運動劣化画像のパラメータ推定
スポンサーリンク
概要
- 論文の詳細を見る
A modified method for the parameter estimation in the case of motion blur is presented here. It is based on the principle that the power spectrum of the motion point spread function contains zero crossings. The obseverd noisy image g is modeled by, g= h⨂f+w (1) where ⨂ stands for convolution computation, f the ideal image, h point spread function(PSF), w observation noise, and the size of g, h, f, w is N^2. Neglecting the effect of noise and taking Fourier transform on both sides of Eq. (1) yields, G(u,v)=H(u,v)F(u,v)(2) By simple calculation, the Fourier transform of motion blur PSF can be easily given by, [numerical formula] (3) where L is the length of motion. Obviously, zeros will appear in H periodically. In other words, peaks and valleys will appear in |G|^2. Fig.1 is an example showing these peaks and valleys without additional noise. Note we have taken log magnitude of the power spectrum, or these peaks and valleys can not be seen because the range between them is very narrow. Typically valley values are above 0.1 and peak values below 1. Their range is less than 0.9, completely negligible comparing with the whole range of power spectrum that is usually around a million. But when logarithm is taken, the range between a peak and a valley is about 1 which is comparable with the whole range of power spectrum, 6〜8 Now what if white noise is added to the blurred image? The power spectrum of white noise is a constant, namely its variance. It contributes to power spectrum as a DC term, and tends to flatten the power spectrum as the SNR decreases. As an example, for an image in our study, its variance is about 2000, if we let SNR be 30dB, then the variance of noise should be 2. This DC term in power spectrum makes the typical peak and valley values be about log(3) and log(2.1), their difference is 0.15. Clearly the range between the peak and valley is much reduced, so it becomes far more difficult to detect peak and valley in power spectrum. When SNR decreases further, it would become worse. Our method is simple, namely subtracting from power spectrum the DC term which is an estimate of noise power spectrum. By doing so, we can significantly extend the range between the peak and valley, especially when SNR is very low. Fig.2 demonstrates the effectiveness of our method. The solid and dot lines represent respectively the modified and the classical power spectrum.
- 社団法人電子情報通信学会の論文
- 1996-09-18
著者
関連論文
- 画像確率モデルに基づく複数の劣化画像からの復元
- LA-008 間引き,補間を含むフィルタ処理におけるシフト依存性の評価法(A分野:モデル・アルゴリズム・プログラミング)
- 複素ウェーブレットを用いたテクスチャ領域分割
- シフトに関して安定な間引きありウェーブレット変換の提案(音声・音響情報システム及び一般)
- シフトに関して安定な間引きありウェーブレット変換の提案(音声・音響情報システム及び一般)
- シフトに関して安定な間引きありウェーブレット変換の提案(音声・音響情報システム及び一般)
- 斜め方向に対応できる2次元ウェーブレットの構成(画像)
- 4方向に分離可能な2次元ウェーブレット変換の提案
- 4方向に分離可能な2次元ウェーブレット変換の提案(オフィスにおけるマルチメディア通信,ディジタルアーカイブ,及び一般)
- 4方向に分離可能な2次元ウェーブレット変換の提案(オフィスにおけるマルチメディア通信,ディジタルアーカイブ,及び一般)
- コ-ンビーム型CT画像のノイズ除去と被曝線量の低減
- コーンビームCT画像のノイズ除去と被曝線量の低減
- ウェーブレット変換を用いたコーンビームCT画像のノイズ除去
- スペクトルモーメントを用いた乳房X線画像の微小石灰化の検出
- スペクトルモーメントを用いた乳房X線画像の微小石灰化の検出
- コンビームCT画像への散乱線の影響と画質改善
- 傾いた集束グリッドでの一次線の損失のグリッド密度, 管電圧の依存性
- コーンビーム型三次元CT装置での散乱X線の画像への影響
- スペクトルモーメントを用いたテクスチャ平面の3次元位置を表す4パラメータの推定
- スペクトルモーメントを用いたテクスチャ平面の回転と傾き角の検出
- ウェーブレット分解によるマルチスケール画像復元
- ウェーブレット分解によるマルチスケール画像復元
- ウェーブレット分解によるマルチスケール画像復元
- ウェーブレット分解によるマルチスケール画像復元
- 劣化画像復元法を用いたJPEG画像の画質劣化の低減
- ガボールフィルタの振幅及び位相情報を用いたテクスチャ画像の領域分割
- 画像確率モデルに基づく非一様劣化画像のパラメータ推定と復元(画像処理技術)
- 位相情報を用いた劣化画像のパターン認識
- 位相情報を用いた劣化画像のパターン認識
- J-2 ウェーブレット分解によるエッジ方向を考慮した画像雑音除去(画像処理1,J.グラフィクス・画像)
- 方向分離可能なウェーブレットを用いた画像雑音除去
- 角度方向に対称な配置をした完全再構成可能な2次元フィルタバンク
- マルコフ確率場に基づく動的輪郭モデルを用いた医用画像からの臓器の輪郭検出
- 運動劣化画像のパラメータ推定
- 非等方確率モデルに混成法を用いた画像雑音除去
- 非因果性確率モデルに基づく行単位逐次画像復元法
- Duffing方程式系のストレンジアトラクタの混合性について (力学系の理論とその周辺)
- 計算機による不規則画像の合成法
- 周期定常過程の時系列解析
- 1)不規則画像の計算機による発生法(テレビジョン電子装置研究会(第78回)画像表示研究会(第34回))
- 不規則画像の計算機による発生法
- ランダム媒質における波動伝搬モ-ドについて
- Velocity Field Estimation of Debris Flow by Image Sequence Processing
- ガボール変換によるカラーLCDフィルターのマクロ欠陥検出
- 非一様画像確率モデルに基づく焦点ずれ領域の抽出と復元
- D-11-52 MDF(Measurement Differencing Filer)出力のスペクトル特性を用いた復元画像の定量的な評価
- 22-3 MDF(Measurement Differencing Filer)出力のスペクトル特性を用いた原画像パラメータの推定と,劣化画像・復元画像への応用
- D-11-103 劣化画像復元法に基づくJPEG画像の画質改善
- D-11-99 Artifact 抑制を目的とするウェーブレットによる画像復元
- D-11-60 劣化画像復元法に基づくJPEG画像の画質劣化の低減
- 22-1 劣化画像復元法に基づくJPEG画像の画質劣化の低減
- D-11-102 画像確率モデルに基づく非一様焦点ずれ画像のパラメータ推定と復元
- 高次スペクトルモーメントを用いた回転と拡大のあるテクスチャ画像の分類
- スペクトルモーメントを用いたテクスチャ画像の拡大率・回転角の検出
- エッジ適応型反復法による劣化画像の復元
- 画像確率モデルに基づく複数の劣化画像からの復元
- 画像確率モデルに基づく複数の劣化画像からの復元
- 画像確率モデルに基づく複数の劣化画像からの復元
- ガボール関数を用いたカラー液晶ディスプレイのマクロ欠陥検査支援
- ガボール展開係数を用いた液晶ディスプレイのマクロ欠陥の検出および可視化
- 画像確率モデルに基づく非一様劣化画像のパラメータ推定
- 非一様平均画像モデルを基礎とした劣化画像パラメータの最ゆう推定
- エッジ適応型反復法による焦点ずれ画像の復元
- エッジ適応型カルマンフィルタによる流れ画像の復元(画像処理-アルゴリズムとシステム-)
- だ円パラメータによるテクスチャ画像の回転角と拡大率の検出
- だ円パラメータを用いた回転・拡大のある画像のテクスチャ分類
- スペクトルモーメントを用いた布地画像の欠陥検出
- 非一様画像モデルを基礎とした運動劣化領域の抽出と復元
- 離散コサイン変換を用いたウィーナフィルタによる劣化画像の復元
- ランダム画像系列パラメータの最ゆう推定