opencv multiply_OpenCV实现移动图象反模糊

点击上方↑↑↑“OpenCV学堂”关注我

详解OpenVINO道路分割模型使用！

觉得不错，请点【在看】支持！

基本原理

前面发过一篇文章，讲的是如何在频域空间实现图像的离焦模糊恢复，感觉大家很感兴趣，就再来一篇，同样来自OpenCV的官方教程翻译，讲述如何通过OpenCV实现移动对象反模糊，实现特定对象的恢复，先看效果：

其基本原理跟离焦模糊恢复非常相似，唯一不同的是对PSF的选择，对于离焦模糊恢复，使用圆形的PSF，对于移动模糊，我们需要选择线性PSF

其参数由两个因子决定，分别是长度LEN与移动方向THETA，加上之前的SNR(信噪比)三个参数决定了移动反模糊的效果。

代码实现

基于OpenCV4实现代码演示如下：

#include 
#include 
using namespace cv;
using namespace std;

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);
int adjust_len = 10;
void adjust_filter(int, void*);
double THETA = 15;
int snr = 500;

Mat src = imread("D:/images/text_motion.jpg", IMREAD_GRAYSCALE);
int main(int argc, char *argv[]){
    if (src.empty()) 
    {
        printf("ERROR : Image cannot be loaded..!!");
        return -1;
    }
    imshow("input", src);
    namedWindow("result", WINDOW_AUTOSIZE);
    createTrackbar("Adjust R:", "result", &adjust_len, 50, adjust_filter);

    Mat imgOut;
    Rect roi = Rect(0, 0, src.cols & -2, src.rows & -2);
    Mat Hw, h;
    calcPSF(h, roi.size(), adjust_len, THETA);
    calcWnrFilter(h, Hw, 1.0 / double(snr));
    //Hw calculation (stop)
    src.convertTo(src, CV_32F);
    edgetaper(src, src);
    // filtering (start)
    filter2DFreq(src(roi), imgOut, Hw);
    // filtering (stop)
    imgOut.convertTo(imgOut, CV_8U);
    normalize(imgOut, imgOut, 0, 255, NORM_MINMAX);
    imwrite("D:/motion_deblur_result.jpg", imgOut);
    imshow("result", imgOut);
    waitKey(0);
    return 0;
}

void adjust_filter(int, void*) {
    Mat imgOut;
    Rect roi = Rect(0, 0, src.cols & -2, src.rows & -2);
    Mat Hw, h;
    calcPSF(h, roi.size(), adjust_len, THETA);
    calcWnrFilter(h, Hw, 1.0 / double(snr));
    //Hw calculation (stop)
    src.convertTo(src, CV_32F);
    edgetaper(src, src);
    // filtering (start)
    filter2DFreq(src(roi), imgOut, Hw);
    // filtering (stop)
    imgOut.convertTo(imgOut, CV_8U);
    normalize(imgOut, imgOut, 0, 255, NORM_MINMAX);
    imwrite("D:/motion_deblur_result.jpg", imgOut);
    imshow("result", imgOut);
}

void calcPSF(Mat& outputImg, Size filterSize, int len, double theta){
    Mat h(filterSize, CV_32F, Scalar(0));
    Point point(filterSize.width / 2, filterSize.height / 2);
    ellipse(h, point, Size(0, cvRound(float(len) / 2.0)), 90.0 - theta, 0, 360, Scalar(255), FILLED);
    Scalar summa = sum(h);
    outputImg = h / summa[0];
}
void fftshift(const Mat& inputImg, Mat& outputImg){
    outputImg = inputImg.clone();
    int cx = outputImg.cols / 2;
    int cy = outputImg.rows / 2;
    Mat q0(outputImg, Rect(0, 0, cx, cy));
    Mat q1(outputImg, Rect(cx, 0, cx, cy));
    Mat q2(outputImg, Rect(0, cy, cx, cy));
    Mat q3(outputImg, Rect(cx, cy, cx, cy));
    Mat tmp;
    q0.copyTo(tmp);
    q3.copyTo(q0);
    tmp.copyTo(q3);
    q1.copyTo(tmp);
    q2.copyTo(q1);
    tmp.copyTo(q2);
}
void filter2DFreq(const Mat& inputImg, Mat& outputImg, const Mat& H){
    Mat planes[2] = { Mat_<float>(inputImg.clone()), Mat::zeros(inputImg.size(), CV_32F) };
    Mat complexI;
    merge(planes, 2, complexI);
    dft(complexI, complexI, DFT_SCALE);
    Mat planesH[2] = { Mat_<float>(H.clone()), Mat::zeros(H.size(), CV_32F) };
    Mat complexH;
    merge(planesH, 2, complexH);
    Mat complexIH;
    mulSpectrums(complexI, complexH, complexIH, 0);
    idft(complexIH, complexIH);
    split(complexIH, planes);
    outputImg = planes[0];
}
void calcWnrFilter(const Mat& input_h_PSF, Mat& output_G, double nsr){
    Mat h_PSF_shifted;
    fftshift(input_h_PSF, h_PSF_shifted);
    Mat planes[2] = { Mat_<float>(h_PSF_shifted.clone()), Mat::zeros(h_PSF_shifted.size(), CV_32F) };
    Mat complexI;
    merge(planes, 2, complexI);
    dft(complexI, complexI);
    split(complexI, planes);
    Mat denom;
    pow(abs(planes[0]), 2, denom);
    denom += nsr;
    divide(planes[0], denom, output_G);
}
void edgetaper(const Mat& inputImg, Mat& outputImg, double gamma, double beta){
    int Nx = inputImg.cols;
    int Ny = inputImg.rows;
    Mat w1(1, Nx, CV_32F, Scalar(0));
    Mat w2(Ny, 1, CV_32F, Scalar(0));
    float* p1 = w1.ptr<float>(0);
    float* p2 = w2.ptr<float>(0);
    float dx = float(2.0 * CV_PI / Nx);
    float x = float(-CV_PI);
    for (int i = 0; i     {
        p1[i] = float(0.5 * (tanh((x + gamma / 2) / beta) - tanh((x - gamma / 2) / beta)));
        x += dx;
    }
    float dy = float(2.0 * CV_PI / Ny);
    float y = float(-CV_PI);
    for (int i = 0; i     {
        p2[i] = float(0.5 * (tanh((y + gamma / 2) / beta) - tanh((y - gamma / 2) / beta)));
        y += dy;
    }
    Mat w = w2 * w1;
    multiply(inputImg, w, outputImg);
}

缺点

调节那三个参数是技术活，必须有耐心，必须搞个进度条慢慢拉，这个算法最大的问题是无法对参数做到自适应，是不是应该考虑其它的方法拉！

参数不对，效果简直是惨不忍睹~~~~

往期精选

• OpenCV实现失焦模糊图像恢复

• OpenCV中保存不同深度图像的技巧

• 二值图像分析案例精选

竹密不妨流水过，山高不碍白云飞

扫码加入OpenCV研习社

系统化学习OpenCV4，解锁更多技能！