小編給大家分享一下怎么使用python實現(xiàn)逆濾波與維納濾波示例,相信大部分人都還不怎么了解,因此分享這篇文章給大家參考一下,希望大家閱讀完這篇文章后大有收獲,下面讓我們一起去了解一下吧!
目前創(chuàng)新互聯(lián)已為超過千家的企業(yè)提供了網(wǎng)站建設(shè)、域名、網(wǎng)絡(luò)空間、網(wǎng)站托管、企業(yè)網(wǎng)站設(shè)計、留壩網(wǎng)站維護等服務(wù),公司將堅持客戶導(dǎo)向、應(yīng)用為本的策略,正道將秉承"和諧、參與、激情"的文化,與客戶和合作伙伴齊心協(xié)力一起成長,共同發(fā)展。構(gòu)建運動模糊模型
現(xiàn)假定相機不動,圖像f(x,y)在圖像面上移動并且圖像f(x,y)除移動外不隨時間變化。令x0(t)和y0(t)分別代表位移的x分量和y分量,那么在快門開啟的時間T內(nèi),膠片上某點的總曝光量是圖像在移動過程中一系列相應(yīng)像素的亮度對該點作用之總和。也就是說,運動模糊圖像是由同一圖像在產(chǎn)生距離延遲后與原圖像想疊加而成。如果快門開啟與關(guān)閉的時間忽略不計,則有:
由于各種運動都是勻速直線運動的疊加,因而我們只需考慮勻速直線運動即可。但由于我們自身水平有限,且旨在探討找到實現(xiàn)運動模糊復(fù)原方法的思想與方向,因而我們未能自行構(gòu)建模型,而是借鑒了參考文獻[1]中建立的運動模糊模型。關(guān)于本模型的理論依據(jù)參見參考文獻[1].
下面我們描述一下該模型函數(shù)motion_process(image_size,motion_angle),它包含兩個參數(shù):圖像的尺寸大小image_size以及運動的角度motion_angle。
例如,當(dāng)運動位移為9、運動角度為45度時,則該模型函數(shù)的構(gòu)建過程如下:
1. 首先是創(chuàng)建與圖像同等大小的全0矩陣,然后找到全0矩陣的中心行數(shù)center_position,再計算出運動角度的tan值與cot值,算出運動的偏移量offset。
2. PSF[int(center_position+offset),int(center_position-offset)]=1
3. PSF[int(center_position-offset),int(center_position+offset)]=1
則該模型對應(yīng)的圖像如下圖所示:
運動位移為9,運動角度分別為45°、30°、60°時,運動模糊模型對應(yīng)的圖像
import matplotlib.pyplot as graph import numpy as np from numpy import fft import math import cv2 # 仿真運動模糊 def motion_process(image_size,motion_angle): PSF = np.zeros(image_size) print(image_size) center_position=(image_size[0]-1)/2 print(center_position) slope_tan=math.tan(motion_angle*math.pi/180) slope_cot=1/slope_tan if slope_tan<=1: for i in range(15): offset=round(i*slope_tan) #((center_position-i)*slope_tan) PSF[int(center_position+offset),int(center_position-offset)]=1 return PSF / PSF.sum() #對點擴散函數(shù)進行歸一化亮度 else: for i in range(15): offset=round(i*slope_cot) PSF[int(center_position-offset),int(center_position+offset)]=1 return PSF / PSF.sum() #對圖片進行運動模糊 def make_blurred(input, PSF, eps): input_fft = fft.fft2(input)# 進行二維數(shù)組的傅里葉變換 PSF_fft = fft.fft2(PSF)+ eps blurred = fft.ifft2(input_fft * PSF_fft) blurred = np.abs(fft.fftshift(blurred)) return blurred def inverse(input, PSF, eps): # 逆濾波 input_fft = fft.fft2(input) PSF_fft = fft.fft2(PSF) + eps #噪聲功率,這是已知的,考慮epsilon result = fft.ifft2(input_fft / PSF_fft) #計算F(u,v)的傅里葉反變換 result = np.abs(fft.fftshift(result)) return result def wiener(input,PSF,eps,K=0.01): #維納濾波,K=0.01 input_fft=fft.fft2(input) PSF_fft=fft.fft2(PSF) +eps PSF_fft_1=np.conj(PSF_fft) /(np.abs(PSF_fft)**2 + K) result=fft.ifft2(input_fft * PSF_fft_1) result=np.abs(fft.fftshift(result)) return result image = cv2.imread('you.jpg') image = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY) img_h=image.shape[0] img_w=image.shape[1] graph.figure(1) graph.xlabel("Original Image") graph.gray() graph.imshow(image) #顯示原圖像 graph.figure(2) graph.gray() #進行運動模糊處理 PSF = motion_process((img_h,img_w), 60) blurred = np.abs(make_blurred(image, PSF, 1e-3)) graph.subplot(231) graph.xlabel("Motion blurred") graph.imshow(blurred) result = inverse(blurred, PSF, 1e-3) #逆濾波 graph.subplot(232) graph.xlabel("inverse deblurred") graph.imshow(result) result=wiener(blurred,PSF,1e-3) #維納濾波 graph.subplot(233) graph.xlabel("wiener deblurred(k=0.01)") graph.imshow(result) blurred_noisy=blurred + 0.1 * blurred.std() * \ np.random.standard_normal(blurred.shape) #添加噪聲,standard_normal產(chǎn)生隨機的函數(shù) graph.subplot(234) graph.xlabel("motion & noisy blurred") graph.imshow(blurred_noisy) #顯示添加噪聲且運動模糊的圖像 result = inverse(blurred_noisy, PSF, 0.1+1e-3) #對添加噪聲的圖像進行逆濾波 graph.subplot(235) graph.xlabel("inverse deblurred") graph.imshow(result) result=wiener(blurred_noisy,PSF,0.1+1e-3) #對添加噪聲的圖像進行維納濾波 graph.subplot(236) graph.xlabel("wiener deblurred(k=0.01)") graph.imshow(result) graph.show()
以上是“怎么使用python實現(xiàn)逆濾波與維納濾波示例”這篇文章的所有內(nèi)容,感謝各位的閱讀!相信大家都有了一定的了解,希望分享的內(nèi)容對大家有所幫助,如果還想學(xué)習(xí)更多知識,歡迎關(guān)注創(chuàng)新互聯(lián)成都網(wǎng)站設(shè)計公司行業(yè)資訊頻道!
另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)scvps.cn,海內(nèi)外云服務(wù)器15元起步,三天無理由+7*72小時售后在線,公司持有idc許可證,提供“云服務(wù)器、裸金屬服務(wù)器、高防服務(wù)器、香港服務(wù)器、美國服務(wù)器、虛擬主機、免備案服務(wù)器”等云主機租用服務(wù)以及企業(yè)上云的綜合解決方案,具有“安全穩(wěn)定、簡單易用、服務(wù)可用性高、性價比高”等特點與優(yōu)勢,專為企業(yè)上云打造定制,能夠滿足用戶豐富、多元化的應(yīng)用場景需求。