Wiener 滤波器对图像进行去模糊

文章目录

什么是图像去模糊？

图像去模糊是一种图像处理技术，旨在恢复模糊或失真的图像的清晰度。在许多情况下，图像可能因为摄像机或手持设备的移动而变得模糊，这可能会影响到图像的质量和可读性。图像去模糊技术可以通过对图像进行复原或恢复来消除模糊效应，从而提高图像的质量和可读性。

图像去模糊的方法

图像去模糊可以通过多种方法实现，其中一些常用的方法包括：

统计方法：包括 Wiener 滤波器、L0 梯度最小化等。
傅里叶变换方法：包括逆滤波器、维纳滤波器等。
非盲方法：包括 Lucy-Richardson 算法、基于约束的最小二乘方法等。
基于CNN、GAN、深度学习的方法。

在本教程中，我们将采用 Wiener 滤波器作为例子，介绍如何使用 Python 和 OpenCV 对图像进行去模糊处理。

准备工作

在开始之前，您需要安装 Python 和 OpenCV，并且需要准备一张模糊的图像，以供测试使用。您可以在网上搜索并下载一张模糊的图像，或者使用以下代码生成一张模糊的图像：

import cv2
import numpy as np

# 生成模糊的图像
image = np.zeros((512, 512), dtype=np.uint8)  # 创建一个 512x512 的黑色图像
cv2.circle(image, (256, 256), 100, 255, -1)  # 在图像中心生成一个半径为 100 的白色圆形
kernel = np.ones((5, 5), np.float32) / 25  # 创建一个 5x5 的均值滤波器
image = cv2.filter2D(image, -1, kernel)  # 对图像进行均值滤波
cv2.imwrite("blurry_image.jpg", image)  # 保存模糊的图像

这个代码会生成一张半径为100的圆形区域，然后使用一个 5x5 的均值滤波器对图像进行模糊处理，并保存为文件 “blurry_image.jpg”。

在这里插入图片描述
也可以直接模糊自己的图片，代码如下。也可以手动调均值滤波器的大小，从而改变图片的模糊程度。

import cv2
import numpy as np

# 生成模糊的图像
# image = np.zeros((512, 512), dtype=np.uint8)  # 创建一个 512x512 的黑色图像
image = cv2.imread('img.png')
# cv2.circle(image, (256, 256), 100, 255, -1)  # 在图像中心生成一个半径为 100 的白色圆形
kernel = np.ones((5, 5), np.float32) / 25  # 创建一个 5x5 的均值滤波器
image = cv2.filter2D(image, -1, kernel)  # 对图像进行均值滤波
cv2.imwrite("blurry_image.jpg", image)  # 保存模糊的图像

生成的模糊对比图如下：
在这里插入图片描述

图像去模糊的步骤

下面是使用 Wiener 滤波器对图像进行去模糊的步骤：

加载模糊的图像。

import cv2

# 加载模糊的图像
blurry_image = cv2.imread("blurry_image.jpg", 0)

计算 Wiener 滤波器的卷积核。

import numpy as np
from numpy.fft import fft2, ifft2

# 计算噪声功率谱
noise_power = 0.01
noise_image = np.random.randn(*blurry_image.shape) * np.sqrt(noise_power)
noise_spectrum = fft2(noise_image)

# 计算图像功率谱
image_spectrum = fft2(blurry_image)

# 计算复原滤波器
kernel = noise_spectrum / (image_spectrum + noise_spectrum)
kernel = np.real(ifft2(kernel))
kernel = np.fft.fftshift(kernel)

在这个代码中，我们首先生成一个随机噪声图像，并计算其功率谱。然后，我们计算模糊图像的功率谱，并使用它来计算复原滤波器的卷积核。这个卷积核可以用于对模糊图像进行去模糊处理。

对模糊的图像进行去模糊处理。

# 对模糊的图像进行去模糊处理
restored_image = cv2.filter2D(blurry_image, -1, kernel)

在这个代码中，我们使用 cv2.filter2D 函数对模糊的图像进行去模糊处理，其中卷积核使用上一步计算的复原滤波器。

显示原始图像和去模糊处理后的图像。

import matplotlib.pyplot as plt

# 显示原始图像和去模糊处理后的图像
plt.subplot(1, 2, 1)
plt.imshow(blurry_image, cmap="gray")
plt.title("Blurry Image")
plt.subplot(1, 2, 2)
plt.imshow(restored_image, cmap="gray")
plt.title("Restored Image")
plt.show()

在这个代码中，我们使用 matplotlib.pyplot 库显示原始图像和去模糊处理后的图像。

完整代码

下面是完整的 Python 代码，用于对图像进行去模糊处理：

import cv2
import numpy as np
from numpy.fft import fft2, ifft2
import matplotlib.pyplot as plt

# 加载模糊的图像
blurry_image = cv2.imread("blurry_image.jpg", 0)

# 计算噪声功率谱
noise_power = 0.01  # 噪声功率
noise_image = np.random.randn(*blurry_image.shape) * np.sqrt(noise_power)  # 生成随机噪声图像
noise_spectrum = fft2(noise_image)  # 计算噪声功率谱

# 计算图像功率谱
image_spectrum = fft2(blurry_image)  # 计算模糊图像的功率谱

# 计算复原滤波器
kernel = noise_spectrum / (image_spectrum + noise_spectrum)  # 计算复原滤波器
kernel = np.real(ifft2(kernel))  # 将复原滤波器从频域转换到空域
kernel = np.fft.fftshift(kernel)  # 对滤波器进行中心化

# 对模糊的图像进行去模糊处理
restored_image = cv2.filter2D(blurry_image, -1, kernel)  # 使用复原滤波器对模糊图像进行去模糊处理

# 显示原始图像和去模糊处理后的图像
plt.subplot(1, 2, 1)
plt.imshow(blurry_image, cmap="gray")
plt.title("Blurry Image")
plt.subplot(1, 2, 2)
plt.imshow(restored_image, cmap="gray")
plt.title("Restored Image")
plt.show()

在这里插入图片描述

结论

在本教程中，我们介绍了如何使用 Python 和 OpenCV 对图像进行去模糊处理。我们使用 Wiener 滤波器作为例子，介绍了图像去模糊的基本步骤。您可以使用这个教程作为入门指南，进一步了解图像去模糊技术并探索更多方法和技术。