为了对模糊图像进行去模糊,寻找不同方法进行测试,首先想到先验图像是否有用。
图像先验一般是直接通过自然图像经过一系列处理,本身可以获得区别于其他图像的特有信息。
本文输入图像为RGB自然图像,先验图包括灰度图,暗通道图和梯度图。
1.灰度图
将RGB图变成灰度图是减小通道之间信息量。
2.暗通道
输入图像需要的是RGB图像,输出为同道中最小值,之后使用卷积取得最小值填充。
3.梯度图
梯度简单来说就是求导,使用opencv函数实现,opencv提供了3种不同的梯度滤波器,分别为Sobel,Scharr 和 Laplacian。Scharr 是求一阶或二阶导数。 Scharr 是对 Sobel(使用小的卷积核求解求解梯度角度时)的优化,而 Laplacian 是求二阶导数。
Scharr结果
Sobel结果
我也不知道对于深度学习来说哪一种梯度图好,先试试。
4.亮通道图
仿照暗通道图运行了一个亮通道图。
总结
以上4个图是根据原始彩色图像得到先验信息图像,可以作为网络的分支进行输入获得另外信息。
代码:
#-*-encoding:utf-8-*-
"""
# function/功能 :
# @File : 图像先验图.py
# @Time : 2020/9/29 10:39
# @Author : kf
# @Software: PyCharm
"""
from matplotlib import pyplot as plt
import cv2
import numpy as np
from PIL import Image
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号
# 得到梯度图
def GradChannel(im):
image = np.array(im)
if image.ndim==3:
image=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
grad_x = cv2.Sobel(image, cv2.CV_32F, 1, 0, ksize=3) # 对x求一阶导
grad_y = cv2.Sobel(image, cv2.CV_32F, 0, 1, ksize=3) # 对y求一阶导
# grad_x = cv2.Scharr(image, cv2.CV_32F, 1, 0) # 对x求一阶导
# grad_y = cv2.Scharr(image, cv2.CV_32F, 0, 1) # 对y求一阶导
gradx = cv2.convertScaleAbs(grad_x) # 用convertScaleAbs()函数将其转回原来的uint8形式
grady = cv2.convertScaleAbs(grad_y)
gradxy = cv2.addWeighted(gradx, 0.5, grady, 0.5, 0) # 图片融合
return gradxy
# 得到暗通道图
def DarkChannel(im, sz=15):
im = np.array(im)
b, g, r = cv2.split(im)
dc = cv2.min(cv2.min(r, g), b)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (sz, sz))
dark = cv2.erode(dc, kernel)
return dark
# 得到暗通道图
def LightChannel(im, sz=15):
im = np.array(im)
b, g, r = cv2.split(im)
dc = cv2.max(cv2.max(r, g), b)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (sz, sz))
dark = cv2.erode(dc, kernel)
return dark
image_path1 = '../images/blur/000047.png'
imageSrc=Image.open(image_path1).convert('RGB')
plt.figure();plt.imshow(imageSrc)
darkImage=DarkChannel(imageSrc)
plt.figure();plt.imshow(darkImage,cmap='gray')
lightImage=LightChannel(imageSrc)
plt.figure();plt.imshow(lightImage,cmap='gray')
# 得到灰度图
imageSrcL=imageSrc.convert('L')
plt.figure();plt.imshow(imageSrcL,cmap='gray')
gradxy=GradChannel(imageSrcL)
plt.figure();plt.imshow(gradxy,cmap='gray')
plt.show()