智能图像处理：Python和OpenCV实现第七章 图像退化和复原.pptx

第七章;;何为图像退化和复原;7.1 图像退化和复原机理;?;图像复原的步骤：;7.2 图像的运动模糊;实现运动模糊的模型函数为motion_process(image_size,motion_angle)，它包含两个参数：图像的尺寸大小image_size以及运动的角度motion_angle。当运动位移为degree、运动角度为angle度时，则该模型函数的构建过程如下： 首先是创建与图像同等大小的全0矩阵，然后找到全0矩阵的中心行数center_position，再计算出运动角度的正切（tan）值与余切（cot）值，算出运动的偏移量offset。 再令α ≤ 45°时， PSF[int(center_position+offset), int(center_position-offset)]=1 α45°时， PSF[int(center_position-offset), int(center_position+offset)]=1 其中PSF为点扩散函数。 ;【例7.1】根据运动模糊的模型函数生成任意角度的运动模糊图像。程序代码如下：;程序运行结果如图7-1所示;【例7.2】根据运动模糊核（kernel）矩阵生成运动模糊图像。程序代码如下：;程序运行结果如图7-2所示。;7.3 图像的逆滤波;【例7.3】使用逆滤波算法对运动模糊图像进行滤波。程序代码如下：;if __name__ == __main__: image = cv2.imread(d:/pics/lena.jpg) image = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY) #进行运动模糊处理 img_h,img_w = image.shape[0:2] PSF = motion_process((img_h,img_w), 60) blurred = np.abs(make_blurred(image, PSF, 1e-3)) plt.subplot(221),plt.axis(off) plt.title(Motion blurred) plt.imshow(blurred) result_inv = inverse(blurred, PSF, 1e-3) #逆滤波 plt.subplot(222),plt.axis(off) plt.title(inverse deblurred) plt.imsave(d:\pics\lenaInv.jpg,result_inv) plt.imshow(result_inv) #添加噪声,standard_normal产生随机的函数 blurred_noisy=blurred + 0.1 * blurred.std() * np.random.standard_normal(blurred.shape) plt.subplot(223),plt.axis(off) plt.title(motion noisy blurred) plt.imshow(blurred_noisy) #显示添加噪声且运动模糊的图像;程序运行结果如图7-3所示。图中左上图为运动模糊图像，右上图为对左上图逆滤波后的图像；左下图像为运动模糊+噪声图像，右下图为对左下图逆滤波后的图像。;7.4 图像的维纳滤波;其中，H(u,v)为退化函数，H*(u,v)为H(u,v)的复共轭，|H(u,v)|2=H(u,v)H*(u,v)，Sη(u,v)=|N(u,v)|2=噪声的功率谱，Sf(u,v)=|F(u,v)|2=未退化图像的功率谱，H(u,v)是退化函数的傅里叶变换，G(u,v)是退化后图像的傅里叶变换。 从上面的公式可以发现，如没有噪声，即Sη(u,v)=0，此时维纳滤波变为直接逆滤波，如有噪声，那么Sη(u,v)如何估计将成问题，同时Sf(u,v)的估计也成问题。在实际应用中假设退化函数已知，如果噪声为高斯白噪声，则Sη(u,v)为常数，但Sf(u,v)通常难以估计。一种近似的解决办法是用一个系数K代替Sη(u,v)/Sf(u,v)，因此公式7-5变为公式7-6所示：;【例7.4】使用维纳滤波对运动模糊图像进行滤波处理。程序代码如下：;if __name__ == __main__: image = cv2.imread(d:/pics/lena.jpg) image = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)