运动去模糊滤镜_直线运动去模糊-CSDN博客

本文链接：https://blog.csdn.net/2301_81888214/article/details/136203932

目标

在本教程中，您将学习：

运动模糊图像的 PSF 是多少
如何恢复运动模糊图像

理论

有关退化图像模型理论和维纳滤波理论，可以参考教程失焦去模糊滤波。在此页面上，仅考虑线性运动模糊失真。此页面上的运动模糊图像是真实的图像。模糊是由移动的被摄体引起的。

运动模糊图像的 PSF 是多少？

线性运动模糊畸变的点扩散函数（PSF）是线段。这样的 PSF 由两个参数指定：是模糊的长度，THETA 是运动角度。LENTHET一个

线性运动模糊失真的点扩散函数

如何恢复模糊的图像？

在此页面上，维纳滤镜用作恢复滤镜，有关详细信息，您可以参考教程失焦去模糊滤镜。为了合成运动模糊情况下的维纳滤波器，它需要指定PSF的信噪比（SNR）、LEN和THETA。SNRLENTHET一个

源代码

您可以在 OpenCV 源代码库中找到源代码。samples/cpp/tutorial_code/ImgProc/motion_deblur_filter/motion_deblur_filter.cpp

#include < iostream>

#include“opencv2/imgproc.hpp”

#include“opencv2/imgcodecs.hpp”

使用命名空间 CV;

使用命名空间 std;

void help（）;

void calcPSF（Mat& outputImg， Size filterSize， int len， double theta）;

void fftshift（const Mat& inputImg， Mat& outputImg）;

void filter2DFreq（const Mat& inputImg， Mat& outputImg， const Mat& H）;

void calcWnrFilter（const Mat&input_h_PSF， Mat& output_G， double nsr）;

void edgetaper（const Mat& inputImg， Mat& outputImg， double gamma = 5.0， double beta = 0.2）;

const 字符串键 =

“{help h 用法？ | |打印此消息 }”

“{图像 |输入.png |输入图像名称 }”

“{LEN |125 |运动长度 }”

“{THETA |0 |以度为单位的运动角度 }”

“{信噪比 |700 |信噪比}”

;

int main（int argc， char *argv[]）

{

帮助（）;

CommandLineParser 解析器（argc， argv， keys）;

if （parser.has（“帮助”))

{

解析器.printMessage（）;

返回 0;

}

intLEN = parser.get（“LEN”);

双THETA = parser.get（“THETA”);

int snr = parser.get（“信噪比”);

string strInFileName = parser.get[>（“image”);

如果（！parser.check（））

{

解析器.printErrors（）;

返回 0;

}

Mat imgIn;

imgIn = imread（strInFileName， IMREAD_GRAYSCALE);

如果（imgIn.empty（）） //检查图片是否加载完毕

{

cout << “错误：无法加载图像…！！” << endl;

返回 -1;

}

垫子imgOut;

它只需要处理甚至图像

矩形 roi = Rect（0， 0， imgIn.cols & -2， imgIn.行 & -2）;

硬件计算（启动）

席呵呵，呵呵;

calcPSF（h， roi.size（）， LEN， THETA）;

calcWnrFilter（h， Hw， 1.0 / double（snr））;

硬件计算（停止）

imgIn。convertTo（imgIn， CV_32F);

边缘锥度（imgIn， imgIn）;

过滤（开始）

filter2DFreq（imgIn（roi）， imgOut， Hw）;

过滤（停止）

imgOut。convertTo（imgOut， CV_8U);

归一化（imgOut， imgOut， 0， 255， NORM_MINMAX);

imwrite（“结果.jpg”，imgOut）;

返回 0;

}

无效帮助（）

{

Cout << “2018-08-14” << endl;

cout << “Motion_deblur_v2” << endl;

cout << “您将学习如何使用维纳滤镜恢复具有运动模糊失真的图像” << endl;

}

void calcPSF（Mat& outputImg， Size filterSize， int len， double theta）

{

垫 h（filterSize， CV_32F， Scalar（0））;

点点（filterSize.宽度 / 2，filterSize。高度 / 2）;

ellipse（h， point， Size（0， cvRound（float（len） / 2.0））， 90.0 - theta， 0， 360，标量（255）， FILLED);

标量 summa = sum（h）;

输出Img = h / summa[0];

}

void fftshift（const Mat& inputImg， Mat& outputImg）

{

outputImg = 输入Img。克隆();

int cx = 输出Img。科尔斯 / 2;

int cy = outputImg。行数 / 2;

Mat q0（输出Img， Rect（0， 0， cx， cy））;

Mat q1（输出Img， Rect（cx， 0， cx， cy））;

Mat q2（输出Img， Rect（0， cy， cx， cy））;

Mat q3（输出Img， Rect（cx， cy， cx， cy））;

垫子 tmp;

问题0.复制To（tmp）;

q3.copyTo（q0）;

TMP的。copyTo（第三季度）;

q1.copyTo（tmp）;

q2.copyTo（q1）;

TMP的。复制到（q2）;

}

void filter2DFreq（const Mat& inputImg， Mat& outputImg， const Mat& H）

{

垫平面[2] = { Mat_（inputImg.clone（））， Mat：：zeros（inputImg.size（）， CV_32F) };

垫复合物I;

merge（平面，2，complexI）;

dft（complexI， complexI， DFT_SCALE);

Mat planesH[2] = { Mat_（H.clone（））， Mat：：zeros（H.size（）， CV_32F) };

垫复合物H;

merge（planesH， 2， complexH）;

垫复合物IH;

mulSpectrums（complexI， complexH， complexIH， 0）;

idft（complexIH， complexIH）;

split（complexIH，平面）;

outputImg = 平面[0];

}

void calcWnrFilter（const Mat&input_h_PSF， Mat&output_G， double nsr）

{

垫子h_PSF_shifted;

fftshift（input_h_PSF， h_PSF_shifted）;

垫平面[2] = { Mat_（h_PSF_shifted.clone（））， Mat：：zeros（h_PSF_shifted.size（）， CV_32F) };

垫复合物I;

merge（平面，2，complexI）;

dft（complexI， complexI）;

split（complexI，平面）;

垫子面额;

pow（abs（planes[0]）， 2， denom）;

denom += nsr;

除法（planes[0]， denom， output_G）;

}

void edgetaper（const Mat& inputImg， Mat& outputImg， double gamma， double beta）

{

intNx = 输入Img。科尔斯;

intNy = 输入 Img。行;

垫 w1（1， Nx， CV_32F，标量（0））;

垫 w2（Ny， 1， CV_32F，标量（0））;

浮点数* p1 = w1.ptr<浮点数>（0）;

浮点数* p2 = w2.ptr<浮点数>（0）;

float dx = float（2.0 * CV_PI / Nx）;

浮点数 x = 浮点数（-CV_PI）;

for （int i = 0; i < Nx; i++）

{

p1[i] = float（0.5 * （tanh（（x + gamma / 2） / beta） - tanh（（x - gamma / 2） / beta）））;

x += dx;

}

浮点数 dy = 浮点数（2.0 * CV_PI / Ny）;

float y = float（-CV_PI）;

for （int i = 0; i < Ny; i++）

{

p2[i] = float（0.5 * （tanh（（y + gamma / 2） / beta） - tanh（（y - gamma / 2） / beta）））;

y += 死亡;

}

垫子 w = w2 * w1;

乘法（inputImg， w， outputImg）;

}

解释

运动模糊图像恢复算法包括 PSF 生成、维纳滤波器生成和频域中的模糊图像滤波：

它只需要处理甚至图像

矩形 roi = Rect（0， 0， imgIn.cols & -2， imgIn.行 & -2）;

硬件计算（启动）

马特·赫（Mat Hw），h;

calcPSF（h， roi.size（）， LEN， THETA）;

calcWnrFilter（h， Hw， 1.0 / double（snr））;

硬件计算（停止）

imgIn。convertTo（imgIn， CV_32F);

边缘锥度（imgIn， imgIn）;

过滤（开始）

filter2DFreq（imgIn（roi）， imgOut， Hw）;

过滤（停止）

函数 calcPSF（）根据输入参数函数 calcPSF（）根据输入参数和（以度为单位）形成 PSF：和（以度为单位）形成 PSF：LENTHET一个

void calcPSF（Mat& outputImg， Size filterSize， int len， double theta）

{

垫 h（filterSize， CV_32F， Scalar（0））;

点点（filterSize.width / 2， filterSize.height / 2）;

ellipse（h， point， Size（0， cvRound（float（len） / 2.0））， 90.0 - theta， 0， 360，标量（255）， FILLED);

标量 summa = sum（h）;

输出Img = h / summa[0];

}

函数 edgetaper（）使输入图像的边缘变细，以减少恢复图像中的振铃效应：

void edgetaper（const Mat& inputImg， Mat& outputImg， double gamma， double beta）

{

intNx = 输入Img.cols;

intNy = 输入Img.rows;

垫 w1（1， Nx， CV_32F，标量（0））;

垫 w2（Ny， 1， CV_32F，标量（0））;

浮点数* p1 = w1.ptr<浮点数>（0）;

浮点数* p2 = w2.ptr<浮点数>（0）;

float dx = float（2.0 * CV_PI / Nx）;

浮点数 x = 浮点数（-CV_PI）;

for （int i = 0; i < Nx; i++）

{

p1[i] = float（0.5 * （tanh（（x + gamma / 2） / beta） - tanh（（x - gamma / 2） / beta）））;

x += dx;

}

浮点数 dy = 浮点数（2.0 * CV_PI / Ny）;

float y = float（-CV_PI）;

for （int i = 0; i < Ny; i++）

{

p2[i] = float（0.5 * （tanh（（y + gamma / 2） / beta） - tanh（（y - gamma / 2） / beta）））;

y += 死亡;

}

垫子 w = w2 * w1;

乘法（inputImg， w， outputImg）;

}

函数 calcWnrFilter（）、fftshift（）和 filter2DFreq（）在频域中通过指定的 PSF 实现图像过滤。这些功能是从教程 Out-of-focus Deblur Filter 中复制的。

结果

在下面，您可以看到具有运动模糊失真的真实世界图像。两辆车的车牌都不可读。红色标记显示汽车的车牌位置。

运动模糊图像。车牌不可读

下面您可以看到黑色车牌的恢复结果。结果是在下面您可以看到黑色车牌的恢复结果。结果的计算公式为 = 125， = 0， = 700。 = 125、 = 0、 = 700 的情况下计算得出的。LENTHET一个SNR

黑色车牌的修复图像

下面您可以看到白色车牌的恢复结果。结果是在下面您可以看到白色车牌的恢复结果。结果的计算公式为 = 78， = 15， = 300。 = 78、 = 15、 = 300 的情况下计算得出的。LENTHET一个SNR

白色车牌的恢复图像

手动选择和的值以提供最佳视觉效果。该参数与汽车的移动方向一致，该参数取决于汽车的移动速度。结果并不完美，但至少它给了我们图像内容的提示。经过一番努力，车牌现在可以读取了。、和的值是手动选择的，以提供最佳的视觉效果。参数与汽车的行驶方向一致，参数取决于汽车的行驶速度。结果并不完美，但至少它给了我们图像内容的提示。经过一番努力，车牌现在可以读取了。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

在这里插入图片描述