1. 研究目的与意义
随机信号或随机过程(random process)是普遍存在的。一方面，任何确定性信号经过测量后往往就会引入随机性误差而使该信号随机化；另一方面，任何信号本身都存在随机干扰，通常把对信号或系统功能起干扰作用的随机信号称之为噪声。噪声按功率谱密度划分可以分为白噪声（white noise）和色噪声（color noise），我们把均值为0的白噪声叫纯随机信号（pure random signal）。因此，任何其它随机信号都可看成是纯随机信号与确定性信号并存的混合随机信号或简称为随机信号。要区别干扰（interference）和噪声( noise)两种事实和两个概念。非目标信号（nonobjective signal）都可叫干扰。干扰可以是确定信号，如国内的50Hz工频干扰。干扰也可以是噪声，纯随机信号（白噪声）加上一个直流成分（确定性信号），就成了最简单的混合随机信号。
图像复原是图象处理的一个重要课题。图像复原也称图象恢复，是图象处理中的一大类技术。它的主要目的是改善给定的图像质量。当给定了一幅退化了的或者受到噪声污染了的图像后，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，大气湍流的扰动效应，图像运动造成的模糊及几何畸变等等。噪声干扰可以由电子成像系统传感器、信号传输过程或者胶片颗粒性造成。各种退化图像的复原都可归结为一种过程，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。
维纳滤波和卡尔曼滤波就是用来解决这样一类问题的方法：从噪声中提取出有用的信号。
2. 国内外研究现状分析
图像复原作为图像处理的一个重要分支，对于该问题国内外展开了诸多关键技术的研究。实际上，图像复原设计三个方面的内容：退化图像的成像模型，图像复原算法和复原图像的评价标准。不同的成像模型、问题空间、优化规则和方法都会导致不同的图像复原算法。适用于不同的应用领域。现有的复原方法概括为以下几个类型：去卷积复原算法、线性代数复原、图像盲反卷积算法等，其他复原方法多是这三类的衍生和改进。其中，去卷积方法包括维纳去卷积、功率谱平衡与几何平均值滤波等，这些方法都是非常经典的图像复原方法。但是需要有关于原始图像、降质算子较多的先验信息和噪声平衡性的假设只适合于不变系统及噪声于信号不相关的情形，特别是降质算子病态的情况下，图像复原结果还不停理想。
另外，近年来小波的理论得到迅速发展，并光法应用于图像复原中。基于小波变换的迭代正则化图像复原算法，兼顾抑制噪声的增长和保留图像的重要边界。具有噪声估计能力的图像恢复正则化方法。Belge等人以广义高斯模型作为小波系数的先验分布，提出了一种小波域边缘保持正则化的方法。同时给出了小波域图像复原的一般框架，但其复原方法相对于传统复原方法提高的并不显著，赵书斌等人以混合高斯模型逼近小波系数的分布，并引入小波域隐马尔可夫模型作为自然图像的先验概率模型对图像超分辨率复原问题进行正则化，复原效果不错，但该方法还是不能避免计算量过大的缺点，从图像复原的Bayesian框架出发，小波域局部高斯模型的线性图像复原方法，该方法较好的再现了图像的各种边缘信息，取得不错的复原效果
3. 研究的基本内容与计划
内容：了解退化图像的恢复相关原理及相关算法，掌握维纳滤波在退化图像恢复中的原理与方法，在matlab中实现维纳滤波应用于退化图像恢复的仿真实验，并得到仿真结果。进一步在fpga中构建维纳滤波器，在fpga上实现基于维纳滤波的退化图像恢复
计划：近期我会尽快熟悉维纳滤波的结构，维纳-霍夫方程及其相关的算法，复习和学习下matlab和fpga的使用。
三月份开始综合设计，各项准备工作都做完，四月份上旬能够在matlab中实现维纳滤波应用于退化图像恢复的仿真，并得到仿真结果，四月份下旬然后在fpga中构建，实现。五月上旬对出现的问题进行最后的修改，争取5五月中旬之前完成整个毕业设计。
4. 研究创新点
随着科技水平的发展和生活质量的提升,在生产生活中,实时图像处理技术被应用得愈来愈广泛。比如,基于实时图像压缩的视频监控系统,和基于实时图像处理的医学图像诊断系统,等等。 实时图像处理涉及到大量的运算,通常需要很高的计算速度、存储容量和数据带宽。这对基于传统应用而设计的通用处理器(例如基于x86架构的桌面式计算系统)而言,是个巨大的负担。因此,以往多采用价格比较昂贵的专用图像处理芯片(ASIC)来满足这种需求。诚然,基于ASIC的图像处理系统往往性能比较优秀,但其对于设计灵活性的缺失却在某些情况下成为其一大弊端。譬如,对于研究图像算法的开发人员,往往无法在这种系统上对新算法进行试验或研究;而对于在产品中应用新算法,设备制造商又不得不进行新一轮的设计。 为了弥补这个缺点,业界也提出了其他的方案。一种方案是采用DSP(数字信号处理器,digital signal processor)平台来进行图像处理。由于DSP平台为数字信号处理在架构上做了特别的优化,所以,这种方案有时也能得到理想的结果。但DSP平台的性能受限于相应软件在其内部架构上是否可以高效的实现。 另一种方案是基于GPU(图像处理器,graphic processing unit)来实现图像处理算法的加速。针对这方面的研究目前非常热门,因为GPU内部的高度并行性,以及出色的带宽指标,是它一个天然的优势。同样,这种方案的性能受限于相应软件在其内部架构上是否可以高效的实现。 上述两种方案目前都开始出现越来越多的应用。然而,随着处理能力需求的提升,这两种硬件平台会遇到功率墙的影响。也就是说,为了达到更高的性能,其工作频率,从而功率耗散,将进一步的提升。而这,可能会影响到它们在嵌入式小型设备中的应用。由于FPGA的硬件可编程性,它可以通过对某些软件算法部分进行硬件化来实现特定算法的加速。由于硬件架构设计对具体应用更具针对性,FPGA系统往往可以使用较低的工作频率来达到其他硬件平台需要较高的工作频率才能实现的带宽和性能。这将可能有利于图像处理在嵌入式设备中的应用。采用Xilinx公司的Virtex II Pro系列FPGA,完成一个具有可重构特性的图像处理平台的设计，结合了FPGA内部嵌入式通用CPU的软件灵活性和针对部分图像处理算法的专有硬件处理单元的高效加速,实现在图像处理中重要而且广泛使用的线性滤波算法。这种结合是一种实现图像处理平台的较好的方案。首先,通过特定于应用的硬件架构设计,FPGA平台可以实现接近于ASIC的性能;其次,在软件和硬件上的高度灵活性,为其在算法研究领域的应用提供了保证;第三,通过优化设计,完全可以在嵌入式小型设备中实现高性能的图像处理。
