首页 > 学术百科

数字图像处理python实现-图像复原之维纳滤波

数字图像处理python实现-图像复原之维纳滤波内容简介

运动模糊核⽅向和⾓度估计

这⾥介绍⼀种通⽤的做法即倒谱法如下：

这⾥需要注意的是公式中的I 是傅⽴叶变换后的其他的就是公式中的步骤

代码如下：

def main():

摆摆歌

f = plt.imread("pic_hd.jpg")

f = cv.cvtColor(f, cv.COLOR_RGB2GRAY)

# ⽣成倒谱图

ft = np.fft.fft2(f)

ift = np.fft.fftshift(np.abs(np.fft.fft2(np.log(ft +1e-3))))

瓶颈工序logF = np.log(ift +1e-3)

plt.figure()

show(ift,"original",1,2,1)

show(logF,"cepstrum",1,2,2)

plt.show()

最优运动模糊核长度和⾓度确定

按上⾯的倒谱图最终估计到的图像长度，⾓度组合有很多，因此就需要到⼀个最优的长度和⾓度这⾥使⽤的是使⽤局部光滑区域拉普拉斯变换确定最优运动模糊核长度和⾓度

代码如下：这⾥代码对接的上⾯代码

def main():

line = cv.HoughLinesP(ift.astype(np.uint8),1, np.pi /180,20,0,25,0)

甲型血友病l =[]

for i in range(len(line)):

r = np.power((line[i][0][2]- line[i][0][0])**2+(line[i][0][3]- line[i][0][1])**2,0.5)

theta = math.atan2(line[i][0][3]- line[i][0][1], line[i][0][2]- line[i][0][0])/ math.pi *180.

if20< r <50and30< theta <60:

l.append((r,-theta))

# 使⽤局部光滑区域拉普拉斯变换确定最优运动模糊核长度和⾓度

硅溶胶

vars=[]

kernel = np.array([0,-1,0,-1,4,-1,0,-1,0]).reshape(3,3)

for k in l:

r, theta = k

PSF = get_motion_dsf(f.shape,int(r),int(theta))

rf = wiener(f, PSF,0.0001)

temp = rf[425:450,325:350]

for i in range(1, temp.shape[0]-1):

for j in range(1, temp.shape[1]-1):

temp[i, j]= np.abs(np.sum(temp[i -1:i +2, j -1:j +2]* kernel))

vars.append(np.sum(temp))

r, theta = l[vars.index(min(vars))]

print(r)

print(theta)

运动模糊核⽣成

这⾥使⽤的是⽹上的常见代码，我也不太懂引⽤谁的，其中我需要建议读者看数字图像书的⼀页会豁然开朗如下：

其实我看了很多⽂章但是没有⼀篇⽂章解释过，尺⼨问题以及后⾯的运动模糊核⽣成的步骤，这⼀页我认为这是读者需要仔细看的代码如下：

def get_motion_dsf(image_size, motion_dis, motion_angle):

PSF = np.zeros(image_size)# 点扩散函数

x_center =(image_size[0]-1)/2

y_center =(image_size[1]-1)/2

sin_val = math.sin(motion_angle * math.pi /180)

cos_val = s(motion_angle * math.pi /180)

过氧化氢酶活性测定# 将对应⾓度上motion_dis个点置成1

for i in range(motion_dis):

x_offset =round(sin_val * i)

y_offset =round(cos_val * i)

PSF[int(x_center - x_offset),int(y_center + y_offset)]=1

return np.fft.fft2(PSF / PSF.sum())

维纳滤波

这⾥的简介引⽤的是中科院光电研究所师兄的⼀篇论⽂的论述如下

步骤推导，这⾥给出中科院讲义如下：

下⾯给出整个复原过程所有代码如下：

import math

import cv2

import cv2 as cv

import matplotlib.pyplot as plt唐山师范学院刘丹

import numpy as np

# 模糊核⽣成

def get_motion_dsf(image_size, motion_dis, motion_angle): PSF = np.zeros(image_size)# 点扩散函数

x_center =(image_size[0]-1)/2

y_center =(image_size[1]-1)/2

sin_val = math.sin(motion_angle * math.pi /180)

cos_val = s(motion_angle * math.pi /180)

# 将对应⾓度上motion_dis个点置成1

for i in range(motion_dis):

x_offset =round(sin_val * i)

y_offset =round(cos_val * i)

PSF[int(x_center - x_offset),int(y_center + y_offset)]=1 return np.fft.fft2(PSF / PSF.sum())

# 维纳滤波

def wiener(f, PSF,K=0.01):# 维纳滤波，K=0.01

input_fft = np.fft.fft2(f)

PSF_fft_1 = np.conj(PSF)/(np.abs(PSF)**2+ K)

result = np.fft.ifftshift(np.fft.ifft2(input_fft * PSF_fft_1)) al

本文发布于:2024-09-22 16:43:10，感谢您对本站的认可！

本文链接：https://www.17tex.com/xueshu/477284.html

上一篇：基于维纳滤波的应用综述

下一篇：python实现逆滤波与维纳滤波

标签：需要长度代码测定种通篇论给出变换

留言与评论（共有 0 条评论）