【CV】图像去模糊（逆滤波）

最新推荐文章于 2024-07-28 09:03:10 发布

飞翔的鲲

最新推荐文章于 2024-07-28 09:03:10 发布

阅读量1.8k

点赞数 2

分类专栏：【图像处理入门和进阶教程】【机器视觉入门和进阶教程】文章标签：去模糊逆滤波图像算法

【图像处理入门和进阶教程】同时被 2 个专栏收录

91 篇文章 154 订阅 ¥59.90 ¥99.00

订阅专栏

【机器视觉入门和进阶教程】

58 篇文章 62 订阅 ¥39.90 ¥99.00

订阅专栏

超级会员免费看

本文探讨了图像去模糊中逆滤波的方法，包括物理模型和频率域表示。通过实例展示了逆滤波对运动模糊图像的处理，同时指出逆滤波对噪声的敏感性，如果噪声分布未知，恢复效果不佳。然而，当噪声已知时，逆滤波能有效恢复图像信息。文章还提及后续将介绍更先进的图像复原技术。

摘要由CSDN通过智能技术生成

###Date: 2018.5.8

================================================

转载自：https://blog.csdn.net/bluecol/article/details/47357717

引言

图像模糊是一种拍摄常见的现象，我曾在图像去模糊（维纳滤波）介绍过。这里不再详述，只给出物理模型，这里我们仍在频率域表示

G (u, v) = H (u, v) F (u, v) + N (u, v) (1)

其中提到最简单的复原方法是直接做逆滤波（Inverse filter）。

F^(u, v) = G ( u , v ) H ( u , v ) (2)

该除法是阵列操作，即按位除。
在含有噪声情况下，将(1)式两端除以 H(u,v) H(u,v)

F^(u, v) = F (u, v) + N ( u , v ) H ( u , v ) (3)

这里 N(u,v) N(u,v) 未知，式子表明，即使知道退化函数也不能准备复原图像。还有当退化函数 H(u,v) H(u,v) 是零或者非常小的值，则 N(u,v)H(u,v) N(u,v)H(u,v) 很容易支配整个式子。
下面我将用代码说明一下逆滤波，这里我采用直接编码形式。对了，前面我提到过，当噪声信息比 NSR 等于0时，此时维娜滤波等同于逆滤波。因此可以直接使用matlab自带deconvwnr函数，将第三个参数 NSR 设置成0即可，省事的同学可以试一下。

代码

close all;
clear all;
clc;
% Display the original image.
I = im2double(imread('lena.jpg'));
[hei,wid,~] = size(I);
subplot(2,3,1),imshow(I);
title('Original Image (courtesy of MIT)');


% Simulate a motion blur.
LEN = 21;
THETA = 11;
PSF = fspecial('motion', LEN, THETA);
blurred = imfilter(I, PSF, 'conv', 'circular');
subplot(2,3,2), imshow(blurred); title('Blurred Image');

% Inverse filter
If = fft2(blurred);
Pf = fft2(PSF,hei,wid);
deblurred = ifft2(If./Pf);
subplot(2,3,3), imshow(deblurred); title('Restore Image')

% Simulate additive noise.
noise_mean = 0;
noise_var = 0.0001;
blurred_noisy = imnoise(blurred, 'gaussian', ...
                        noise_mean, noise_var);
subplot(2,3,4), imshow(blurred_noisy)
title('Simulate Blur and Noise')

% Try restoration assuming no noise.
If = fft2(blurred_noisy);
deblurred2 = ifft2(If./Pf);
subplot(2,3,5), imshow(deblurred2)
title('Restoration of Blurred Assuming No Noise');

% Try restoration with noise is known.
noisy = blurred_noisy - blurred;
Nf = fft2(noisy);
deblurred2 = ifft2(If./Pf - Nf./Pf);
subplot(2,3,6), imshow(deblurred2)
title('Restoration of Blurred with Noise Is Known')
 
 1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43

这里使用了经典的lena图是灰度图像，分别对图像进行运动模糊，逆滤波，运动模糊+高斯噪声，假定噪声未知直接逆滤波，噪声已知逆滤波。

效果

result

说明

逆滤波对噪声非常敏感，除非我们知道噪声的分布情况（事实上，这也很难知道），逆滤波几乎不可用，可以从二排中间看出，恢复图像效果极差。但若知道噪声分布，也是可以完全复原信息的。可以从二排最后一张图可以看出。写作本文的目的也仅是在数学角度上对图像模糊现象进行分析，后续会介绍更加有效的图像复原方法，敬请关注。