7

我正在尝试实现维纳滤波器以对模糊图像执行反卷积。我的实现是这样的

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)

此实现基于Wiki 页面。

使用的 TIFF 图像来自： http: //www.ece.rice.edu/~wakin/images/lena512color.tiff
但这里是 PNG 版本：

我有一个对角内核模糊的输入图像运动，并添加了一些高斯加性噪声。lena图片为512x512，模糊内核为11x11。

当我将 wiener_filter 应用于此图像时，结果是这样的。 在此处输入图像描述.

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。

更新我添加噪音的方式。

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)
4

3 回答 3

2

使用skimage.restoration.wiener，通常使用如下：

>>> 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)

我还使用它：Deblur an image using scikit-image。

于 2016-12-07T14:55:05.490 回答
2

对于数据比较，您可以在以下位置找到维纳滤波和无监督维纳滤波的示例实现

http://scikit-image.org/docs/dev/auto_examples/plot_restoration.html

如果您提供原始图像数据，我们可能会提供进一步的帮助。

编辑：原始链接似乎已关闭，试试这个： http ://scikit-image.org/docs/dev/auto_examples/filters/plot_restoration.html

于 2016-02-04T05:31:07.510 回答
1

我们也可以尝试无监督 Weiner（使用 Wiener-Hunt 方法进行反卷积，其中超参数是自动估计的，使用随机迭代过程（Gibbs 采样器），如此处所述）：

deconvolved, _ = restoration.unsupervised_wiener(im, psf)
于 2019-01-04T09:47:07.470 回答