盲反卷积与维纳滤波图像复原的对比

clc;
clf;
clear;
close all;
%% 维纳滤波图像复原


% 1.使用函数fspecial创建退化滤波器PSF,然后调用imfilter对图像进行卷积运算,就可以
% 得到一幅运动退化图像,观察并记录结果。


I=imread('cameraman.tif');      % 读入图像
LEN=31;
THETA=11;
PSF=fspecial('motion',LEN,THETA);     % 生成退化函数
blurred=imfilter(I,PSF, 'circular','conv');
figure,imshow(I);title('1.原图像');
figure,imshow(blurred);title('2.运动退化图像');


% 2.使用imnoise函数对图像添加随机噪声,观察并记录结果。
fnblurred =imnoise(blurred, 'gaussian',0,0.0001);       % 产生高斯随机噪声图像
figure, imshow(fnblurred);title('3.加噪之后');


% 3.使用函数deconvwnr对无噪声的运动模糊图像进行复原,观察并记录结果。同时采用不同的
% LEN和THETA参数,进行实验,体会一下退化函数PSF的重要性,观察并记录结果。
LEN=31;
THETA=11;
PSF=fspecial('motion',LEN,THET
  • 1
    点赞
  • 22
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
维纳滤波是一种用于图像复原的经典方法,它可以抑制图像中的噪声并恢复被模糊的细节。下面是用Python进行维纳滤波图像复原的基本步骤: 1. 导入所需的库: ```python import cv2 import numpy as np from matplotlib import pyplot as plt ``` 2. 读取模糊图像: ```python img_blur = cv2.imread('blurred_img.jpg', 0) # 以灰度图像方式读取模糊图像 ``` 3. 定义维纳滤波函数: ```python def wiener_filter(img_blur, kernel, K): kernel /= np.sum(kernel) # 归一化卷积核 f_img_blur = np.fft.fft2(img_blur) # 对模糊图像进行傅里叶变换 f_kernel = np.fft.fft2(kernel, s=img_blur.shape) # 对卷积核进行傅里叶变换,并尺寸与模糊图像相同 f_img_deblur = np.divide(f_img_blur, f_kernel + K) # 维纳滤波公式的频域表示 img_deblur = np.fft.ifft2(f_img_deblur) # 对滤波结果进行反傅里叶变换 img_deblur = np.abs(img_deblur).astype(np.uint8) # 取绝对值并转为无符号整型 return img_deblur ``` 4. 创建维纳滤波所需的卷积核: ```python kernel_size = 15 # 卷积核大小 sigma = 2 # 卷积核标准差 kernel = cv2.getGaussianKernel(kernel_size, sigma) # 创建高斯卷积核 ``` 5. 调用维纳滤波函数进行图像复原: ```python K = 0.01 # 维纳滤波的正则化参数 img_deblur = wiener_filter(img_blur, kernel, K) # 调用维纳滤波函数进行图像复原 ``` 6. 显示原始模糊图像和复原图像: ```python plt.subplot(1, 2, 1) plt.imshow(img_blur, cmap='gray') plt.title('Blurred Image') plt.xticks([]), plt.yticks([]) plt.subplot(1, 2, 2) plt.imshow(img_deblur, cmap='gray') plt.title('Deblurred Image') plt.xticks([]), plt.yticks([]) plt.show() ``` 这就是使用Python进行维纳滤波图像复原的基本步骤。你可以根据具体需求调整参数和优化算法,以获得更好的复原效果。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值