介绍 import matplotlib.pyplot as 图
import numpy as np
得到numpy import fft
import 数学
import cv2
,
#,仿真运动模糊
def motion_process (image_size motion_angle):=,,PSF np.zeros (image_size)
,打印(image_size)
,center_position=(image_size [0] 1)/2
,打印(center_position)
,
,slope_tan=math.tan (motion_angle * math.pi/180)
slope_cot=1/slope_tan
,if slope_tan<=1:
for 才能小姐:拷贝范围(15):
,才能抵消=圆(我* slope_tan), # ((center_position-i) * slope_tan)
,,PSF [int (center_position +偏移量),int (center_position-offset)]=1
return 才能;PSF /, PSF.sum(), #对点扩散函数进行归一化亮度
,其他的:
for 才能小姐:拷贝范围(15):
,才能抵消=圆(我* slope_cot)
,,PSF [int (center_position-offset), int (center_position +偏移量))=1
return 才能;PSF /, PSF.sum ()
,
#对图片进行运动模糊
def make_blurred (PSF,输入,还以为;每股收益):=,,input_fft fft.fft2(输入)#,进行二维数组的傅里叶变换=,,PSF_fft fft.fft2 (PSF) +,每股收益=,,blurred fft.ifft2 (input_fft *, PSF_fft)=,,blurred np.abs (fft.fftshift(模糊)
return 模糊
,
def 逆(PSF,输入,还以为;每股收益):,,#,逆滤波=,,input_fft fft.fft2(输入)=,,PSF_fft fft.fft2 (PSF), +, eps #噪声功率,这是已知的,考虑ε=,,result fft.ifft2 (input_fft /, PSF_fft), #计算F (u, v)的傅里叶反变换=,,result np.abs (fft.fftshift(结果))
return 结果
,
def 维纳(输入、PSF eps, K=0.01):,, #维纳滤波,K=0.01
,input_fft=fft.fft2(输入)
,PSF_fft=fft.fft2 (PSF), +每股收益
,PSF_fft_1=np.conj (PSF_fft),/(np.abs (PSF_fft) * * 2, +, K)
,结果=fft.ifft2 (input_fft *, PSF_fft_1)
,结果=np.abs (fft.fftshift(结果))
return 结果
,
时间=image cv2.imread (& # 39; you.jpg& # 39;)
时间=image cv2.cvtColor(形象,cv2.COLOR_BGR2GRAY)
img_h=image.shape [0]
img_w=image.shape [1]
graph.figure (1)
graph.xlabel (“Original Image")
graph.gray ()
graph.imshow(图片),,#显示原图像
,
graph.figure (2)
graph.gray ()
#进行运动模糊处理
时间=PSF motion_process ((img_h img_w), 60)
时间=blurred np.abs (make_blurred (PSF,形象,,1 e - 3))
,
graph.subplot (231)
graph.xlabel (“Motion blurred")
graph.imshow(模糊)
,
时间=result 逆(PSF,模糊,,1 e - 3), #逆滤波
graph.subplot (232)
graph.xlabel (“inverse deblurred")
graph.imshow(结果)
,
结果=维纳(模糊PSF 1 e - 3),, #维纳滤波
graph.subplot (233)
graph.xlabel (“wiener 解模糊(k=0.01)“)
graph.imshow(结果)
,
blurred_noisy=blurred +, 0.1, *, blurred.std (), * \
,,np.random.standard_normal (blurred.shape), #添加噪声,standard_normal产生随机的函数
,
graph.subplot (234)
graph.xlabel (“motion ,, noisy blurred")
graph.imshow (blurred_noisy),, #显示添加噪声且运动模糊的图像
,
时间=result 逆(blurred_noisy, PSF,, 0.1 + 1 e - 3), #对添加噪声的图像进行逆滤波
graph.subplot (235)
graph.xlabel (“inverse deblurred")
graph.imshow(结果)
,
结果=维纳(blurred_noisy, PSF, 0.1 + 1 e - 3),,, #对添加噪声的图像进行维纳滤波
graph.subplot (236)
graph.xlabel (“wiener 解模糊(k=0.01)“)
graph.imshow(结果)
,
graph.show ()
小编给大家分享一下怎么使用python实现逆滤波与维纳滤波示例,相信大部分人都还不怎么了解,因此分享这篇文章给大家参考一下,希望大家阅读完这篇文章后大有收获、下面让我们一起去了解一下吧!
<强>构建运动模糊模型
现假定相机不动,图像f (x, y)在图像面上移动并且图像f (x, y)除移动外不随时间变化。令x0 (t)和y0 (t)分别代表位移的x分量和y分量,那么在快门开启的时间内,胶片上某点的总曝光量是图像在移动过程中一系列相应像素的亮度对该点作用之总和。也就是说,运动模糊图像是由同一图像在产生距离延迟后与原图像想叠加而成。如果快门开启与关闭的时间忽略不计,则有:
由于各种运动都是匀速直线运动的叠加,因而我们只需考虑匀速直线运动即可。但由于我们自身水平有限,且旨在探讨找到实现运动模糊复原方法的思想与方向,因而我们未能自行构建模型,而是借鉴了参考文献[1]中建立的运动模糊模型。关于本模型的理论依据参见参考文献[1]。
下面我们描述一下该模型函数motion_process (image_size motion_angle),它包含两个参数:图像的尺寸大小image_size以及运动的角度motion_angle。
例如,当运动位移为9日运动角度为45度时,则该模型函数的构建过程如下:
1。首先是创建与图像同等大小的全0矩阵,然后找到全0矩阵的中心行数center_position,再计算出运动角度的谭值与床值,算出运动的偏移量抵消。
2。![怎么使用python实现逆滤波与维纳滤波示例”> PSF [int (center_position +偏移量),int (center_position-offset)]=1 </p> <p> 3。<img src=](/zixun/d/file/jishu/2021-06-10/d469c9e59a66bdd09797e600852b25a5.jpg )
运动位移为9日运动角度分别为45°,30°、60°时,运动模糊模型对应的图像
