维纳滤镜用于图像去模糊 [英] Wiener Filter for image deblur

问题描述

我正在尝试实施维纳滤波器以对模糊图像执行反卷积。我的实现是这样的

 从numpy.fft导入numpy作为np 
导入fft2，ifft2 
 
 def wiener_filter（img，kernel，K = 10）：
 dummy = np.copy（img）
 kernel = np.pad（内核，[（0，dummy.shape [0]- kernel.shape [0]），（0，dummy.shape [1]-kernel.shape [1]）]，'constant'）
＃傅立叶变换
 dummy = fft2（dummy）
内核= fft2（内核）
内核= np.conj（内核）/（np.abs（内核）** 2 + K）
虚拟=虚拟*内核
虚拟= np .abs（ifft2（dummy））
 return np.uint8（dummy）
  

此实现基于。

我认为这个去模糊的图像质量不好。所以我想问一下我的实现是否正确。

更新我加噪声的方式。

 从scipy.signal导入高斯，convolve2d 
 
 def blur（img，mode ='box'，block_size = 3）：
＃mode ='box'或'gaussian'或'motion'
虚拟= np.copy（img）
如果mode =='box'：
h = np.ones（（block_size ，block_size））/ block_size ** 2 
 elif mode =='gaussian'：
h = gaussian（block_size，block_size / 3）.reshape（block_size，1）
h = np.dot（ h，h.transpose（））
h / = np.sum（h）
 elif mode =='motion'：
h = np.eye（block_size）/ block_size 
虚拟= convolve2d（dummy，h，mode ='valid'）
 return np.uint8（dummy），h 
 
 def gaussian_add（img，sigma = 5）：
虚拟= np.copy（img）.astype（float）
高斯= np.random.normal（0，sigma，np.shape（img））
＃加性噪声
虚拟= np.round （高斯+虚拟）
＃饱和下界
虚拟[np.where（dummy< 0）] = 0 
＃饱和上限
 dummy [np.where（dummy> 255）] = 255 
 return np.uint8（dummy）
  

解决方案

使用 skimage.restoration.wiener ，通常这样使用：

 >>从skimage导入颜色，数据，恢复
>> img = color.rgb2gray（data.astronaut（））
>>从scipy.signal导入卷积
>> psf = np.ones（（5，5））/ 25 
>> img = convolve2d（img，psf，相同）
>>> img + = 0.1 * img.std（）* np.random.standard_normal（img.shape）
>> deconvolved_img = recovery.wiener（img，psf，1100）
  

我也用过它：使用scikit-image对图像进行模糊处理。

I am trying to implement the Wiener Filter to perform deconvolution on blurred image. My implementation is like this

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

def wiener_filter(img, kernel, K = 10):
    dummy = np.copy(img)
    kernel = np.pad(kernel, [(0, dummy.shape[0] - kernel.shape[0]), (0, dummy.shape[1] - kernel.shape[1])], 'constant')
    # Fourier Transform
    dummy = fft2(dummy)
    kernel = fft2(kernel)
    kernel = np.conj(kernel) / (np.abs(kernel) ** 2 + K)
    dummy = dummy * kernel
    dummy = np.abs(ifft2(dummy))
    return np.uint8(dummy)

This implementation is based on the Wiki Page.

The TIFF image used is from : http://www.ece.rice.edu/~wakin/images/lena512color.tiff
But here is a PNG version:

I have a input image motion blurred by a diagonal kernel and some gaussian additive noise is added to it. The lena picture is 512x512 and the blurring kernel is 11x11.

When I apply my wiener_filter to this image the result is like this. .

I think this deblurred image is not of good quality. So I would like to ask if my implementation is correct.

Update the way I add noise.

from scipy.signal import gaussian, convolve2d

def blur(img, mode = 'box', block_size = 3):
    # mode = 'box' or 'gaussian' or 'motion'
    dummy = np.copy(img)
    if mode == 'box':
        h = np.ones((block_size, block_size)) / block_size ** 2
    elif mode == 'gaussian':
        h = gaussian(block_size, block_size / 3).reshape(block_size, 1)
        h = np.dot(h, h.transpose())
        h /= np.sum(h)
    elif mode == 'motion':
        h = np.eye(block_size) / block_size
    dummy = convolve2d(dummy, h, mode = 'valid')
    return np.uint8(dummy), h

def gaussian_add(img, sigma = 5):
    dummy = np.copy(img).astype(float)
    gauss = np.random.normal(0, sigma, np.shape(img))
    # Additive Noise
    dummy = np.round(gauss + dummy)
    # Saturate lower bound
    dummy[np.where(dummy < 0)] = 0
    # Saturate upper bound
    dummy[np.where(dummy > 255)] = 255
    return np.uint8(dummy)

解决方案

Use skimage.restoration.wiener, which is usually used like:

>>> from skimage import color, data, restoration
>>> img = color.rgb2gray(data.astronaut())
>>> from scipy.signal import convolve2d
>>> psf = np.ones((5, 5)) / 25
>>> img = convolve2d(img, psf, 'same')
>>> img += 0.1 * img.std() * np.random.standard_normal(img.shape)
>>> deconvolved_img = restoration.wiener(img, psf, 1100)

I have also used it in: Deblur an image using scikit-image.

这篇关于维纳滤镜用于图像去模糊的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！