斯滤波器是平滑线性滤波器的一种，线性滤波器很适合于去除高斯噪声。
而非线性滤波则很适合用于去除脉冲噪声，中值滤波就是非线性滤波的一种。
高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。
高斯滤波器是带有权重的平均值，即加权平均，中心的权重比邻近像素的权重更大，这样就可以克服边界效应。
图a 图b2定义形式高斯滤波若采用3×3掩模的具体公式如下:g(x,y)={f(x-1,y-1)+f(x-1,y+1)+f(x+1,y-1)+f(x+1,y+1)+[f(x-1,y)+f(x,y-1)+f(x+1,y)+f(x,y+1)]*2+f(x,y)*4}/16其中，f(x,y)为原图像中(x,y)像素点的灰度值，g(x,y)为经过高斯滤波和的值。
5.3中值滤波1中值滤波的原理中值滤波法是一种非线性平滑技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。
中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。
方法是用某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升（或下降）的为二维数据序列。
二维中值滤波输出为g(x,y)=med{f(x-k,y-l),(k,l ∈W)}，其中，f(x,y)，g(x,y)分别为原始图像和处理后图像。
W 为二维模板，通常为3*3，5*5区域，也可以是不同的的形状，如线状，圆形，十字形，圆环形等。
中值滤波对于斑点噪声和椒盐噪声来说尤其有用。
保存边缘的特性使它在不希望出现边缘模糊的场合也很有用。
2定义形式{}|1,2,...,k R mid z k n ==其中k z 表示该区域内第k 个数的值3用法用像素领域内的中间值代替该像素5.4实验结果比较1首先对原始图像加噪处理，首先加高斯噪声，然后利用中值滤波、均值滤波和高斯滤波进行去噪，结果如图5-1、5-2所示（具体代码见附录一2）：图5-1图5-2实验结果表明：高斯噪声去噪不明显，而均值滤波和中值滤波去噪之后和原图相差不大，所以可得出的结论是对于高斯噪声，用中值滤波和均值滤波的效果要比高斯滤波的效果好。
2对原图加椒盐噪声，之后并去噪，实验结果如图5-3、5-4所示；图5-3图5-4实验结果表明，加入椒盐噪声之后，高斯滤波的去噪仍然不是很明显，但是中值滤波比均值滤波去噪效果要好很多。
所以可得出的结论是中值滤波对于去椒盐噪声效果好。
3原图中同时加入椒盐噪声和高斯噪声，测试所得结果如图5-5、5-6所示图5-5图5-6由上图可以得出，中值的滤波结果是最好的。
均值滤波的最后结果把大部分的景物都虚拟化；而且与原图对比之后发现，中值滤波器对于大部分的景物都比较清晰。
高斯滤波虽然对物体没有虚拟化，但是还存在一定的噪声。
对物体提取不是很明显。
6.实验结果分析利用MATLAB软件，使用直方图均衡化和空间域滤波的算法，对图像进行复原来对比实验结果。
从图4-2与图5-6、5-6对比可得，中值滤波对图像的复原结果是最好的，直方图均衡化只是把图像的亮度变量，使其所有分布都均匀，并未对物体进行主要的复原，但是滤波操作会把大部分噪音都去掉，是图片变的平滑。
下面我们可以尝试直方图均衡化得到的图像去噪结果如图6-1、6-2所示，具体程序见附录一3图6-1图6-2实验结果与图5-5、5-6对比表明，直方图均衡化之后的图像，紧接着再执行去噪结果不如直方图均衡化前的图像进行去噪，均衡化之后的图像去噪之后变得模糊，物体识别度不高。