14.7. МЕТОДЫ РЕСТАВРАЦИИ ИЗОБРАЖЕНИЙ СО СГЛАЖИВАНИЕМПроблемы плохой обусловленности, возникающие при реставрации изображений, иногда удается преодолеть, прибегая к методам сглаживания и регуляризации [31-33], которые в основном связаны с введением меры гладкости решений, полученных методом наименьших квадратов. Методы сглаживания имеют две формулировки [19]. Согласно первой из них, ищется минимум величины при ограничении , (14.7.1) где - сглаживающая матрица, - матрица взвешивания ошибки, - остаточная скалярная ошибка оценки. Матрица часто выбирается равной обратной матрице относительно ковариационной матрицы шума, т. е. . Обычной формой сглаживающей матрицы является матрица , (14.7.2) где (14.7.3) есть одномерный линейный оператор, формирующий скользящее окно для получения оценки. Условный минимум гладкости совпадает с минимумом функции Лагранжа . (14.7.4) Вычисляя производные по и и приравнивая их нулю, находим оценки (14.7.5а) и (14.7.5б) для несингулярной переопределенной и несингулярной недоопределенной систем соответственно. В выражениях (14.7.5) лагранжев коэффициент должен удовлетворять условию (14.7.1), т. е. предполагается, что достигается компромисс между остаточной ошибкой и гладкостью оценки. Теперь рассмотрим вторую формулировку. В этом случае решается задача минимизации среднеквадратической ошибки при ограничении , (14.7.6) где - скаляр, соответствующий фиксированной гладкости. Функция Лагранжа принимает вид . (14.7.7) По этому уравнению находится оптимальное решение для переопределенной несингулярной системы: . (14.7.8а) Оценка для недоопределенной системы принимает вид . (14.7.8б) Сравнение формул (14.7.5) и (14.7.8) показывает, что для обеих взаимно обратных задач получаются решения, которые различаются только взаимно обратными множителями Лагранжа. Оценки (14.7.8), полученные методом сглаживания, имеют близкое сходство с оценками на основе регрессии и винеровскими оценками, найденными выше. При , и , где - ковариационная матрица шума, оценки, полученные методами сглаживания и регрессии, становятся эквивалентными. При , и , где - ковариационная матрица изображения, оценка, полученная методом сглаживания, эквивалентна винеровской оценке. Это сходство позволяет объяснить, почему реставрация методом регрессии и винеровская реставрация обеспечивают более гладкие оценки, чем реставрация методом псевдообращения матриц. При использовании методов сглаживания и регуляризации смещение решения удается определить только в виде функциональной зависимости от , даже если можно вычислить дисперсию решения. Как уже указывалось, Хант [18] разработал фильтр для реставрации изображений в спектральной области с использованием критерия наименьших квадратов, имеющий частотную характеристику (14.1.22). Это выражение можно использовать как основу быстрого вычислительного алгоритма для осуществления процедуры реставрации с использованием сглаживания согласно (14.7.8), если соответствующим образом доопределить наблюдаемый вектор .
|