wordpress网站性能,深圳企业网站制作中心,鞍山吧百度贴吧,百度推广技巧方法专栏地址#xff1a;『youcans 的 OpenCV 例程 300篇 - 总目录』 【第 7 章#xff1a;图像复原与重建】 106. 退化图像的逆滤波 107. 退化图像的维纳滤波 108. 约束最小二乘方滤波 109. 几何均值滤波 【youcans 的 OpenCV 例程 300 篇】109. 几何均值滤波 6. 退化图像复原
…专栏地址『youcans 的 OpenCV 例程 300篇 - 总目录』 【第 7 章图像复原与重建】 106. 退化图像的逆滤波 107. 退化图像的维纳滤波 108. 约束最小二乘方滤波 109. 几何均值滤波 【youcans 的 OpenCV 例程 300 篇】109. 几何均值滤波 6. 退化图像复原
图像复原是对图像退化的过程进行估计并补偿退化过程造成的失真以便获得未经退化的原始图像或原始图像的最优估值从而改善图像质量的一种方法。
典型的图像复原方法是根据图像退化的先验知识建立退化模型以退化模型为基础采用滤波等手段进行处理使复原后的图像符合一定的准则达到改善图像质量的目的。
因此图像复原是沿着质量降低的逆过程来重现真实的原始图像通过去模糊函数而去除图像模糊。 6.4 几何均值滤波
几何均值滤波器是维纳滤波的推广其传递函数由括号内幂次分别为 α\alphaα 和 1−α1-\alpha1−α 的两个表达式组成 F^(u,v)[H∗(u,v)∣H(u,v)∣2]α[H∗(u,v)∣H(u,v)∣2β[Sη(u,v)/Sf(u,v)]]1−αG(u,v)\hat{F}(u,v) \Bigg[ \frac{H^*(u,v)}{|H(u,v)|^2} \Bigg] ^{\alpha} \ \Bigg[\frac{H^*(u,v)}{|H(u,v)|^2 \beta [S_{\eta} (u,v) /S_f(u,v)]}\Bigg]^{1-\alpha}\ G(u,v) F^(u,v)[∣H(u,v)∣2H∗(u,v)]α [∣H(u,v)∣2β[Sη(u,v)/Sf(u,v)]H∗(u,v)]1−α G(u,v) 式中$ \alpha$ 和 β\betaβ 是非负的实常数。
当 α1/2\alpha1/2α1/2 时几何均值滤波器是幂次相同的两个量的乘积这就是几何均值的含义。
当 α1/2,β1\alpha1 / 2, \beta1α1/2,β1 时称为频谱均衡滤波器。当 α1\alpha1α1 时简化为逆滤波器当 α0\alpha0α0 时简化为带参数的维纳滤波器并在 β1\beta1β1 时成为标准维纳滤波器。 例程 9.22: 几何均值滤波 # 9.22: 几何均值滤波器def getMotionDsf(shape, angle, dist):xCenter (shape[0] - 1) / 2yCenter (shape[1] - 1) / 2sinVal np.sin(angle * np.pi / 180)cosVal np.cos(angle * np.pi / 180)PSF np.zeros(shape) # 点扩散函数for i in range(dist): # 将对应角度上motion_dis个点置成1xOffset round(sinVal * i)yOffset round(cosVal * i)PSF[int(xCenter - xOffset), int(yCenter yOffset)] 1return PSF / PSF.sum() # 归一化def makeBlurred(image, PSF, eps): # 对图片进行运动模糊fftImg np.fft.fft2(image) # 进行二维数组的傅里叶变换fftPSF np.fft.fft2(PSF) epsfftBlur np.fft.ifft2(fftImg * fftPSF)fftBlur np.abs(np.fft.fftshift(fftBlur))return fftBlurdef wienerFilter(input, PSF, eps, K0.01): # 维纳滤波K0.01fftImg np.fft.fft2(input)fftPSF np.fft.fft2(PSF) epsfftWiener np.conj(fftPSF) / (np.abs(fftPSF)**2 K)imgWienerFilter np.fft.ifft2(fftImg * fftWiener)imgWienerFilter np.abs(np.fft.fftshift(imgWienerFilter))return imgWienerFilterdef geometricMeanFilter(image, PSF, eps, K1, alpha1, beta1): # 几何均值滤波器fftImg np.fft.fft2(image)fftPSF np.fft.fft2(PSF)conj fftPSF.conj()squarePSF (fftPSF * conj).realHuv np.power(conj / (squarePSF), alpha) * np.power(conj / (squarePSF beta * K), 1-alpha)ifftImg np.fft.ifft2(fftImg * Huv)ifftShift np.abs(np.fft.fftshift(ifftImg))imgGMFilter np.uint8(cv2.normalize(np.abs(ifftShift), None, 0, 255, cv2.NORM_MINMAX)) # 归一化为 [0,255]return imgGMFilter# # 读取原始图像img cv2.imread(../images/Fig0526a.tif, 0) # flags0 读取为灰度图像hImg, wImg img.shape[:2]# 带有噪声的运动模糊PSF getMotionDsf((hImg, wImg), 45, 100) # 运动模糊函数imgBlurred np.abs(makeBlurred(img, PSF, 1e-6)) # 生成不含噪声的运动模糊图像scale 0.01 # 噪声方差noisy imgBlurred.std() * np.random.normal(loc0.0, scalescale, sizeimgBlurred.shape) # 添加高斯噪声imgBlurNoisy imgBlurred noisy # 带有噪声的运动模糊imgWienerFilter wienerFilter(imgBlurNoisy, PSF, scale, K0.01) # 对含有噪声的模糊图像进行维纳滤波imgGMFilter geometricMeanFilter(imgBlurNoisy, PSF, scale, K0.01, alpha0.5, beta1) # 约束最小二乘方滤波plt.figure(figsize(9, 7))plt.subplot(231), plt.title(blurred image (dev0.01)), plt.axis(off), plt.imshow(imgBlurNoisy, gray)plt.subplot(232), plt.title(Wiener filter), plt.axis(off), plt.imshow(imgWienerFilter, gray)plt.subplot(233), plt.title(geometric mean filter), plt.axis(off), plt.imshow(imgGMFilter, gray)scale 0.1 # 噪声方差noisy imgBlurred.std() * np.random.normal(loc0.0, scalescale, sizeimgBlurred.shape) # 添加高斯噪声imgBlurNoisy imgBlurred noisy # 带有噪声的运动模糊imgWienerFilter wienerFilter(imgBlurNoisy, PSF, scale, K0.01) # 维纳滤波imgGMFilter geometricMeanFilter(imgBlurNoisy, PSF, scale, K0.01, alpha0, beta1) # 约束最小二乘方滤波plt.subplot(234), plt.title(blurred image (dev0.1)), plt.axis(off), plt.imshow(imgBlurNoisy, gray)plt.subplot(235), plt.title(Wiener filter), plt.axis(off), plt.imshow(imgWienerFilter, gray)plt.subplot(236), plt.title(geometric mean filter), plt.axis(off), plt.imshow(imgGMFilter, gray)plt.tight_layout()plt.show()本节完 版权声明 youcansxupt 原创作品转载必须标注原文链接(https://blog.csdn.net/youcans/article/details/123063149) Copyright 2022 youcans, XUPT Crated2022-2-22
