分类号TP391 学校编号10490 UDC 密级
武汉工程大学
硕士学位论文
实际图像去模糊与高清晰化
方法研究
学科专业：机械电子工程
研究方向：图像处理与智能控制
研究生：李良成
指导老师：洪汉玉教授
二〇一二年五月
独创性声明
本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除文中已标明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的研究成果。对于本文的研究做出贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。
学位论文作者签名：
年月日学位论文版权使用授权书
本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：学校有权保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权武汉工程大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。
保密Ο，在年解密后适用本授权书。
本论文属于
不保密Ο。
(请在以上方框内打“√”)
学位论文作者签名：指导教师签名：
年月日年月日
A Thesis Submitted in Partial Fulfillment of the Requirements
for the Degree of Master of Engineering
Research on Deblurring and High-Definition Method of
Real Images
Major : Mechanical Electronic Engineering
Candidate : Li Liangcheng
Supervisor : Hong Hanyu Professor
Wuhan, Hubei, 430074, P. R. China
May 2012
摘要
摘要
图像复原技术在很多领域发挥了重要作用。在实际复原过程中，由于受到各种条件的限制，人们很难获得图像具体的退化模式和点扩散函数（PSF），也无法重新获得与退化图像相连的多帧图像，因而在所有图像复原技术类型中，单帧图像盲目复原技术是最具有实用价值的一种复原技术。然而目前的单帧图像盲目复原算法仍有很多不足，比如需要大量先验知识、耗时长、对仿真图像有效而对实际图像无效等等。因此，本文提出了一种新的实际图像去模糊与高清晰化方法。
本文提出的实际图像去模糊与高清晰化方法利用图像过渡区信息来预测图像的退化模式。图像过渡区对退化过程最为敏感，图像退化后退化信息主要隐藏在图像的过渡区上。过渡区信息的提取主要依靠过渡区轮廓信息的检测，利用高斯差分算子（DoG）能有效地检测得到所需的图像轮廓信息。当轮廓检测出来后，根据轮廓信息可以预测清晰图像过渡区，再利用清晰图像过渡区、退化图像、点扩散函数三者之间的关系模型建立目标函数，使用滞后迭代的极小化方法来求解点扩散函数。为了克服噪声的影响，本文复原方法在目标函数中加入了非负性惩罚项和具有各向异性的空间相关性惩罚项，有效地保证了点扩散函数的准确性。当退化图像的点扩散函数得到后，利用非盲目去卷积的方法可以得到清晰图像。
一系列实验验证了本文提出的实际图像去模糊与高清晰化算法的有效性和通用性。在实验过程中，首先对算法的每一步都进行了实验验证，然后对各种退化仿真图像和大量实际图像进行了复原实验，并与目前先进的复原算法在复原效果和耗时上进行了比较。实验结果表明：本文提出的复原方法克服了现有图像复原算法的不足，无需知道图像退化模式，对各种因素引起的实际退化图像都能复原，耗时少，效果好，输入一帧
武汉工程大学硕士学位论文
模糊图像，即可得到清晰图像。
关键词：图像复原；高清晰化；过渡区；点扩散函数
Abstract
Abstract
Image restoration technology has played an important role in many fields. Due to the various limitations in real restoration process, it is difficult to get the image blur mode or point spread function (PSF), it also can’t get the coterminous multi frames of degradation image. Therefore, blind restoration of single frame image is the most practical restoration technology in all kinds of image restoration technologies. However, the existing blind restoration methods of single frame image still have a lot of shortages, such as it need much priori information, the process consume long time, and the deblurring method can't work well for real images, etc. Therefore, a new deblurring and high-definition method of real images is proposed.
The proposed deblurring method uses the transition region information to predict the image degradation mode. After image being deblurred, the degradation process is mainly reflected on the transition region of image. The proposed method only uses the information of transition region to estimate the PSF. The extraction of transition region mainly depends on the detection of the counter in the transition region. The proposed deblurring method uses the different of Gaussian operator (DoG) to detect the counters of blur image. When the counters are gain, the information of transition region of original image can be predicted according to the contours of blur image. Then we can establish the objective function according to the original image, transition region, and point spread function to solve for the PSF. In order to overcome the influence of noise, we add the negative penalty term and space correlation penalty term with anisotropic features and employ the lagged diffusivity fixed point (FP) iteration method to solve for the PSF. When we solve the PSF, the
武汉工程大学硕士学位论文
clear image can be found by the existing the blind image restoration methods.
Experimental results show that the proposed method performs effectively for real images with different blur sources. First of all, the experiments which used to prove all the steps of the proposed method is right are implemented. Then a lot of synthetic degraded images and the real degraded images are experimented. Experimental results show that the proposed method overcomes the shortcomings of the existing methods. It does not need to know the image blur model and can be used to restore blur images caused by any factors. This method has a good recovery effect for real images and consume less time. Input a blur image, a clear image can be get.
Keywords: image deblurring; high-definition; transition region; point spread function
目录
目录
摘要....................................................... I Abstract ................................................... I II 目录....................................................... V 第1章绪论. (1)
1.1研究背景与意义 (1)
1.2图像复原技术研究现状 (3)
1.2.1 Richardson-Lucy等非盲目图像复原方法无法满足要求.. 4
1.2.2 IBD等盲目图像复原技术未能实现实际图像复原 (5)
1.2.3 实际图像去模糊与高清晰化方法理论的提出 (7)
1.3 论文创新点 (8)
1.4 论文主要内容和结构安排 (9)
第2章图像复原基本理论 (13)
2.1 图像退化模型与复原原理 (13)
2.2 实际图像复原的挑战性问题 (14)
2.3 图像退化仿真与复原评价 (16)
2.3.1 图像退化类型与仿真 (17)
2.3.2 图像复原效果评价 (18)
2.4 现有复原算法简介及分析 (20)
2.5 本章小结 (24)
第3章实际图像去模糊与高清晰化算法 (27)
3.1 算法原理简介与流程图 (27)
3.2 算法优点与创新点 (27)
3.3 模糊图像轮廓检测 (29)
3.3.1 DoG轮廓检测算子 (29)
3.3.2 DoG算子与图像卷积 (31)
3.3.3 过零点检测 (34)
3.4 清晰图像过渡区预测 (34)
武汉工程大学硕士学位论文
3.5 点扩散函数统一计算模型及求解 (35)
3.5.1 简化的目标函数的建立 (36)
3.5.2 非负性约束和空间相关性约束 (37)
3.5.3 点扩散函数迭代求解 (39)
3.6 已知点扩散函数的图像复原 (40)
3.7 图像边界振铃效应消除 (41)
3.8 本章小结 (43)
第4章实验结果及分析 (45)
4.1 算法分步验证与参数选取实验 (45)
4.2 仿真图像复原实验及分析 (47)
4.3 实际图像复原实验及分析 (52)
4.3.1 实际运动模糊图像复原 (52)
4.3.2 实际散焦模糊图像复原 (55)
4.3.3 实际气动模糊图像复原 (55)
4.3.4 实际复杂原因引起的模糊图像复原 (56)
4.4 本章小结 (58)
第5章总结与展望 (59)
5.1 工作总结 (59)
5.2 工作展望 (61)
参考文献 (63)
攻读硕士期间已发表的论文 (69)
致谢 (71)
第1章绪论
第1章绪论
1.1研究背景与意义
图像在获取、传输及保存过程中，由于大气扰动、对焦不准、目标运动、光学衍射、散射等各种复杂因素的影响，会造成图像模糊、出现噪声，目标无法识别等质量下降的情况，通常称之为图像退化。图像复原就是对退化图像进行处理，提高图像质量，改善视觉效果，还原出真实图像的过程[1,2]。
目前的图像复原算法多种多样，按照不同方式可以分为不同类型，不同种类的复原算法的使用条件也各不相同。（1）按照复原是否需要模糊核划分，图像复原可以分为非盲目图像复原和盲目图像复原。非盲目图像复原需要在知道模糊核的情况下对图像复原，而盲目图像复原是在模糊核未知的情况下直接对图像复原。（2）按照复原所需的退化图像帧数划分，图像复原又可分为单帧图像复原，两帧图像复原以及多帧序列图像复原。两帧和多帧图像复原能够有效的解决单帧退化图像信息量不足的问题，但由于需要获取多帧图像，因而使用条件更为苛刻。（3）按照图像退化模式划分，图像复原可以分为大气湍流退化图像复原，运动模糊图像复原，散焦模糊图像复原等等。在已知退化模式的前提下，有更多的先验知识可以应用到图像复原算法中，因而更容易得到较好的复原效果，但是图像退化通常是由多种因素综合造成的，很难从退化图像中分清具体的退化模式，因此针对不同退化模式的图像复原算法使用条件有限。
综合上述分析，可以发现单帧图像的盲目复原技术最具有实用价值，实际图像去模糊与高清晰化方法正因在这一事实基础上提出的。
图像复原技术解决了许多高端领域的关键性问题。受到了天文探测[3]，遥感测绘[4]，医疗影像[5]，军事科学，刑事侦查，生物科学[6]等领域的广泛关注。天文学界是最开始研究图像复原技术的，最开始在美国和前苏联的空间项目中，由于硬件技术有限，得到的图像受到不同程度的
1
武汉工程大学硕士学位论文
退化，为了避免图像退化带来的损失，学者们开始了退化图像复原技术的研究[7]。在医学影像领域，胸透的X射线照片、数字化血管照相照片、核磁共振成像等都需要利用到图像复原技术。在军事科学领域，在精确制过程中，由于导弹上摄像头受到大气湍流、热辐射、高速运动等各种因素的影响，获得的图像严重退化，影响到目标跟踪和定位的准确性，因此必须使用图像复原技术进行校正。图像复原技术在很多领域都能起到关键性作用，越来越多的科学家在研究过程中开始意识到图像复原技术的重要性。近年来，图像复原技术已经成为国内外研究的热点问题。
虽然目前图像复原技术得到了各个领域的关注和重视，但现有的图像复原技术还无法很好地应用到实际中。目前的图像复原技术仍然有很多不足，比如需要昂贵的硬件的辅助、复原效果不够好、只适用于特定情况下的复原、以数字仿真图像的复原为主等等，这些缺点使得图像复原技术无法得到更为广泛的应用。另一方面，随着硬件制造技术的提高和各种精密设备的高速发展，人们对图像复原技术的精度和速度提出了更高的要求，比如天文探测领域已经从单一波段发展到了全波段阶段[8]，这一发展要求图像复原技术对各种波段的图像都能适用，现有的图像复原技术无论是在复原效果还是复原速度上都无法适应需求。图像复原技术已经从非盲目复原阶段发展到了盲目复原阶段，虽然有了很大进步，但现有盲目图像复原技术仍然有很多无法避免的缺点，总结下来主要有以下几点：
（1）现有图像复原算法没有通用性。在成像过程中，由于受湍流、运动、散射等多种因素的影响，实际图像包含有多种退化模式，各种退化模式对目标图像的退化影响程度也是不相同的，不同的退化模式具有不同的退化模型，因此从实际图像中是很难分清具体的退化模式及各种退化因素及其影响程度。目前的复原方法是从退化图像中寻找各种具体的退化模式和模型，显然，这种单一的复原方法及理论是不足以解决实际问题的。
（2）现有图像复原算法耗时长。现有复原方法都是利用整个图像用交替迭代方法试图估计出点扩散函数，所有象素点（无论其对求解点
2
第1章绪论
扩散函数是否有用）都参与了计算，可以发现图像平坦区的信息对点扩散函数的求解是不利的，带来不确定性，影响计算结果的准确性，而且大大增加了计算负担，导致现有图像复原算法耗时很长，效果也不好。
（3）现有图像复原算法对实际图像复原效果不好。现有的图像复原技术通常对仿真数字图像复原有效，而对实际退化图像的复原很难起作用。直至现在IBD复原方法仍停留在“对仿真图像的复原有些效果而对实际图像的复原很脆弱”阶段。
为了解决现有图像复原算法的不足，使退化原因复杂的实际图像能得到复原，使图像复原技术实用化。在国家自然科学基金项目“面向生产过程的动目标多视点图像去模糊算法理论及三维非接触测量(61175013)”、湖北省自然科学基金“基于生产线视觉检测的视频图像高清晰化处理算法研究(2010CDB11107)”和湖北省教育厅科研项目“复杂场景钢坯字符目标定位方法研究(Q20121507)”课题背景下，提出了一种实际图像去模糊与高清晰化方法。该方法能对不同退化模式的实际图像进行复原。引起成像退化原因很多，不同的退化方式具有不同的退化模型，目前的复原方法是寻找各种具体的退化模式和模型，然后进行反卷积复原图像，但实际上，从实际图像中是很难分清图像退化模式的，因此，研究和提出实际图像复原方法是很有实际意义和实用价值的。另外，目前科学研究中遇到的图像不仅仅是可见光图像，还涉及到各种光谱的图像，这些光谱的图像对科学研究起到了重要的作用[9,10]。这就要求图像复原算法对各种光谱，如红外图像等也能很好的复原。实际图像去模糊与高清晰化算法能够在不知道图像退化原因和退化模式的情况下对各种光谱的实际图像复原，具有很强的实用性。
1.2图像复原技术研究现状
国内外学者对图像复原技术进行了一系列的理论研究和方法讨论。图像复原技术经历着从传统的非盲目图像复原到现在的盲目图像复原阶段。非盲目图像复原算法和盲目图像复原算法可以继续细分，其中非盲目图像复原方法可分为空间域复原算法和频域复原算法；盲目图像复
3
原方法可分为PSF与真实图像复原分离的算法，PSF和真实图像复原结合求解的算法，详细分类结果见图1-1。在非盲目图像复原中Richardson-Lucy复原方法应用最为广泛，最具有代表性。盲目图像复原中，IBD（迭代盲目反卷积）复原是最先实现盲目图像复原的，很多盲目图像复原方法都以IBD复原为基础。因此本节分别以Richardson-Lucy 复原算法和IBD复原算法作为非盲目图像复原算法和盲目复原算法的代表来阐述目前图像复原算法的研究现状。
图1-1 非盲目图像复原与盲目图像复原及分类
1.2.1 Richardson-Lucy等非盲目图像复原方法无法满足要求
图像复原技术是从天文图像复原开始的，最开始人们采用自适应光学技术[11]来校正退化图像。虽然自适应光学技术能够在一定程度上校正湍流效应所导致的图像畸变，采用自适应光学技术，可以有效消除观测图片失真问题，得到接近衍射极限的目标图像，但是受到硬件条件的限制，自适应光学系统只能实现波前相差的部分校正，其校正图像仍然存在噪声。数字图像复原是一种有效的方式来恢复被噪声和模糊衰退的图像，可以很大程度上减少噪声和提高图像对比度，人们开始将图像复原技术应用于天文观测中。19世纪70年代初期，Richardson[12]和Lucy[13]
4
根据贝叶斯定理提出Richardson-Lucy去卷积算法。R-L算法按照噪声泊松分布统计模型，通过已知的退化图像来给出最有可能成为点扩散函数卷积对象的原始图像。R-L复原算法实际上可近似认为是一种通过迭代来解卷积的过程。近几年来，Richardson-Lucy去卷积算法得到了广泛应用[14]，然而Richardson-Lucy去卷积算法仍然曾在着许多严重的缺陷，比如参数对算法收敛性的影响，算法对噪声放大等问题。
针对R-L算法的噪声放大问题，很多学者对R-L算法进行了改进。White[15]提出了阻尼R-L算法，该算法通过修正似然函数，使得图像和复原图像之间的偏离程度小于阈值时，停止迭代，这样可以有效减少噪声的影响，同时可以保护图像中的细节部分。李勇，范承玉等[16]将阻尼R-L算法应用于天文图像中，对太阳黑子图像进行复原，取得了较好的效果。但他们的方法需要已知点扩散函数，在无法获得点扩散函数的情况下，只能依靠局限的物理模糊或观测图像来估计不准确的点扩散函数，从而大大降低了复原结果的精确性。闫河等[17]通过正则化和非下采样轮廓波变换域局部邻域相关性方法对噪声进行处理，在一定程度上减少了噪声的影响，该算法对模拟的退化图像进行实验，复原效果有所改善。
除了R-L去卷积复原方法，很多学者也提出了其他非盲目复原方法，比如维纳滤波算法[18,19]，最大熵复原算法[20]等等，但所有这些非盲目复原方法都要求能获知退化图像的点扩散函数，由于引起图像退化的因素很多，用固定的数学模型来代替实际的点扩散函数存在很大的局限性，误差很大，导致最后的复原结果不尽人意。
1.2.2 IBD等盲目图像复原技术未能实现实际图像复原
R-L等非盲目图像复原技术需要确定点扩散函数的形式，然而，点扩散函数并不唯一，在点扩散函数无法知道的情况下非盲目图像复原技术不能适用，因此，在点扩散函数无法得到时，人们开始转而借助盲目去卷积[21-24]。1988年，Ayers和Dainty 提出了基于单帧的迭代盲目去卷积方法（Iterative Blind Deconvolution，简称为IBD）[25]，IBD复原方
5
法利用点扩散函数的非负性以及与真实图像估计直接的约束，使用快速傅立叶变换，使用交替迭代的方法来复原图像。IBD盲目复原算法引起了学者们的极大兴趣，随后出现了各种IBD改进算法[26-30]。
近几年来，越来越多新的盲目图像复原算法被提出来并应用到退化图像复原中[31-34]，但这些算法大多运算复杂，对硬件设备要求较高，而且要求大量先验知识，使用条件苛刻，往往对仿真图像有效，而对实际图像效果较差，复原结果受到噪声的影响较大。为了抑制图像中的噪声，降低图像信息的损失，我国学者焦继超，赵保军等人[35,36]提出了一种基于局部图像复原的图像复原算法，该算法将图像划分为多个块区域，对满足条件的区域进行基于盲目反卷积的图像复原，该算法在抑制大气湍流和噪声的影响情况下，也减少了部分运算量。但是他们的算法只是机械的对退化图像进行块区域划分，退化信息和干扰信息都包含在区域内，造成复原结果不精确，也浪费了很多时间。
由于盲目复原的复杂性，学者们开始针对不同退化模式的退化图像研究不同的复原方法。对于运动模糊图像，学者们从原始运动模糊图像中来获取点扩散函数。Yitzhaky和Kopeika[37]从运动模糊图像的倒频谱区域来定义点扩散函数。Sawchuk[38]提出了一种通过分析运动模糊空可变系统来复原运动模糊图像的复原方法。Sawchuk的方法给出了运动的机械描述并推导了一个等价的包含有所有运动影响因素的线性空可变的系统。Stern等人[39]提出了一种利用抖动扭曲的序列图像来复原和分辨力提高的方法。为了获取运动参数，大量通过定义匀速直线运动模糊图像功率谱的周期性零点的算法被提出来。但是，在有噪声的条件下找出功率谱零点是很困难的。Fergus等人[40]提出了一种利用图像梯度分布的统计特性来近似真实图像的贝叶斯方法，Shan等人[41]提出了一种基于概率分布模型的有效的高质量运动模糊图像复原方法。Fergus和Shan 的复原方法主要利用图像边缘分布的先验知识。所有上述运动模糊复原方法都利用了运动退化的先验知识来复原图像，这些复原方法对运动模糊图像复原效果良好，但是不适用于其他原因引起的模糊。另外，在退化因素未知的情况下这些方法也不能适用。对于散焦和湍流引起的退
6
化，现有的复原方法也是试图从退化因素中来获取点扩散函数模型。散焦模糊模型被定义为一个强度分布均匀的圆形区域。Tai等人[42]提出来一种利用散焦模糊复原单帧图像的方法。对于湍流退化图像，Frieden 等人[43]将湍流退化的点扩散函数定义为高斯散斑随机叠加的过程。Wang等人[44]提出了一种基于多目标神经网络方法来解决重量和散斑移位的复原方法。高斯型的点扩散函数被用在Frieden和Wang的复原方法中。为了解决航天探测湍流退化图像的盲目复原问题，洪汉玉，张天序等进行了长期的研究，一直在寻找有效的解决方法，提出了基于估计点扩散函数值的湍流退化图像复原[45]，极大似然估计规整化复原算法[46]，基于小波分解的湍流退化两帧图像复原方法[47]，基于多分辨率盲目去卷积的图像校正算法[48]，非线性正则化复原方法[49]等以及各种加速快速及优化算法[50]。试图从理论上完善目前的算法，从单帧、两帧到序列多帧，从各种正则化到约束优化等多方面进行了大量研究。但由于问题的复杂性，已取得的研究成果和方法处在数学仿真复原实验阶段，对数学模拟的湍流退化图像复原有效，远不能用在各种际图像中。
由上可知，盲目去卷积方法是在未知点扩散函数的情况下，利用先验知识，如退化图像退化方式，点扩散函数支持域大小等来估计图像退化模型，再来复原图像。盲目去卷积方法对先验知识要求较高。目前它的应用范围还是有限的。现有的盲目去卷积复原方法都是使用整幅退化图像数据采用迭代的方式来进行复原[51-54]，退化图像中的有用信息和干扰信息都参与了计算，复原结果效果不好，耗时长。而且现有的盲目去卷积方法需要在退化因素单一的情况下才有效，然而影响图像退化是多种多样的，如果忽略了其他因素的影响，势必造成复原结果精度下降。
1.2.3 实际图像去模糊与高清晰化方法理论的提出
CCD制造技术和图像采集技术的发展对图像复原技术提出了更高的要求，现有的复原技术没有通用性，对模拟图像有效而对实际退化图像无效，已经跟不上各领域发展的步伐，实际图像去模糊与高清晰化方法正是在这一事实基础上提出来的。
7
在图像获取过程中，由于受湍流、运动、散射等多种因素的影响，实际图像包含有运动、湍流、散射等多种退化模式，各种退化模式对实际图像的退化影响程度也是不相同的，不同的退化模式具有不同的退化模型，因此从实际图像中是很难分清具体的退化模式及各种退化因素及其影响程度。目前的复原方法是寻找各种具体的退化模式和模型，然后进行反卷积复原图像，但这些方法是不能适应于实际应用中的，首先是退化模式是找不到的，其次时间也不许可。实际上，从实际图像中是很难分清图像退化模式的，因此，研究和提出统一复原方法是很有实际意义和实用价值的。目前现有的图像复原方法利用整个退化图像或者退化图像的一整块区域进行复原，退化图像中平坦的目标区和背景区都参与了计算，由于平坦的目标区和背景区包含的退化信息不显著，冗余的信息会对复原带来不确定性，影响复原结果的准确性，且增加了计算负担，延误了时间，不适用于实际图像复原中。本文的复原方法仅使用退化图像的过渡区进行复原，过渡区包含大量的退化信息，是最为感兴趣的区域，用过渡区的信息来进行复原不仅使复原时间大大降低，而且最大限度地保证了复原结果的精确性和实时性。
为了解决现有图像盲目复原存在的技术的不足，需要研究一种适用于实际图像的去模糊和高清晰化方法。
1.3 论文创新点
本论文主要有以下两方面创新点：
（1）本论文提出了一种新的实际图像去模糊与高清晰化方法。
现有的图像复原技术对图像复原和高清晰化处理还未起到了预期的应有作用，到目前为止这些方法只是对仿真退化图像有些效果，远不能用在实际图像上。图像的轮廓信息是图像信息的重要载体，当图像被退化后，退化方式及模型信息主要隐藏在退化图像的轮廓区域中，因此提取退化图像的轮廓，利用轮廓周边信息，预测清晰图像轮廓周边信息，进而寻找退化模式的统一数学模型是完全可能的。这样可以避开现有图像复原算法的所有缺点，转变思维，走出目前图像复原领域中的困境，
8
第1章绪论
实现实时统一复原。在这种思想基础上，本文提出了一种新的复原算法，该算法适用于实际图像去模糊与高清晰化。无需知道图像退化模式，对任何因素造成的模糊图像都可以复原，耗时少，效果好，输入一帧模糊图像，即可得到一帧清晰图像。
（2）本论文通过大量对比实验和定量评价来验证了算法的有效性和通用性。
为了验证本文提出的实际图像去模糊与高清晰化算法的有效性和通用性。本论文进行了大量对比实验和定量评价来验证算法的有效性和通用性。首先对算法的每一个步骤都进行验证，包括用点扩散函数PSF 估计预测的准确性，改进的R-L复原算法的复原效果等。然后对各种退化模式的仿真图像，包括运动模糊仿真图像、散焦模糊仿真图像、气动模糊仿真图像进行了复原。最后对各种实际退化图像进行了复原，包括实际运动模糊图像、实际散焦模糊图像、实际气动退化图像以及其他退化原因复杂的退化图像。在整个复原实验中，本论文都同现有的先进的复原算法进行对比，再利用各种评价指标在复原效果和耗时上进行评价。
1.4 论文主要内容和结构安排
本文复原算法是根据国家自然科学基金项目“面向生产过程的动目标多视点图像去模糊算法理论及三维非接触测量(61175013)”、湖北省自然科学基金“基于生产线视觉检测的视频图像高清晰化处理算法研究(2010CDB11107)”和湖北省教育厅科研项目“复杂场景钢坯字符目标定位方法研究(Q20121507)”的应用背景和需求研究的，针对工程实际图像中模糊问题，提出了实际图像去模糊的通用方法，主要内容如下：（1）图像复原基本原理及现有复原算法研究。
图像退化模型是图像复原理论的基础，研究图像退化模型，分析实际图像复原的挑战性问题，找到新的研究思路。给出图像退化类型及仿真方法，运用图像清晰度定义有效评价图像。对现有复原算法研究，给出基本原理并对算法简要分析。
9
武汉工程大学硕士学位论文
（2）模糊图像轮廓检测及原清晰图像过渡区预测
实际图像的退化信息积累和反映在图像过渡区中，不管退化多么复杂，过渡区内容最能体现图像是怎么退化的，过渡区对图像退化信息反应最敏感。背景和目标的平坦区域对退化反应不明显，这部分信息对点扩散函数的求解是帮不了忙的。退化图像过渡区的提取主要依靠寻找过渡区的理论轮廓位置，模糊图像轮廓检测相对于清晰图像更为困难，提出轮廓测度定义，用来控制主要轮廓的提取和过渡区的预测。
（3）退化图像点扩散函数统一计算模型及迭代求解
图像的退化体现在过渡区的形变上，怎样的退化就会有怎样的过渡区形变。主要研究图像过渡区轮廓形变模型和分布模型。研究退化图像、过渡区原空间分布和点扩散函数三者间的关系模型，提出实际图像点扩散函数离散值统一计算模型及计算方法。在有噪声的情况下，为了能准确有效地求解出点扩散函数的离散值，需要加入各种约束项，主要包括非负性约束项和空间相关性约束项。研究点扩散函数统一计算模型的空间自适应的相关性约束项及快速实现方法。
（4）点扩散函数已知的图像复原及边界效应处理方法研究
当得到点扩散函数后，需要使用非盲目复原的方法来得到清晰图像。研究基于保细节的图像复原方法，将保细节的规整项加入到图像复原过程中，在去模糊时保护图像细节。边界振铃现象是图像复原常见的难以处理的问题，研究边界效应消除方法。
本论文的内容按照一下结构来安排：
第1章对本课题的研究意义，研究现状以及论文创新点进行了阐述，并对论文的内容安排进行了说明。
第2章对图像复原基本原理及现有的几种复原方法进行了介绍，其中图像基本原理主要介绍了图像退化和复原模型，图像退化仿真和复原结果评价，现有的复原方法主要介绍了Richardson-Lucy、IBD、TV、NAS-RIF、Fergus复原方法。
第3章对实际图像去模糊与高清晰化方法进行了介绍。首先对本复原方法流程进行了简介，然后对算法的四个主要步骤进行了介绍：（1）
10
第1章绪论
模糊图像轮廓检测。主要包括DoG轮廓检测算子、DoG与模糊图像卷积、过零点检测三方面内容。（2）清晰图像过渡区预测（3）点扩散函数统一计算模型及求解。主要包括简化的目标函数的建立、非负性约束和空间相关性约束、点扩散函数迭代求解。（4）已知点扩散函数的图像复原。
第4章是实验结果及分析。首先对实际图像去模糊与高清晰化方法中每个步骤进行了验证实验，然后对一系列仿真退化图像和实际退化图像进行了复原实验。在实验过程中，将本文复原算法同目前先进的复原算法进行比较，从耗时和复原效果上进行了定量评价。
第5章对论文进行了总结，并提出了今后需要进一步研究的内容。
11
1.1 1.2 归一化方法 数据的归一化的目的是将不同量纲和不同数量级大小的数据转变成可以相互进行数学运算的具有相同量纲和相同数量级的具有可比性的数据。数据归一化的方法主要有线性函数法、对数函数法、反余切函数法等 线性函数法 对于样本数据x (n ),n =1,2,……,N ,归一化后的样本数据可以采用三种表示方法，分别是最大最小值法、均值法和中间值法。最大最小值法用于将样本数据归一化到[0,1]范围内；均值法用于将数据归一化到任意范围内，但最大值与最小值的符号不可同时改变；中间值法用于将样本数据归一化到[-1,1]范围内，三种方法的公式分别如式(0-1)、式(0-2)、式(0-3)所示。 ()(()min(()))(max(())min(())),1,2, ,y k x k x n x n x n k N =--= (0-1) 1 () 1(),1,2, ,,()N i x k y k A k N x x i N x ==== ∑ (0-2) ()(),1,2,,1 (max(()))2 min(())mid x n x k x y k k N x n -= =- (0-3) max(())min((),1,2, ,2 ) mid x n n n N x x += = (0-4) 其中min(x (n ))表示样本数据x (n )的最小值，max(x (n ))表示样本数据x (n )的最大值，x 表示样本数据x (n )的均值，mid x 为样本数据x (n )的中间值，A 为调节因子，是一个常数，用于根据工程实际需要来调节样本数据的范围。 对数函数法 对于样本数据x (n ),n =1,2,……,N,归一化后的样本数据y (n )用公式表示为： 10()log (()),1,2, ,y k x k k N == (0-5) 对数函数法主要用于数据的数量级非常大的场合。 反余切函数法 对于样本数据x (n ),n =1,2,……,N ,归一化后的样本数据y (n )用公式表示为：
PS几种处理模糊照片变清晰的方法 1.使用工具箱中的锐化工具。 2.在属性栏中对锐化工具的笔装潢属性进行设置。设置画笔为较软的笔头，将强度降低。 提示：使用软画笔进行涂抹，不会出现难看的生硬边缘，低强度反复涂抹有点类似于国画中的渲染技法，可以使被修改部分和周围有着优秀的过渡，看不出修复痕迹。 3.设置笔头为合适大小，在眼睛部位涂抹，可以看到，笔头所过之处，图像会慢慢变得清晰起来，我们慢慢涂，让它的清晰度达到理想即可，千万不要涂过头，那样就会出现难看的杂色和斑点了。 最轻松的方法：USM锐化方案 使用锐化工具，好处是可以按需要进行锐化，缺点是不好操作。特别是对新手来说，一时半会还掌握不好，那么就是“USM锐化”滤镜吧，它是专为模糊照片准备的一款滤镜，适合对整幅照片进行调整。 使用菜单“滤镜→锐化→USM锐化”弹出锐化对话框，在本例中我们设置较大的数量值，以取得更加清晰的效果，较小的半径值，以防止损失图片质量，最小的阈值，以确定需要锐化的边缘区域。
提示：数量值控制了锐化的程度，数值越高，图像就越清晰，但并不是数值越高越好，过高的数值会使图片杂点增多，影响质量。半径值用于设置受影响的像素范围，即指定边缘旁边多大范围的像素被调整，如果半径值很高，图片会出现大面积的高光与暗部，失去细节。阈值是用来确定锐化的像素必须与周围区域相差多少，才被滤镜当作边缘像素并被锐化，阈值数值较高时，图像比较柔和，数值较低时，图像比较锐利。在调整这几个值时要多观察，取最合适的数值。这样的方法适合修复对焦不准造成的轻微模糊。 高级技巧：叠加边缘法锐化图像 上两种方法都是常规的小技巧，如果你想让照片更清晰，效果更好，那就得使用高反差保留滤镜和图层混合模式这两样法宝了。 1.打开模糊的照片，按“Ctrl+J”快捷键，将图层复制一层。再按“Shift+Ctrl+U” 快捷键，将图像去色。我们将利用这个黑白图层将边缘强化。
使模糊的照片变的清晰1 打开原图，执行图像-调整-反相(ctrl+i) 2编辑-消退反相,模式选择差值，调整参数 3 如果觉得照片太暗,可以用图像-调整-亮度/对比度调整
制作迷彩服 1 打开图片，选中衣服。 2 新建图层1，填充黑色 3 执行滤镜-渲染-云彩，可以执行多次（ctrl+f），调到满意为止.然后图像-调整-色调分离，色阶为4。 5图像-调整-渐变映射，渐变样式自己选择，颜色调到满意为止，然后将图层1改为“强光”模式，当然也可以改为其他模式。
大光比照片挽救 在光比大的场合，无论怎么拍都不能做到亮处曝光合适，暗处层次分明，尽管后期可以通过调整亮度、色阶、曲线、高光/暗调等办法弥补，但都会对亮处层次和画质有很大影响。这张图看上去只有一小点亮，但这么点亮已经有些过曝了，拍摄的时候不可能把暗处的东西都拍进去。 图打开后，按CTRL+ALT+~，现在图上出现选区蚂蚁，说明已经有部分东西存到选区了。现在复制图层，注意不要用快键，只能用菜单复制图层。 然后点图层面板下面的快速图层蒙板， 蒙板出现后，按CTRL+I，我们会发现蒙板反转显示了。然后我们要做的是把混合选项选为滤色，图变亮些了，连续按CTRL+J，直到亮度合适。
二步抠出飘发美女 打开图片，复制二个图层，创建背景，点前景弹出拾色器，用吸管测出头发颜色码，（头发颜色码要选好）记住颜色码。 第一步，进入抽出滤镜（ctrl+alt+x)，强制前景，拾色器中输入头发的颜色码，扣出头发。 第二步，打开新图层，添加蒙板，添充黑色，用画笔，画出想要的部分就ok了。
照片偏白怎么办？ 有时因为光线太强或者化妆的粉底太厚，我们拍出来的照片容易形成“白脸”。看上去脸色非常的苍白，这是由于缺少中间灰色调和重色。在Photoshop中处理这样的照片非常简单。 1.在Photoshop中打开一张你要处理的照片，如图1，在图层面板中将背景图层拖到下面的新建按钮中复制一层。 2.在图层面板的模式中选“正片叠底”模式，现在看图片的效果一下子好多了，灰色调和重色调都十分均匀，看上去比开始的脸色健康多了（图2）。不过你可能觉得现在有些地方显得深了些，对女孩子来说还是白一点好。下面我们就继续调整吧，看看还有那些法宝。 3.点菜单“图像→调整→曲线”，在弹出的曲线控制面板中做适当的调整，如图3。注意，在这里只是稍做调整，让整个皮肤增白一点。不宜调得太亮（过亮就破坏中间的灰色调），后面我们将对局部做些许的调整。
数据的标准化 在数据分析之前，我们通常需要先将数据标准化（normalization），利用标准化后的数据进行数据分析。数据标准化也就是统计数据的指数化。数据标准化处理主要包括数据同趋化处理和无量纲化处理两个方面。数据同趋化处理主要解决不同性质数据问题，对不同性质指标直接加总不能正确反映不同作用力的综合结果，须先考虑改变逆指标数据性质，使所有指标对测评方案的作用力同趋化，再加总才能得出正确结果。数据无量纲化处理主要解决数据的可比性。去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。数据标准化的方法有很多种，常用的有“最小—最大标准化”、“Z-score标准化”
和“按小数定标标准化”等。经过上述标准化处理，原始数据均转换为无量纲化指标测评值，即各指标值都处于同一个数量级别上，可以进行综合测评分析。 一、Min-max 标准化 min-max标准化方法是对原始数据进行线性变换。设minA和maxA分别为属性A的最小值和最大值，将A的一个原始值x通过min-max标准化映射成在区间[0,1]中的值x'，其公式为： 新数据=（原数据-极小值）/（极大值-极小值） 二、z-score 标准化 这种方法基于原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化。将A的原始值x使用z-score标准化到x'。z-score标准化方法适用于属性A的最大值和最小值未知的情况，或有超出取值范围的离群数据的情况。 新数据=（原数据-均值）/标准差 spss默认的标准化方法就是z-score标准化。用Excel进行z-score标准化的方法：在Excel中没有现成的函数，需要自己分步计算，其实标准化的公式很简单。步骤如下： 求出各变量（指标）的算术平均值（数学期望）xi和标准差si ； .进行标准化处理：zij＝（xij－xi）／si,其中：zij为标准化后的变量值；xij为实际变量值。 将逆指标前的正负号对调。标准化后的变量值围绕0上下波动，
数据归一化方法大全 在数据分析之前，我们通常需要先将数据标准化（normalization），利用标准化后的数据进行数据分析。数据标准化也就是统计数据的指数化。数据标准化处理主要包括数据同趋化处理和无量纲化处理两个方面。数据同趋化处理主要解决不同性质数据问题，对不同性质指标直接加总不能正确反映不同作用力的综合结果，须先考虑改变逆指标数据性质，使所有指标对测评方案的作用力同趋化，再加总才能得出正确结果。数据无量纲化处理主要解决数据的可比性。数据标准化的方法有很多种，常用的有“最小—最大标准化”、“Z-score标准化”和“按小数定标标准化”等。经过上述标准化处理，原始数据均转换为无量纲化指标测评值，即各指标值都处于同一个数量级别上，可以进行综合测评分析。 一、m ax Min标准化 - M i n标准化方法是对原始数据进行线性变换。设minA和maxA分别- m a x 为属性A的最小值和最大值，将A的一个原始值x通过m ax Min标准化映射 - 成在区间[0,1]中的值'x，其公式为： 新数据=（原数据-极小值）/（极大值-极小值） 二、z-score 标准化 这种方法基于原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化。将A的原始值x使用z-score标准化到x'。 z-score标准化方法适用于属性A的最大值和最小值未知的情况，或有超出取值范围的离群数据的情况。 新数据=（原数据-均值）/标准差 spss默认的标准化方法就是z-score标准化。 用Excel进行z-score标准化的方法：在Excel中没有现成的函数，需要自己分步计算，其实标准化的公式很简单。 步骤如下： 1.求出各变量（指标）的算术平均值（数学期望）xi和标准差si ； 2.进行标准化处理： zij＝（xij－xi）／si 其中：zij为标准化后的变量值；xij为实际变量值。 3.将逆指标前的正负号对调。 标准化后的变量值围绕0上下波动，大于0说明高于平均水平，小于0说明低于平均水平。
1.1 归一化方法 数据的归一化的目的是将不同量纲和不同数量级大小的数据转变成可以相互进行数学运算的具有相同量纲和相同数量级的具有可比性的数据。数据归一化的方法主要有线性函数法、对数函数法、反余切函数法等 线性函数法 对于样本数据x (n ),n =1,2,……,N ,归一化后的样本数据可以采用三种表示方法，分别是最大最小值法、均值法和中间值法。最大最小值法用于将样本数据归一化到[0,1]范围内；均值法用于将数据归一化到任意范围内，但最大值与最小值的符号不可同时改变；中间值法用于将样本数据归一化到[-1,1]范围内，三种方法的公式分别如式(2-1)、式(2-2)、式(2-3)所示。 ()(()min(()))(max(())min(())),1,2,,y k x k x n x n x n k N =--= (0-1) 1 () 1(),1,2,,,()N i x k y k A k N x x i N x ====∑ (0-2) ()(),1,2,,1 (max(()))2 min(())mid x n x k x y k k N x n -= =- (0-3) max(())min((),1,2,,2 ) mid x n n n N x x += = (0-4) 其中min(x (n ))表示样本数据x (n )的最小值，max(x (n ))表示样本数据x (n )的最大值，x 表示样本数据x (n )的均值，mid x 为样本数据x (n )的中间值，A 为调节因子，是一个常数，用于根据工程实际需要来调节样本数据的范围。 对数函数法 对于样本数据x (n ),n =1,2,……,N,归一化后的样本数据y (n )用公式表示为： 10()log (()),1,2,,y k x k k N == (0-5) 对数函数法主要用于数据的数量级非常大的场合。 反余切函数法 对于样本数据x (n ),n =1,2,……,N ,归一化后的样本数据y (n )用公式表示为： 2 ()arctan(()),1,2,,y k x k k N π = = (0-6) 反余切函数法主要用于将角频率等变量转换到[-1,1]范围。
归一化方法（Normalization Method） 1.把数变为（0，1）之间的小数 主要是为了数据处理方便提出来的，把数据映射到0～1范围之内处理，更加便捷快速，应该归到数字信号处理范畴之内。 2.把有量纲表达式变为无量纲表达式 归一化是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为纯量。比如，复数阻抗可以归一化书写：Z = R + jωL = R(1 + jωL/R) ，复数部分变成了纯数量了，没有量纲。另外，微波之中也就是电路分析、信号系统、电磁波传输等，有很多运算都可以如此处理，既保证了运算的便捷，又能凸现出物理量的本质含义。 标准化方法（Normalization Method） 归一化是为了加快训练网络的收敛性，可以不进行归一化处理 归一化的具体作用是归纳统一样本的统计分布性。归一化在0-1之间是统计的概率分布，归一化在-1--+1之间是统计的坐标分布。归一化有同一、统一和合一的意思。无论是为了建模还是为了计算，首先基本度量单位要同一，神经网络是以样本在事件中的统计分别几率来进行训练（概率计算）和预测的，归一化是同一在0-1之间的统计概率分布； 当所有样本的输入信号都为正值时，与第一隐含层神经元相
连的权值只能同时增加或减小，从而导致学习速度很慢。为了避免出现这种情况，加快网络学习速度，可以对输入信号进行归一化，使得所有样本的输入信号其均值接近于0或与其均方差相比很小。 归一化是因为sigmoid函数的取值是0到1之间的，网络最后一个节点的输出也是如此，所以经常要对样本的输出归一化处理。所以这样做分类的问题时用[0.9 0.1 0.1]就要比用[1 0 0]要好。 但是归一化处理并不总是合适的，根据输出值的分布情况，标准化等其它统计变换方法有时可能更好。 归一化是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为纯量。 目的是为了： 1.避免具有不同物理意义和量纲的输入变量不能平等使用 2.bp中常采用sigmoid函数作为转移函数，归一化能够防止净输入绝对值过大引起的神经元输出饱和现象。 3.保证输出数据中数值小的不被吞食。 归一化有同一、统一和合一的意思。无论是为了建模还是为了计算，首先基本度量单位要同一，神经网络是以样本在事件中的统计分别几率来进行训练（概率计算）和预测的，归一化是同一在0-1之间的统计概率分布；SVM是以降维后线性划分距离来分类和仿真的，因此时空降维归一化是统一在
模糊图片变清晰-PS图片处理实例 一、人物图片清晰处理 1、首先打开原图，展开通道面板，发现绿色通道明暗关系较好，比原片要清晰一点，好了，决定用它，ctrl+a全选ctrl+c复制。然后返回RGB通道，回到图层面板，新建一层图混合模式选为柔光。 2、ctrl+v粘贴到这个图层，滤镜高反差保留，数值设为10。 3、ctrl+alt+shift+e盖印层，滤镜，锐化，USM锐化，数值设为63、1.5、1。 4、基本效果出来后，对还不够清晰的地方，进行强化处理。按键盘上的Q键或如图，进入快速蒙版，
选择画笔工具,不透明度30%，在需要强化清晰的地方涂抹。再按Q键或者如图点返回快速蒙版返回，这样就变成了选取，再按shift+F7反选 5、再执行滤镜，锐化，USM锐化，数值设置要大一点：264、2.3、1，最后用图章工具修一下锐化过的地方，透明度低一点10左右就行了 6、ctrl+u调一下色相，完成最终效果。
二、打造高清的草原风景图片 风景照片清晰处理跟人物清晰处理的方法大致相同。如果不用外挂滤镜的话大致分为两个大的处理过程：首先是画面的基本润色及一些局部的调色。然后就是图片的清晰处理，方法有很多如图层叠加，通道，锐化工具等。只要把对比度加大，细节加强，画面的效果就越清晰。 1、 打开图像，按Ctrl+j 复制一层。图像 > 调整 > 自动色阶。或者直接快捷键Ctrl+Shift+L 。 2、参数设置如下图，勾选面板下面的“绝对”。 5、创建新的调整层：色阶。先调一下RGB 通道的数值，再红、绿、蓝色分开调整一下。
7、新建一个图层，按快捷键Ctrl+Shift+Alt+E创建盖印图层。 8、展开通道面板，观察各个通道，红色通道层次很好，就利用这个通道。Ctrl+A全选Ctrl+C复制。按快捷键Ctrl+~返回到RGB通道，直接Ctrl+V粘贴。 9、回到图层面板，此时多了一个图层2。设置图层混合模式为柔光。执行：滤镜 > 其它 > 高反差保留, 数值设为8-10。
数据归一化和两种常用的归一化方法 数据标准化（归一化）处理是数据挖掘的一项基础工作，不同评价指标往往具有不同的量纲和量纲单位，如此的情况会阻碍到数据分析的结果，为了消除指标之间的量纲阻碍，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据通过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。以下是两种常用的归一化方法： 一、min-max标准化（Min-Max Normalization） 也称为离差标准化，是对原始数据的线性变换，使结果值映射到[0 - 1]之间。转换函数如下： 其中max为样本数据的最大值，min为样本数据的最小值。这种方法有个缺陷就是当有新数据加入时，可能导致max和min的变化，需要重新定义。 二、Z-score标准化方法 这种方法给予原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化。通过处理的数据符合标准正态分布，即均值为0，标准差为1，转化函数为： 其中为所有样本数据的均值，为所有样本数据的标准差。
“[学校计划]下学期英语教研组计划”学校工作计划 别详一、指导思想： 在教务处的领导下，团结奋斗，协调好各备课组间的关系。仔细学习新的教学大纲，巩固进展爱校爱生、教书育人，富有进取精神、乐观积极向上的融洽的教研新风貌，在上届中招取得良好成绩的基础上，为把我组的教研水平提高到一具新的台阶而努力奋斗。 二、奋斗目标： 1、开展学习新大纲的活动，稳步扎实地抓好素养教育； 2、加强教研治理，为把我组全体教师的教学水平提高一具新层面而奋斗； 3、协调处理好学科关系，在各备课内积极加强集体备课活动，在教学过程中要求各备课组按照"五个一"要求，做好教研工作，即"统一集体备课，统一内容，统一进度，统一作业，统一测试"。 4、配合各备课组，搞好第二课堂活动，把创新教育理念灌输到教书育人的过程中。 三、具体措施： 1、期初及期中后召集全组教师会议，布置教研活动安排及进行新大纲学习； 2、降实各备课组教学进度表及教学打算； 3、有的放矢地开展第二课堂活动 初一年组织学生单词竞赛； 初二年组织学生进行能力比赛； 初三年组织学生进听力比赛； 其中初一年有条件的话多教唱英文歌曲，培养学生学习英语的兴趣，含介绍英美文化背景常识。 4、各备课组降实好课外辅导打算，给学有余力的部分学生制造条件，积极备战英语"奥赛"。 5、要求各科任教师，积极主动及时地反馈教情学情，并提出整改意见，指出努力方向； 6、针对别同年段学生的别同表现，注意做好学生的思想教育工作，寓思想教育于教学工作中； 7、降实本学期教研听评课工作安排。
归一化法normalization method 一种常用的色谱定量方法。归一化法是把样品中各个组分的峰面积乘以各自的相对校正因子并求和，此和值相当于所有组分的总质量，即所谓“归一”，样品中某组分i的百分含量可用下式计算： pt%= Aifi/(A1f1+A2f2 + ....Anfn )*100 式中f1、f2、fn…为各组分的相对校正因子，A1、A2、…An为各组分的峰面积。如果操作条件稳定，也可以用峰高归一化法定量，此时组分i的百分含量可按下式计算：pt%= hifi/(h1f1+h2f2 + ....hnfn )*100 式中f1、f2、fn、…为各组分在该操作条件下特定的峰高相对校正因子，h1、h2、…hn为各组分的峰高。用归一化法定量时，必须保证样品中所有组分都能流出色谱柱，并在色谱图上显示色谱峰。 定量方法 色谱中常用的定量方法有： a.校正归一化法 当试样中各组分都能流出色谱柱且在检测器上均有响应，各组分的相对校正因子已知时，可用此法定量。组分i在混合物中的百分含量可由下式计算： 其中fi可为质量校正因子，也可为摩尔校正因子。 若各组分的定量校正因子相近或相同（如同系物中沸点接近的组分），则上式可 简化为： 该法简称为归一化法。 校正归一化法的优点是：简便、准确，当操作条件如进样量、流速变化时，对定量结果影响很小。缺点是：对该法的苛刻要求限制了该法的使用。该法适合于常量物质的定量。 b.内标法 所谓内标法是将一定量的纯物质作为内标物，加入到准确称量的试样中，根据被测物和内标物的质量及在色谱图上相应的峰面积比，求出某组分的百分含量。
当只需测定试样中某几各组分时，而且试样中所有组分不能全部出峰时，可用此法。此法适合于微量物质的分析。该法的计算公式如下： 其中，f 是被测组分相对于内标物的相对校正因子。 si 该法的优点是：受操作条件的影响较小，定量结果较为准确，使用上不象归一化法那样受到限制。该法的缺点是：每次分析必须准确称量被测物和内标物，不适合于快速分析。 内标物的选择十分重要。它应该是试样中不存在的物质；加入的量应接近于被测组分色谱；同时要求内标物的色谱峰位于被测组分色谱附近或几个被测组分色谱峰的中间，并与这些组分完全分离；内标物必须不与样品发生反应等。 c.外标法（定量进样－标准曲线法） 所谓外标法就是应用被测组分的纯物质来绘制浓度c对响应值A（h）的标准曲线，然后测试被测样品中被测组分的响应信号（峰面积或峰高），由标准曲线即可查出或通过线型回归计算出其百分含量。 该法必须定量进样，即测定标准曲线和测定未知物时，进入色谱中的样品量必须一致。 该法的优点是：操作简单，计算方便，缺点是：结果的准确度取决于进样量的重现性和操作条件的稳定性。 当被测试样中各组分的浓度变化范围不大时（如工厂的中间控制分析）可不必绘制标准曲线，而用单点校正法。即配制一个与被测组分含量十分接近的浓度为的标准溶液，定量进样，由下式计算被测物的含量。 C S 关于归一化法的一些问题？？ 归一化法中的校正因子如何得到？？？ 如果不做，采用面积归一化法的误差大吗？？ 一般那么多的校正因子不可能一一测出呀？？
模糊人物照片变清晰方法 ps处理模糊照片变清晰方法一： 照片中的人物有些模糊，主要是因为对焦不准形成，如果直接用USM滤镜锐化，不能识别图像的真正轮廓，而只是靠识别像素间的反差来辨别，所以需要通道来帮忙！ 1、激活通道面板，观察RGB三个通道，发现红色通道中的信息比较丰富，质量较高，决定用红色通道工作。复制红色通道为红色通道副本。执行滤镜-风格化-照亮边缘，参数如图： 2、对红通道副本高斯模糊，如图： 3、用色阶命令对红通道副本进行调整，参数如图：
4、设置前景色为黑色，选择合适的笔刷工具把不需要锐化的部分涂掉，如远景等： 5、选区已经做出来了，然后把红副本通道作为选区载入，回到图层面板，将背景复制一层，不要取消选区。执行滤镜-艺术效果-绘画涂抹，参数如图： 6、再将背景副本复制为背景副本1，将背景副本1移动到背景副本之下，将背景副本1的透明度改为30%，将背景副本改为滤色，目的是将画面稍微调亮：
ps处理模糊照片变清晰方法二： 1.在Photoshop打开图像，并在图层面板上复制一个图层副本，将副本图层的模式修改为“亮度”（图2）。 2.下面选择“滤镜”菜单下的“锐化—USM锐化”命令，在设置窗口中适当调节一下锐化参数，本例锐化数量为“150%”，半径是“1”像素，阀值不变（图3）。
2.接着选择“图像”菜单下“模式—LAB颜色”命令（图4），在弹出的窗口中选择“拼合”图层确定。 3.现在又回到图层面板，刚才的2个图层被“拼合”为了一个图层，我们选择这个图层复制一个副本，在“通道”面板中看到图层通道上增加了“明度”通道，选定这个通道，再使用“滤镜”菜单的“锐化—USM锐化”命令，设置好锐化参数将这个通道锐化处理（图5）。 5.现在返回图层面板，把副本图层的模式修改为“柔光”，看看此时的图像不仅画面更清晰，色彩也更加绚丽了（图6）。
在区域生态环境状况评价时，用到生态环境状况指数，其中关于归一化系数的问题，我有几点看法： 1、归一化系数适用于什么范围？ 归一化系数，应该是对数据的标准化的一种方法，或者叫做对数据的无量纲化。就是把反应生态环境质量的各个数据通过数据的无量纲化，统一到同一个层面上，便于比较。这个归一化系数起的就是这个作用（用到的标准化方法应该叫做最大值法标准化）。 对单个区域，如一个县，或者某个开发区、流域等没有办法用，只有针对几个县（区）、省、全国，一组数据，才可能有最大值、最小值。具有相对性，非绝对性。 2、全省、全国的数据，如何用？ 在使用归一化系数时，不是必须用本省的归一化系数，归一化系数不是必须用全国或者全省的数据。如果能找到一系列的县域的数据，可以计算，几个县也可以弄出自己的系数。但一般情况下是运用本年度的全国的数据或者全省的数据，多年来生态环境状况指数是一个考核的指数，这方面的数据是有统计的。 3、归一化系数是定值吗？ 归一化系数是动态变化的，不是定值，随着时间、生态质量而变化。即是透过同一个时间段内的一系列数据算出来的。（比如2008年，全河北省的138个县的归一化系数） 4、A最大值，如何计算？ 如几个县的生物丰度，（0.35×林地面积＋0.21×草地面积＋0.28×水域湿地面积……）/全县面积，取最大的一个县的值。即比如县A、B、C、D、E、F的生物丰度分别是0.56、0.23、0.36、0.85、0.02、0.22，则最大值便是0.85，其归一化指数是100/0.85. 5、如果沿海发达地区，无论是评价一个县，还是多个县，应参考全国的数据？ 这个问题的回答是，国家没有这方面的规定。
为什么要归一化？ 答：为了减少数据中存在的奇异样本数据存在所引起的网络训练时间增加，并可能引起网络无法收敛。其次保证程序运行时收敛加快。 ============外一篇有关mapminmax的用法详解by faruto================================== 几个要说明的函数接口: [Y,PS] = mapminmax(X) [Y,PS] = mapminmax(X,FP) Y = mapminmax('apply',X,PS) X = mapminmax('reverse',Y,PS) 用实例来讲解,测试数据x1 = [1 2 4], x2 = [5 2 3]; >> [y,ps] = mapminmax(x1) y = -1.0000 -0.3333 1.0000 ps = name: 'mapminmax' xrows: 1 xmax: 4 xmin: 1 xrange: 3 yrows: 1 ymax: 1 ymin: -1 yrange: 2 其中y是对进行某种规范化后得到的数据,这种规范化的映射记录在结构体ps中.让我们来看一下这个规范化的映射到底是怎样的? Algorithm
It is assumed that X has only finite real values, and that the elements of each row are not all equal. ?y = (ymax-ymin)*(x-xmin)/(xmax-xmin) + ymin; ?[关于此算法的一个问题.算法的假设是每一行的元素都不想相同,那如果都相同怎么办?实现的办法是,如果有一行的元素都相同比 如xt = [1 1 1],此时xmax = xmin = 1,把此时的变换变为y = ymin,matlab内部就是这么解决的.否则该除以0了,没有意义!] 也就是说对x1 = [1 2 4]采用这个映射f: 2*(x-xmin)/(xmax-xmin)+(-1),就可以得到y = [ -1.0000 -0.3333 1.0000] 我们来看一下是不是: 对于x1而言xmin = 1,xmax = 4; 则y(1) = 2*(1 - 1)/(4-1)+(-1) = -1; y(2) = 2*(2 - 1)/(4-1)+(-1) = -1/3 = -0.3333; y(3) = 2*(4-1)/(4-1)+(-1) = 1; 看来的确就是这个映射来实现的. 对于上面algorithm中的映射函数其中ymin,和ymax是参数,可以自己设定,默认为-1,1; 比如: >>[y,ps] = mapminmax(x1) >> ps.ymin = 0; >> [y,ps] = mapminmax(x1,ps) y = 0 0.3333 1.0000 ps = name: 'mapminmax' xrows: 1 xmax: 4 xmin: 1
PS中模糊照片变清晰的常用手段 简介：本例为PS初学者实例教程系列文章，本例主要讲解了修改模糊照片的几种常用方法，适合PS新手学习。 最简单的方法：锐化工具 锐化工具是最简单的工具，我们首先学习如何用锐化涂抹修复法修复模糊现象。记得使用软画笔，低强度，反复涂抹。 1.使用工具箱中的锐化工具。 2.在属性栏中对锐化工具的笔装潢属性进行设置。设置画笔为较软的笔头，将强度降低。 提示：使用软画笔进行涂抹，不会出现难看的生硬边缘，低强度反复涂抹有点类似于国画中的渲染技法，可以使被修改部分和周围有着优秀的过渡，看不出修复痕迹。 3.设置笔头为合适大小，在眼睛部位涂抹，可以看到，笔头所过之处，图像会慢慢变得清晰起来，我们慢慢涂，让它的清晰度达到理想即可，千万不要涂过头，那样就会出现难看的杂色和斑点了。
最轻松的方法：USM锐化方案 使用锐化工具，好处是可以按需要进行锐化，缺点是不好操作。特别是对新手来说，一时半会还掌握不好，那么就是“USM锐化”滤镜吧，它是专为模糊照片准备的一款滤镜，适合对整幅照片进行调整。 使用菜单“滤镜→锐化→USM锐化”弹出锐化对话框，在本例中我们设置较大的数量值，以取得更加清晰的效果，较小的半径值，以防止损失图片质量，最小的阈值，以确定需要锐化的边缘区域。 提示：数量值控制了锐化的程度，数值越高，图像就越清晰，但并不是数值越高越好，过高的数值会使图片杂点增多，影响质量。半径值用于设置受影响的像素范围，即指定边
缘旁边多大范围的像素被调整，如果半径值很高，图片会出现大面积的高光与暗部，失去细节。阈值是用来确定锐化的像素必须与周围区域相差多少，才被滤镜当作边缘像素并被锐化，阈值数值较高时，图像比较柔和，数值较低时，图像比较锐利。在调整这几个值时要多观察，取最合适的数值。这样的方法适合修复对焦不准造成的轻微模糊。 高级技巧：叠加边缘法锐化图像 上两种方法都是常规的小技巧，如果你想让照片更清晰，效果更好，那就得使用高反差保留滤镜和图层混合模式这两样法宝了。 1.打开模糊的照片，按“Ctrl+J”快捷键，将图层复制一层。再按“Shift+Ctrl+U” 快捷键，将图像去色。我们将利用这个黑白图层将边缘强化。 2.使用菜单中的“滤镜→其他→高反差保留”，弹出高反差保留对话框，设置数值为“0.9”左右。单击确定。 3.设置图层混合模式为“叠加”，按“Ctrl+J” 快捷键复制图层，如果图像还有模糊现象，可以多复制几层叠加在上方。
PS如何使模糊图片变清晰 方法一（简单的处理） 如果要对整副照片进行快速修复，可用“USM锐化”滤镜。 菜单“滤镜→锐化→USM锐化”，弹出锐化对话框。一般设置较大的数量值，以取得更加清晰的效果，较小的半径值，以防止损失图片质量，最小的阈值，以确定需要锐化的边缘区域。 方法二 1、打开照片 2、复制背景图层 3、“图像－调整－去色” 4、“图层调板－叠加” 5、“滤镜－其他－高反差保留”，象素的半径不可太大，一般选0.7－1.2。 6、再复制滤镜后的图层（ctrl+j），复制的次数以不产生噪点为宜。 7、合并图层。 方法三 1、CTRL+J创建副本养成好习惯。对副本模式选择“亮度 2、选择“滤镜”菜单下的“锐化—USM锐化”命令，在设置窗口中适当调节一下锐化参数，根据原图模糊的情况来调节，本图采用锐化数量为“150%”，半径是“1”像素，阀值不变。 3、经过第二步，为照片清晰大致做了个基础。接着选择“图像”菜单下“模式—LAB 颜色”命令，在弹出的窗口中选择“拼合”图层确定。 4、在LAB模式下，再创建副本。 5、在“通道”面板中看到图层通道上有了“明度”通道，选定这个通道，再使用“滤镜”菜单的“锐化—USM锐化”命令，设置好锐化参数将这个通道锐化处理。
6、返回图层面板，把副本图层的模式修改为“柔光”，调节透明度为30%。看看此时的图像不 方法四（适合7以上版本） 1、执行“滤镜>锐化>智能锐化”命令 2、将“背景”图层进行复制，在“背景副本”图层上执行快捷键“Ctrl / Command(Mac + F”，将“智能锐化”。一共执行两遍，如果觉得不够清晰，可以执行多次 3、将“背景副本”的图层混合模式改为“柔光”，不透明度改为70% 4、将“背景副本”图层进行复制，重复步骤三和步骤四的操作，将新得到的图层不透明度改为50% 方法五 1、打开一张模糊的照片 2、选择通道-----红色通道 3、复制红色通道 4、执行滤镜--风格化---照亮边缘(我用的数值是边缘宽度 1 ;亮度 20;平滑度 3 5、执行滤镜-模糊--高撕模糊(我用半径为 2 6、色阶(我用数值17 1.00 169 7、将红色副本通道载入选区,回到图层面板,然后复制图层 8、选者滤镜---艺术效果---绘画涂抹(画笔大小 1 锐化 25 9、再复制一个图层使不透明度为30放在副本图层的下面 10、选者副本图层模式该为滤色
PS让模糊照片变清晰的四种实用方法 本文介绍用Photoshop模糊照片变清晰的几种非常实用的方法。 祁老师：菜菜，今天怎么一脸郁闷的样子? 菜菜：我最近出游拍的好多照片的表情和姿态都不错，可就是由于光线和对焦不是很好，照片有点模糊，真是太可惜了。 祁老师：是吗，让我看看。啊!问题不大，还有救，我教你几种方法，你就可以将它们变清晰。 局部修复锐化工具来帮忙 锐化工具是最简单的工具，我们首先学习如何用锐化涂抹修复法局部修复模糊图像，它常常被用于修复人物脸部。 菜菜：这个工具我用过，很不好用，总是出现花花绿绿的杂斑。 祁老师：那是你不得要领，或者照片本身品质过低。记得使用软画笔，低强度，反复涂抹。
1.选择工具箱中的锐化工具。 2.在属性栏中对锐化工具的笔装潢属性进行设置。设置画笔为较软的笔头，并拖动滑杆将强度降低。 提示：使用软画笔进行涂抹，不会出现难看的生硬边缘，低强度反复涂抹有点类似于国画中的渲染技法，可以使被修改部分和周围有着优秀的过渡，看不出修复痕迹。 3.设置笔头为合适大小。在眼睛部位涂抹，可以看到，笔头所过之处，图像会慢慢变得清晰起来，我们慢慢涂，让它的清晰度达到理想即可，千万不要涂过头，那样就会出现难看的杂色和斑点了。 轻度模糊USM整体锐化 使用锐化工具，好处是可以按需要进行锐化，如果要对整副照片进行快速修复，就显得太麻烦了，那么试试“USM锐化”滤镜，它是专为模糊照片准备的一款滤镜，适合对整幅照片进行调整。 使用菜单“滤镜→锐化→USM锐化”弹出锐化对话框，在本例中我们设置较大的数量值，以取得更加清晰的效果，较小的半径值，以防止损失图片质量，最小的阈值，以确定需要锐化的边缘区域。 提示：数量值控制了锐化的程度，数值越高，图像就越清晰，但并不是数值越高越好，过高的数值会使图片杂点增多，影响质量。半径值用于设置受影响的像素范围，即指定边缘旁边多大范围的像素被调整，如果半径值很高，图片会出现大面积的高光与暗部，失去细节。阈值是用来确定锐化的像素必须与周围区域相差多少，才被滤镜当作边缘像素并被锐化，阈值数值较高时，图像比较柔和，数值较低时，图像比较锐利。在调整这几个值时要多观察，取最合适的数值。
数据归一化汇总 ============外一篇有关mapminmax的用法详解by faruto================================== 几个要说明的函数接口: [Y,PS]=mapminmax(X) [Y,PS]=mapminmax(X,FP) Y=mapminmax('apply',X,PS) X=mapminmax('reverse',Y,PS) 用实例来讲解,测试数据x1=[124],x2=[523]; >>[y,ps]=mapminmax(x1) y= -1.0000-0.3333 1.0000 ps= name:'mapminmax' xrows:1 xmax:4 xmin:1 xrange:3 yrows:1 ymax:1 ymin:-1
yrange:2 其中y是对进行某种规范化后得到的数据,这种规范化的映射记录在结构体ps中.让我们来看一下这个规范化的映射到底是怎样的? Algorithm It is assumed that X has only finite real values,and that the elements of each row are not all equal. ?y=(ymax-ymin)*(x-xmin)/(xmax-xmin)+ymin; ?[关于此算法的一个问题.算法的假设是每一行的元素都不想相同,那如果都相同怎么办?实现的办法是,如果有一行的元素都相同比 如xt=[111],此时xmax=xmin=1,把此时的变换变为y= ymin,matlab内部就是这么解决的.否则该除以0了,没有意义!] 也就是说对x1=[124]采用这个映射f:2*(x-xmin)/(xmax-xmin)+(-1),就可以得到y=[-1.0000-0.3333 1.0000] 我们来看一下是不是:对于x1而言xmin=1,xmax=4; 则y(1)=2*(1-1)/(4-1)+(-1)=-1; y(2)=2*(2-1)/(4-1)+(-1)=-1/3=-0.3333; y(3)=2*(4-1)/(4-1)+(-1)=1; 看来的确就是这个映射来实现的. 对于上面algorithm中的映射函数其中ymin,和ymax是参数,可以自己设定,默认为-1,1;
[教程]MATLAB数据归一化汇总（最全面的归一化介绍） 几个要说明的函数接口: 1.[Y,PS] = mapminmax(X) 2.[Y,PS] = mapminmax(X,FP) 3.Y = mapminmax('apply',X,PS) 4.X = mapminmax('reverse',Y,PS) 复制代码 用实例来讲解,测试数据 1.x1 = [1 2 4], x2 = [5 2 3]; 2.>> [y,ps] = mapminmax(x1) 3.y = 4. -1.0000 -0.3333 1.0000 5. 6.ps = 7. name: 'mapminmax' 8. xrows: 1 9. xmax: 4 10. xmin: 1 11. xrange: 3 12. yrows: 1 13. ymax: 1 14. ymin: -1 15. yrange: 2 复制代码 其中y是对进行某种规范化后得到的数据,这种规范化的映射记录在结构体ps中.让我们来看一下这个规范化的映射到底是怎样的? 1.Algorithm 2.It is assumed that X has only finite real values, and that the elements of each row are not all equal. 3. 4. * y = (ymax-ymin)*(x-xmin)/(xmax-xmin) + ymin; 复制代码 * [关于此算法的一个问题.算法的假设是每一行的元素都不想相同,那如果都相同怎么办?实现的办法是,如果有一行的元素都相同比如xt = [1 1 1],此时xmax = xmin = 1,把此时的变换变为y = ymin,matlab内部就是这么解决的.否则该除以0了,没有意义!]
数据归一化处理 1.我有一个问题不太明白，神经网络在训练时，先对数据进行归一化处理，按照常理训练完之后应该对数据再进行反归一化啊，可是再很多资料上根本就看不出有反归一化这个步骤，而且很多时候训练效果不是很好。请问，哪个大侠能帮帮我啊 2.看一下MATLAB里的premnmx函数和postmnmx函数.它们一个是归一一个是反归一 3.并不是归一化的数据训练效果就好 4.我也遇到过类似的问题,有篇论文就是用postmnmx函数.效果不好可能是样本数据不太准. 5.可以采用标准化PRESTD，效果很好。 6.样本数据和测试数据是否放在一起归一化？ 7.应该将样本数据和测试数据放在一起归一化，不然如果测试数据中有的值比样本数据最大值还大，岂不是超过1了？ 神经网络训练的时候，应该考虑极值情况，即归一化的时候要考虑你所需要识别参数的极值，以极值作分母，这样可能效果更好一点。 8.激发函数如果选用的是倒s型函数，应不存在归一化的问题吧 9.我想问大家一下:在神经网络中,只有一个函数即:purelin这个函数对训练的输出数据不用归一化,而象logsig 和tansig函数都要归一化(如果数据范围不在[-1,1]或[0,1]之间).那既然用purelin函数可以不用归一化,为何又是还用归一化呢? 用神经网络里的PRESTD, PREPCA, POSTMNMX, TRAMNMX等函数归一化和直接用purelin这个函数有什么区别啊? 我作负荷预测时,象不用归一化的效果很好呀! 10.purelin没有作归一化啊,你用logsig 和tansig作为神经元激励函数,输出范围自然限制在[-1,1]或[0,1]之间了 11. 我所知道的关于归一化： 归一化化定义：我是这样认为的，归一化化就是要把你需要处理的数据经过处理后（通过某种算法）限制在你需要的一定范围内。首先归一化是为了后面数据处理的方便，其次是保正程序运行时收敛加快。 在matlab里面，用于归一化的方法共有三中，（1）premnmx、postmnmx、tramnmx（2）prestd、poststd、trastd（3）是用matlab语言自己编程。premnmx指的是归一到[－1 1],prestd归一到单位方差和零均值。（3）关于自己编程一般是归一到[0.1 0.9] 。具体用法见下面实例。 为什么要用归一化？ 为什么要用归一化呢？首先先说一个概念，叫做奇异样本数据，所谓奇异样本数据数据指的是相对于 其他输入样本特别大或特别小的样本矢量。 下面举例： m=[0.11 0.15 0.32 0.45 30; 0.13 0.24 0.27 0.25 45]; 其中的第五列数据相对于其他4列数据就可以成为奇异样本数据（下面所说的网络均值bp）。奇异样本数据存在所引起的网络训练时间增加，并可能引起网络无法收敛，所以对于训练样本存在奇异样本数据的数据集在训练之前，最好先进形归一化，若不存在奇异样本数据，则不需要事先归一化。 具体举例： close all clear echo on clc %BP建模 %原始数据归一化 m_data=[1047.92 1047.83 0.39 0.39 1.0 3500 5075; 1047.83 1047.68 0.39 0.40 1.0 3452 4912;