【opencv】教程代码 —ImgProc (7)使用维纳滤波器来恢复失焦的图像

7. out_of_focus_deblur_filter.cpp使用维纳滤波器来恢复失焦的图像****

代码的主要功能是通过使用维纳滤波器来恢复失焦的图像,它读取一个灰度图像文件,对其进行滤波操作,并将结果保存为新文件。这个过程包括计算点扩散函数(PSF),执行FFT变换,应用滤波器,然后完成逆FFT变换。这些步骤都在main函数中进行,并在帮助函数中分别解决。

cpp 复制代码
/**
* @brief 你将了解如何通过维纳滤波器恢复失焦的图像
* @author Karpushin Vladislav, karpushin@ngs.ru, https://github.com/VladKarpushin
*/
// 导入所需的库和模块
#include <iostream>
#include "opencv2/highgui.hpp"
#include "opencv2/imgproc.hpp"
#include "opencv2/imgcodecs.hpp"


// 声明使用的命名空间
using namespace cv;
using namespace std;


// 声明函数原型
void help();
void calcPSF(Mat& outputImg, Size filterSize, int R);
void fftshift(const Mat& inputImg, Mat& outputImg);
void filter2DFreq(const Mat& inputImg, Mat& outputImg, const Mat& H);
void calcWnrFilter(const Mat& input_h_PSF, Mat& output_G, double nsr);


// 定义命令行参数
const String keys =
"{help h usage ? |             | print this message   }"
"{image          |original.jpg | input image name     }"
"{R              |5           | radius               }"
"{SNR            |100         | signal to noise ratio}"
;


int main(int argc, char *argv[])
{
    help();    //调用帮助函数
    CommandLineParser parser(argc, argv, keys);  //创建命令行参数解析器
    if (parser.has("help"))    //如果含有"help"参数
    {
        parser.printMessage();    //打印消息
        return 0;    //返回0,结束程序
    }


    int R = parser.get<int>("R");  //获取参数R的值
    int snr = parser.get<int>("SNR");   //获取参数SNR的值
    string strInFileName = parser.get<String>("image");    //获取参数image的值
    samples::addSamplesDataSearchSubDirectory("doc/tutorials/imgproc/out_of_focus_deblur_filter/images");    //添加样本数据搜索子目录


    if (!parser.check())   //如果参数解析器检查失败
    {
        parser.printErrors();   //打印错误
        return 0;   //返回0,结束程序
    }


    Mat imgIn;
    imgIn = imread(samples::findFile( strInFileName ), IMREAD_GRAYSCALE);   //以灰度模式读取图片文件
    if (imgIn.empty())  //检查是否图片已成功加载
    {
        cout << "ERROR : Image cannot be loaded..!!" << endl;   //输出错误消息
        return -1;
    }


    Mat imgOut;  //创建输出图像


    //只处理偶数大小的图像
    Rect roi = Rect(0, 0, imgIn.cols & -2, imgIn.rows & -2);


    //开始计算Hw
    Mat Hw, h;
    calcPSF(h, roi.size(), R);  //计算点扩散函数
    calcWnrFilter(h, Hw, 1.0 / double(snr));   //计算维纳滤波器
    //结束计算Hw


    //开始滤波处理
    filter2DFreq(imgIn(roi), imgOut, Hw);
    //结束滤波处理


    imgOut.convertTo(imgOut, CV_8U);   //将输出图像转换为8位无符号整形
    normalize(imgOut, imgOut, 0, 255, NORM_MINMAX);   //将输出图像正规化到0-255
    imshow("Original", imgIn);   //显示原始图像
    imshow("Debluring", imgOut);  //显示滤波后的图像
    imwrite("result.jpg", imgOut);   //将滤波后的图像写入文件
    waitKey(0); //等待窗口关闭
    return 0;
}


// 显示帮助信息的函数
void help()
{
    cout << "2018-07-12" << endl;
    cout << "DeBlur_v8" << endl;
    cout << "You will learn how to recover an out-of-focus image by Wiener filter" << endl;
}


//! [calcPSF]
// 计算PSF的函数
void calcPSF(Mat& outputImg, Size filterSize, int R)
{
    Mat h(filterSize, CV_32F, Scalar(0)); // 创建一个滤波器大小的黑色图像
    Point point(filterSize.width / 2, filterSize.height / 2); // 圆心位于图像中心
    circle(h, point, R, 255, -1, 8); // 画一个填充圆,半径为R
    Scalar summa = sum(h); // 计算圆内的像素和,为了进行归一化
    outputImg = h / summa[0]; // 归一化,使得PSF的总和为1
}
//! [calcPSF]


//! [fftshift]
// 在数学上进行fftshift操作的函数 该函数实现对图像的快速傅里叶变换后的频率平面进行移位,将直流分量移至频率平面的中心。
//! [fftshift]
void fftshift(const Mat& inputImg, Mat& outputImg)
{
    outputImg = inputImg.clone(); //克隆输入图像
    int cx = outputImg.cols / 2;  //计算图像中心点的x坐标
    int cy = outputImg.rows / 2;  //计算图像中心点的y坐标
    Mat q0(outputImg, Rect(0, 0, cx, cy));    //创建四个子图像矩阵,分别表示图像的四个象限q0, q1, q2, q3
    Mat q1(outputImg, Rect(cx, 0, cx, cy));
    Mat q2(outputImg, Rect(0, cy, cx, cy));
    Mat q3(outputImg, Rect(cx, cy, cx, cy));
    Mat tmp;    //创建临时Mat变量
    //进行频率域的中心变换
    q0.copyTo(tmp); 
    q3.copyTo(q0);
    tmp.copyTo(q3);
    q1.copyTo(tmp);
    q2.copyTo(q1);
    tmp.copyTo(q2);
}
//! [fftshift]


//! [filter2DFreq]
// 实现2D频域滤波的函数 该函数实现了频率域滤波,先将图像和滤波器都变换到频率域,然后进行频谱相乘,最后反变换回空间域。
//! [filter2DFreq]
void filter2DFreq(const Mat& inputImg, Mat& outputImg, const Mat& H)
{
    Mat planes[2] = { Mat_<float>(inputImg.clone()), Mat::zeros(inputImg.size(), CV_32F) };
    Mat complexI;
    merge(planes, 2, complexI);  //将图像与频率平面合并成复数形式
    dft(complexI, complexI, DFT_SCALE);   //对复数形式的图像进行离散傅里叶变换


    Mat planesH[2] = { Mat_<float>(H.clone()), Mat::zeros(H.size(), CV_32F) };
    Mat complexH;
    merge(planesH, 2, complexH);  //同样将h与频率平面合并成复数形式
    Mat complexIH;   
    mulSpectrums(complexI, complexH, complexIH, 0);  //将两个频谱相乘
    idft(complexIH, complexIH);  //进行逆傅里叶变换
    split(complexIH, planes);  //拆分出图像部分和频率部分
    outputImg = planes[0];  //提取图像部分
}
//! [filter2DFreq]


//! [calcWnrFilter]
// 计算维纳滤波器的函数
//函数实现了维纳滤波器在频率域的计算过程,确定了对模糊图像进行复原的滤波器。
//! [calcWnrFilter]
void calcWnrFilter(const Mat& input_h_PSF, Mat& output_G, double nsr)
{
    Mat h_PSF_shifted;
    fftshift(input_h_PSF, h_PSF_shifted);  //将PSF进行中心化
    Mat planes[2] = { Mat_<float>(h_PSF_shifted.clone()), Mat::zeros(h_PSF_shifted.size(), CV_32F) };
    Mat complexI;
    merge(planes, 2, complexI);  //形成复数图像 
    dft(complexI, complexI);   //进行傅里叶变换
    split(complexI, planes);  //进行图像分离,分别是实部和虚部
    Mat denom;
    pow(abs(planes[0]), 2, denom);  //求模之后取平方
    denom += nsr;  //加上噪声功率
    divide(planes[0], denom, output_G);  //复原图像与噪声功率的比值即为维纳滤波器的频响
}
//! [calcWnrFilter]
相关推荐
泰迪智能科技0121 分钟前
高校深度学习视觉应用平台产品介绍
人工智能·深度学习
盛派网络小助手1 小时前
微信 SDK 更新 Sample,NCF 文档和模板更新,更多更新日志,欢迎解锁
开发语言·人工智能·后端·架构·c#
Eric.Lee20211 小时前
Paddle OCR 中英文检测识别 - python 实现
人工智能·opencv·计算机视觉·ocr检测
cd_farsight1 小时前
nlp初学者怎么入门?需要学习哪些?
人工智能·自然语言处理
AI明说1 小时前
评估大语言模型在药物基因组学问答任务中的表现:PGxQA
人工智能·语言模型·自然语言处理·数智药师·数智药学
Focus_Liu1 小时前
NLP-UIE(Universal Information Extraction)
人工智能·自然语言处理
PowerBI学谦2 小时前
使用copilot轻松将电子邮件转为高效会议
人工智能·copilot
audyxiao0012 小时前
AI一周重要会议和活动概览
人工智能·计算机视觉·数据挖掘·多模态
Jeremy_lf2 小时前
【生成模型之三】ControlNet & Latent Diffusion Models论文详解
人工智能·深度学习·stable diffusion·aigc·扩散模型