图像逆滤波

1. 概述

图像的退化是一个很常见的现象，现实中，很可能因为成像系统的缺陷，或者一些认为的干扰导致图像退化。对于退化，可以用如下模型表示：

空域：

频域：

其中h/H表示退化模型，而/N表示噪声。

如果我们知道退化模型的化，对现有的图像做一次逆操作，就可以复原出原始的图像。即：

空域：(这里的/表示卷积的逆操作，因为不知道用什么表示，暂时用这个表示)

频域：

先看空域的表达，卷积的操作的逆操作根本无法想象到底是个什么东西。而在频域，则变成了求商。在空域求卷积和在频域求积是一样的，因此在这里，我们可以在频域做逆滤波的操作。

再观察频域的表达式，我们也可以得到一些信息：(1) 因为不可知，即使知道了图像的退化模型，也不能完全的复原出图像。(2) 在退化函数很小的时候，会被忽略掉。

 

 

2. 图像的运动模糊

运动模糊是由于相对运动引入的模糊，那么其退化模型就是相对运动。在本节，我们给图像模拟运动模糊。步骤如下：

1. 获取空域点扩散模型，在这里，我们用空域的退化模型去得到频域的退化模型。

2. 获取源图像的傅里叶变换和点扩散模型的傅里叶变换，将其相乘，再做傅里叶反变换，得到模糊后的图像。

代码如下：

def get_motion_dsf(image_size, motion_angle, motion_dis):
    """
    获取运动模糊的点扩散函数模板
    :param image_size: 图像的大小
    :param motion_angle: 运动的角度，单位为度，正常直角坐标系方向
    :param motion_dis: 运动的距离，以像素点为单位
    :return: numpy.ndarray
    """
    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 = math.cos(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 PSF / PSF.sum()    # 归一化


def motion_blurred(img, psf, eps):
    """
    :param input: 输入图像
    :param PSF: 点扩散模板
    :param eps: 噪声功率
    :return:
    """
    img_fft = np.fft.fft2(img)
    psf_fft = np.fft.fft2(psf) + eps
    blurred_img = np.fft.ifft2(img_fft * psf_fft)
    blurred_img = np.abs(np.fft.fftshift(blurred))
    return blurred_img



def motion_test(img):
    PSF = get_motion_dsf(img.shape, 45, 50) # 相对运动的卷积模板
    blurred_img = motion_blurred(img, PSF, 1e-3)

 

3. 运动模糊图像的逆滤波

综上，我们对有运动模糊的图像在频域做除，就可以复原图像，代码如下：

def inverse_filter(img, psf, eps):
    """
    对输入图像进行逆滤波
    :param img: 输入图像
    :param psf: 点扩散模型
    :param eps: 噪声功率
    :return: 逆滤波结果
    """
    img_fft = np.fft.fft2(img)
    psf_fft = np.fft.fft2(psf) + eps
    result = np.fft.ifft2(img_fft / psf_fft)
    result = np.abs(np.fft.fftshift(result))
    return result


def motion_test(img):
    PSF = get_motion_dsf(img.shape, 45, 50) # 相对运动的卷积模板
    blurred_img = motion_blurred(img, PSF, 1e-3)
    back_img = inverse_filter(blurred_img, PSF, 1e-3)

    mp = my_plt(1, 3)
    mp.imshow('motion blur', blurred)

    dst = np.zeros(PSF.shape)
    norm_psf = cv2.normalize(PSF, dst, 1.0, 0.0, cv2.NORM_MINMAX)
    mp.imshow('psf', (norm_psf*255).astype(np.uint8))
    mp.imshow('back img', back_img)

    mp.show()

 

运行结果如下：

其中motion blur为模拟运动模糊之后的结果；psf为点扩散模型，图中为45度的运动的话，图像为一个从中心开始从45度走的线；back img为motion blur逆滤波的结果。