當前位置：首頁 > 编程语言 > python >内容正文

python

第5章 Python 数字图像处理(DIP) - 图像复原与重建13 - 空间滤波 - 线性位置不变退化 - 退化函数估计、运动模糊函数

發布時間：2023/12/10 python 20 豆豆

生活随笔收集整理的這篇文章主要介紹了第5章 Python 数字图像处理(DIP) - 图像复原与重建13 - 空间滤波 - 线性位置不变退化 - 退化函数估计、运动模糊函数小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

標題

- 線性位置不變退化
- 估計退化函數
- - 采用觀察法估計退化函數
  - 采用試驗法估計退化函數
  - 采用建模法估計退化函數
  - - 運動模糊函數
    - OpenCV Motion Blur

在這一節中，得到的結果，有些不是很好，我需要再努力多找資料，重新完成學習，如果大佬有相關資料推薦，不勝感激。

線性位置不變退化

# 巴特沃斯帶阻陷波濾波器 BNRF img_temp = np.zeros([512, 512]) BNF_1 = butterworth_notch_resistant_filter(img_temp, radius=20, uk=-80, vk=60) BNF_2 = butterworth_notch_resistant_filter(img_temp, radius=10, uk=30, vk=80) BNF_3 = butterworth_notch_resistant_filter(img_temp, radius=10, uk=-30, vk=80)plt.figure(figsize=(16, 16)) plt.subplot(221), plt.imshow(BNF_1, 'gray'), plt.title('BNF_1') plt.subplot(222), plt.imshow(BNF_2, 'gray'), plt.title('BNF_2') plt.subplot(223), plt.imshow(BNF_3, 'gray'), plt.title('BNF_3')BNF_dst = BNF_1 * BNF_2 * BNF_3plt.subplot(224), plt.imshow(BNF_dst, 'gray'), plt.title('BNF_dst')plt.tight_layout() plt.show()

估計退化函數

In this section, I think I still got some problem have to sort out, when I have some more time or some more reading.

采用觀察法估計退化函數

選擇一個信號內容很強的區域（如一個高對比度區域）表示為 $g (x, y)$ ，令 $f^(x,y)\hat{f}(x, y)$ 表示為處理后的子圖像，則有：
$Hs(u,v)=Gs(u,v)F^s(u,v)(5.66)H_{s}(u, v) = \frac{G_{s}(u, v)}{\hat{F}_{s}(u, v)} \tag{5.66}$

根據位置不變的假設來推斷完整的退化函數 $H (u, v)$

采用試驗法估計退化函數

一個沖激由一個亮點來模擬，這個點應亮到能降低噪聲對可忽略值的影響。一個沖激的傅里葉變換是一個常量：
$\frac{G(u, v)}{A} \tag{5.67}$

# 試驗法估計退化函數 img_impulse = cv2.imread("DIP_Figures/DIP3E_Original_Images_CH05/Fig0524(a)(impulse).tif", 0) img_blurred = cv2.imread("DIP_Figures/DIP3E_Original_Images_CH05/Fig0524(b)(blurred-impulse).tif", 0)fig = plt.figure(figsize=(10, 5)) plt.subplot(1, 2, 1), plt.imshow(img_impulse, cmap='gray'), plt.xticks([]), plt.yticks([]) plt.subplot(1, 2, 2), plt.imshow(img_blurred, cmap='gray'), plt.xticks([]), plt.yticks([]) plt.tight_layout() plt.show()

下面兩個例子，你會看到傅立葉變換后，頻譜圖像的美。把頻譜圖像上了顏色后，更是美極啦

# 傅里葉變換 fp_impulse = pad_image(img_impulse) impluse_cen = centralized_2d(fp_impulse) fft_impulse = np.fft.fft2(impluse_cen) impulse_spectrume = np.log(1 + spectrum_fft(fft_impulse))fp_blurred = pad_image(img_blurred) blurred_cen = centralized_2d(fp_blurred) fft_blurred = np.fft.fft2(blurred_cen) blurred_spectrum = np.log(1 + spectrum_fft(fft_blurred))H = fft_blurred / fft_impulseh_spectrum = np.log(1 + spectrum_fft(H)) h_spectrum = h_spectrum / h_spectrum.max()fig = plt.figure(figsize=(15, 5)) plt.subplot(1, 3, 1), plt.imshow(impulse_spectrume, cmap='gray'), plt.xticks([]), plt.yticks([]) plt.subplot(1, 3, 2), plt.imshow(blurred_spectrum, cmap='gray'), plt.xticks([]), plt.yticks([]) plt.subplot(1, 3, 3), plt.imshow(h_spectrum, cmap='gray'), plt.xticks([]), plt.yticks([]) plt.tight_layout() plt.show()

# 一些傅里葉變換 img_temp = np.zeros([256, 256]) # H = butterworth_low_pass_filter(img_temp, 10, 500) H = 1 - butterworth_band_resistant_filter(img_temp, img_temp.shape, radius=50, w=5, n=5) fp_blurred = pad_image(H) blurred_cen = centralized_2d(fp_blurred) fft_blurred = np.fft.fft2(blurred_cen) blurred_spectrum = np.log(1 + spectrum_fft(fft_blurred))fig = plt.figure(figsize=(15, 15)) plt.imshow(blurred_spectrum, cmap='PiYG'), plt.xticks([]), plt.yticks([]) # plt.savefig("bbrf_4.png", dpi=300, quality=100) # plt.subplot(1, 3, 1), plt.imshow(impulse_spectrume, cmap='gray'), plt.xticks([]), plt.yticks([]) # plt.subplot(1, 3, 2), plt.imshow(blurred_spectrum, cmap='gray'), plt.xticks([]), plt.yticks([]) # # plt.subplot(1, 3, 3), plt.imshow(h_spectrum, cmap='gray'), plt.xticks([]), plt.yticks([]) plt.tight_layout() plt.show()

采用建模法估計退化函數

$e^{-k(u^2 + v^2)^{\frac{5}{6}}} \tag{5.68}$

關于頻率矩形的中心，可用如下函數
$e^{-k((u - P/2)^2 + (v - Q/2)^2 \ \ )^{\frac{5}{6}}}$

參加書上P247頁，運動導的圖像模糊的退化過程，是否用錯？
這個問題已經得到解決啦，解決方案如下。

def modeling_degrade(img, k=1):"""modeling degradation fuction, math: $$H(u,v) = e^{-k(u^2 +v^2)^{\frac{5}{6}}}$$param: img: input imgparam: k: """N, M = img.shape[:2]u = np.arange(M)v = np.arange(N)u, v = np.meshgrid(u, v)temp = (u - M//2)**2 + (v - N//2)**2kernel = np.exp(-k * np.power(temp, 5/6))return kernel # 不填充，結果與書上一致啦 def get_degenerate_image(img, img_deg):"""不填充圖像做傅里葉變換后與退化函數做乘積，再反傅里葉變換"""# FFT--------------------------------------------fft = np.fft.fft2(img)# FFT * H(u, v)----------------------------------fft_huv = fft * img_deg# IFFT-------------------------------------------ifft = np.fft.ifft2(fft_huv)return ifftimg_ori = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH05/Fig0525(a)(aerial_view_no_turb).tif', 0)# k = [1, 0.1, 0.01, 0.001, 0.0025, 0.00025] k = [0.0025, 0.001, 0.00025]fp_cen = centralized_2d(img_ori)fig = plt.figure(figsize=(12, 12)) for i in range(len(k) + 1):ax = fig.add_subplot(2, 2, i+1, xticks=[], yticks=[])if i == 0:ax.imshow(img_ori, 'gray'), ax.set_title(f"Original")else:img_deg = modeling_degrade(fp_cen, k=k[i-1])ifft = get_degenerate_image(fp_cen, img_deg)img_new = centralized_2d(ifft.real)img_new = np.clip(img_new, 0, img_new.max())img_new = np.uint8(normalize(img_new) * 255)ax.imshow(img_new, 'gray')ax.set_title(f"k = {k[i-1]}") plt.tight_layout() plt.show()

運動模糊函數

$=\frac{T}{\pi(ua + vb)}sin[\pi(ua+vb)]e^{-j\pi(ua+vb)}$

下面的代碼可能比較混亂，因為實驗過程，而得出的結果不太好，還沒有整理。需要繼續學習后，再完成整理。

img_ori = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH05/Fig0526(a)(original_DIP).tif', 0) def motion_huv(img, a, b, T):eps = 1e-8M, N = img.shape[1], img.shape[0]u = np.arange(1, M+1)v = np.arange(1, N+1)u, v = np.meshgrid(u, v)temp = np.pi * (u * a + v * b)kernel = (T * np.sin(temp) * np.exp(-temp*1j) /(temp + eps))return kernel # 對圖片進行運動模糊 def make_blurred(img, PSF, eps):#===================== # fft = np.fft.fft2(img) # # fft_shift = np.fft.fftshift(fft)# fft_psf = fft * PSF# ifft = np.fft.ifft2(fft_psf) # # ifft_shift = np.fft.ifftshift(ifft) # blurred = abs(ifft.real)#=========================M, N = img.shape[:2]fp = pad_image(img, mode='constant')fp_cen = centralized_2d(fp)img_fft = np.fft.fft2(fp_cen)img_fft_psf = img_fft * PSFifft = np.fft.ifft2(img_fft_psf)blurred = centralized_2d(ifft.real)[:N, :M] # # blurred = ifft.real[:N, :M]return blurred def get_motion_dsf(image_size, motion_angle, motion_dis):PSF = np.zeros(image_size) # 點擴散函數x_center = (image_size[0] - 1) / 2y_center = (image_size[1] - 1) / 2sin_val = np.sin(motion_angle * np.pi / 180)cos_val = np.cos(motion_angle * np.pi / 180)# 將對應角度上motion_dis個點置成1for i in range(motion_dis):x_offset = round(sin_val * i)y_offset = round(cos_val * i)PSF[int(x_center - x_offset), int(y_center + y_offset)] = 1return PSF / PSF.sum() # 歸一化 img_motion = get_motion_dsf((480, 480), 70, 200)plt.figure(figsize=(10, 8)) plt.subplot(121), plt.imshow(img_motion,'gray'), plt.title('img_motion') plt.show()

OpenCV Motion Blur

def motion_blur(image, degree=12, angle=45):"""create motion blur using opencvparam: image: input imageparam: degree: the size of the blurryparam: angle: blur anglereturn uint8 image"""image = np.array(image)# 這里生成任意角度的運動模糊kernel的矩陣， degree越大，模糊程度越高M = cv2.getRotationMatrix2D((degree / 2, degree / 2), angle, 1)motion_blur_kernel = np.diag(np.ones(degree))motion_blur_kernel = cv2.warpAffine(motion_blur_kernel, M, (degree, degree))motion_blur_kernel = motion_blur_kernel / degreeblurred = cv2.filter2D(image, -1, motion_blur_kernel)# convert to uint8cv2.normalize(blurred, blurred, 0, 255, cv2.NORM_MINMAX)blurred = np.array(blurred, dtype=np.uint8)return blurred # 運動模糊圖像 img_ori = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH05/Fig0526(a)(original_DIP).tif', 0)img_blur = motion_blur(img_ori, degree=75, angle=15)plt.figure(figsize=(12, 8)) plt.subplot(121), plt.imshow(img_ori,'gray'), plt.title('img_deg') plt.subplot(122), plt.imshow(img_blur,'gray'), plt.title('high_pass') plt.show()