图像先验图

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()