13. Восстановление изображений по отдельным отсчетам
При восстановлении изображений необходимо выбрать некоторый критерий качества, в соответствии с которым можно говорить о лучших и худших результатах восстановления. При этом обычно выбирают величину , где - восстановленное значение -ого элемента. Для данного критерия известен алгоритм оптимального оценивания.
Пусть дан вектор пораженный белым гауссовским шумом с и :
,
где - исходный вектор. Выполним синтез оптимального фильтра по критерию минимума дисперсии ошибок оценивания:
, (40)
где - вектор коэффициентов фильтра для восстановления -ого элемента. Целью синтеза является определение вектора , обеспечивающего минимум . Для этого продифференцируем выражение (40) по и приравняем результат нулю:
.
Вычислим оптимальные коэффициенты, учитывая, что шум наблюдения не коррелирован с элементами вектора :
, (41)
где - взаимная корреляция вектора элемента с вектором ; - корреляционная матрица вектора ; - диагональная матрица дисперсий шума наблюдений.
Таким образом, при построении оптимальной линейной оценки необходимо знать корреляционную матрицу случайного процесса или случайного поля (изображения). Рассмотрим задачу восстановления элементов вектора по наблюдениям , , , которые в дальнейшем будем называть множеством неполных наблюдений. При этом выражения (40) и (41) перепишутся в виде:
,
, (42)
где - - матрица выделения множества неполных наблюдений: , . Например, для выделения нечетных элементов вектора , матрица имеет вид:

Вектор весовых коэффициентов размером элементов, вычисленный по формуле (42), позволяет строить оптимальный прогноз неизвестных элементов вектора в виде линейной комбинации
.
Обобщим приведенные выражения восстановления последовательности по множеству неполных наблюдений на двумерный случай для восстановления изображений. Пусть дано случайное поле размером отсчетов и известна его корреляционная матрица . Рассмотрим алгоритм построения оптимального линейного прогноза неизвестных элементов по известным наблюдениям , , . Не теряя общности, наблюдаемый двумерный сигнал можно представить в виде одномерного , где - -й вектор столбец матрицы . Корреляционную функцию такого одномерного сигнала можно записать в виде

В приведенных обозначениях выражение (42) можно переписать в виде
, (43)
где - взаимная корреляция элемента с вектором ;
- матрица выделения элементов наблюдений вектора . Вектор коэффициентов позволяет строить прогноз элемента изображения :
, при , , (44)
где - оператор отбрасывания дробной части.
Подставляя вычисленные коэффициенты в выражение (40) можно найти дисперсию ошибок оценивания неизвестных элементов. После возведения в квадрат и вычисления математического ожидания получаем
. (45)
Таким образом, выражения (43)-(45) позволяют восстанавливать изображения по множеству неполных наблюдений , , и вычислять дисперсию ошибок оценивания. Рассмотрим пример восстановления изображения размером 3х3 отсчета по наблюдениям, расположение которых представлено на рис. 19, с корреляционной функцией .

Рис. 19. Расположение наблюдений и оцениваемых элементов
Корреляционная функция случайного процесса имеет вид

где - 3х3 - корреляционная матрица строк вектора . Матрица выделения наблюдений

где - матрица выделения наблюдений для первой и третьей строк изображения. Вектор оптимальных коэффициентов для построения прогноза -го отсчета находится по формуле (43). Например, при получаем вектор . Тогда прогноз элемента в соответствии с выражением (44) имеет вид
.
Таким образом, при разделимой экспоненциальной корреляционной функции и коэффициентах корреляции близких к единице, оптимальный линейный прогноз строится как среднее арифметическое двух ближайших наблюдений от оцениваемого элемента. При других корреляционных матрицах и коэффициентах корреляции будут получаться другие коэффициенты оптимального фильтра и другие значения оценок неизвестных элементов.
|