第5章 Python 数字图像处理(DIP) - 图像复原与重建14 - 逆滤波

标题

    • 逆滤波
      • 逆滤波

逆滤波

逆滤波

图像的退化函数已知或者由前面的方法获取退化函数,则可以直接逆滤波

F^(u,v)=G(u,v)H(u,v)(5.78)\hat{F}(u,v) = \frac{G(u,v)}{H(u,v)} \tag{5.78}F^(u,v)=H(u,v)G(u,v)(5.78)

F^(u,v)=F(u,v)+N(u,v)H(u,v)(5.79)\hat{F}(u,v) = F(u, v) + \frac{N(u,v)}{H(u,v)} \tag{5.79}F^(u,v)=F(u,v)+H(u,v)N(u,v)(5.79)

即使知道退化函数,也不能准确地复原未退化的图像。当退化函数H(u,v)H(u, v)H(u,v)很小或是零值时时,比例很容易支配了F(u,v)F(u, v)F(u,v)

解决的方法是,将滤波器频率限制到接近原点的值。

F^(u,v)=G(u,v)H(u,v)(5.78)\hat{F}(u,v) = \frac{G(u,v)}{H(u,v)} \tag{5.78}F^(u,v)=H(u,v)G(u,v)(5.78)

def freq_cut_off(huv, radius=10):"""set the frequency cut off of the degraded fuction param: huv: input degraded fuctionparam: radius: the cut of radius of frequency, default is 10"""M, N = huv.shape[:2]huv_00 = huv[M//2, N//2]D0 = radiusU = np.arange(M)V = np.arange(N)u, v = np.meshgrid(U, V)D = np.sqrt((u - M//2)**2 + (v - N//2)**2)huv_1 = huv.copy()huv_1[D >= D0] = huv_00return huv_1
# 逆滤波,这个是自己想的方法,但效果不太一致
def get_degenerate_image(img, img_deg):"""不填充图像做傅里叶变换后与退化函数做乘积,再反傅里叶变换"""# 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)
M, N = img_ori.shape[:2]
# 退化的图像
k = [0.0025, 0.001, 0.00025]
fp_cen = centralized_2d(img_ori)
huv = modeling_degrade(fp_cen, k=k[0])
ifft = get_degenerate_image(fp_cen, huv)
gxy = centralized_2d(ifft.real)
gxy = np.clip(gxy, 0, gxy.max())
gxy = np.uint8(normalize(gxy) * 255)# 对退化的的图像中心化
gxy_cen = centralized_2d(gxy)
# 逆滤波
guv = np.fft.fft2(gxy_cen)
fuv = guv / huv
ifft_deg = np.fft.ifft2(fuv)
fxy = centralized_2d(ifft_deg.real)
fxy = np.clip(fxy, 0, fxy.max())
fxy = np.uint8(normalize(fxy) * 255)# 半径40之外 H 截止
blpf = butterworth_low_pass_filter(huv, huv.shape, radius=40, n=10)
huv_40 = freq_cut_off(huv, radius=40)
fuv_40 = guv / huv_40
ifft_deg = np.fft.ifft2(fuv_40)
fxy_40 = centralized_2d(ifft_deg.real)
fxy_40 = np.clip(fxy_40, 0, fxy_40.max())
fxy_40 = np.uint8(normalize(fxy_40) * 255)# 半径70之外 H 截止
huv_70 = freq_cut_off(huv, radius=70)
fuv_70 = guv / huv_70
ifft_deg = np.fft.ifft2(fuv_70)
fxy_70 = centralized_2d(ifft_deg.real)
fxy_70 = np.clip(fxy_70, 0, fxy_70.max())
fxy_70 = np.uint8(normalize(fxy_70) * 255)# 半径85之外 H 截止
huv_85 = freq_cut_off(huv, radius=85)
fuv_85 = guv / huv_85
ifft_deg = np.fft.ifft2(fuv_85)
fxy_85 = centralized_2d(ifft_deg.real)
fxy_85 = np.clip(fxy_85, 0, fxy_85.max())
fxy_85 = np.uint8(normalize(fxy_85) * 255)fig = plt.figure(figsize=(12, 12))
ax_1 = fig.add_subplot(2, 2, 1, xticks=[], yticks=[])
ax_1.imshow(fxy, 'gray'), ax_1.set_title("H(u, v)")
ax_2 = fig.add_subplot(2, 2, 2, xticks=[], yticks=[])
ax_2.imshow(fxy_40, 'gray'), ax_2.set_title("Radius = 40")
ax_3 = fig.add_subplot(2, 2, 3, xticks=[], yticks=[])
ax_3.imshow(fxy_70, 'gray'), ax_3.set_title("Radius = 70")
ax_4 = fig.add_subplot(2, 2, 4, xticks=[], yticks=[])
ax_4.imshow(fxy_85, 'gray'), ax_4.set_title("Radius = 85")
plt.tight_layout()
plt.show() 

在这里插入图片描述

# 逆滤波,这跟书上说的方法比较一致
def get_degenerate_image(img, img_deg):"""不填充图像做傅里叶变换后与退化函数做乘积,再反傅里叶变换"""# 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)
M, N = img_ori.shape[:2]
# 退化的图像
k = [0.0025, 0.001, 0.00025]
fp_cen = centralized_2d(img_ori)
huv = modeling_degrade(fp_cen, k=k[0])
ifft = get_degenerate_image(fp_cen, huv)
gxy = centralized_2d(ifft.real)
gxy = np.clip(gxy, 0, gxy.max())
gxy = np.uint8(normalize(gxy) * 255)# 对退化的的图像中心化
gxy_cen = centralized_2d(gxy)
# 逆滤波
guv = np.fft.fft2(gxy_cen)
fuv = guv / huv
ifft_deg = np.fft.ifft2(fuv)
fxy = centralized_2d(ifft_deg.real)
fxy = np.clip(fxy, 0, fxy.max())
fxy = np.uint8(normalize(fxy) * 255)# 半径40之外 H 截止
blpf = butterworth_low_pass_filter(huv, huv.shape, radius=40, n=10)
# huv_40 = freq_cut_off(huv, radius=40)
fuv_40 = guv / huv * blpf
ifft_deg = np.fft.ifft2(fuv_40)
fxy_40 = centralized_2d(ifft_deg.real)
fxy_40 = np.clip(fxy_40, 0, fxy_40.max())
fxy_40 = np.uint8(normalize(fxy_40) * 255)# 半径70之外 H 截止
blpf = butterworth_low_pass_filter(huv, huv.shape, radius=70, n=11)
# huv_70 = freq_cut_off(huv, radius=70)
fuv_70 = guv / huv * blpf
ifft_deg = np.fft.ifft2(fuv_70)
fxy_70 = centralized_2d(ifft_deg.real)
fxy_70 = np.clip(fxy_70, 0, fxy_70.max())
fxy_70 = np.uint8(normalize(fxy_70) * 255)# 半径85之外 H 截止
blpf = butterworth_low_pass_filter(huv, huv.shape, radius=85, n=10)
# huv_85 = freq_cut_off(huv, radius=85)
fuv_85 = guv / huv * blpf
ifft_deg = np.fft.ifft2(fuv_85)
fxy_85 = centralized_2d(ifft_deg.real)
fxy_85 = np.clip(fxy_85, 0, fxy_85.max())
fxy_85 = np.uint8(normalize(fxy_85) * 255)fig = plt.figure(figsize=(12, 12))
ax_1 = fig.add_subplot(2, 2, 1, xticks=[], yticks=[])
ax_1.imshow(fxy, 'gray'), ax_1.set_title("H(u, v)")
ax_2 = fig.add_subplot(2, 2, 2, xticks=[], yticks=[])
ax_2.imshow(fxy_40, 'gray'), ax_2.set_title("Radius = 40")
ax_3 = fig.add_subplot(2, 2, 3, xticks=[], yticks=[])
ax_3.imshow(fxy_70, 'gray'), ax_3.set_title("Radius = 70")
ax_4 = fig.add_subplot(2, 2, 4, xticks=[], yticks=[])
ax_4.imshow(fxy_85, 'gray'), ax_4.set_title("Radius = 85")
plt.tight_layout()
plt.show()    

在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/260575.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

表示自己从头开始的句子_微信拍一拍后缀幽默回复有趣的句子 拍了拍唯美内容文案...

阅读本文前,请您先点击上面的“蓝色字体”,再点击“关注”,这样您就可以继续免费收到文章了。每天都会有分享,都是免费订阅,请您放心关注。注图文来源网络,侵删 …

HoloLens开发手记 - Unity之Tracking loss

当HoloLens设备不能识别到自己在世界中的位置时,应用就会发生tracking loss。默认情况下,Unity会暂停Update更新循环并显示一张闪屏图片给用户。当设备重新能追踪到位置时,闪屏图片会消失,并且Update循环还会继续。 此外&#xff…

运维学python用不上_不会Python开发的运维终将被淘汰?

简介 Python 语言是一种面向对象、直译式计算机程序设计语言,由 Guido van Rossum 于 1989 年底发明。Python 语法简捷而清晰,具有丰富和强大的类库,具有可扩展性和可嵌入性,是现代比较流行的语言。最流行的语言 IEEE Spectrum 的…

第5章 Python 数字图像处理(DIP) - 图像复原与重建15 - 最小均方误差(维纳)滤波

标题最小均方误差(维纳)滤波最小均方误差(维纳)滤波 目标是求未污染图像fff的一个估计f^\hat{f}f^​,使它们之间的均方误差最小。 e2E{(f−f^)2}(5.80)e^2 E \big\{(f - \hat{f})^2 \big\} \tag{5.80}e2E{(f−f^​)2…

入网许可证_入网许可证怎么办理,申请流程

移动通信系统及终端投资项目核准的若干规定》的出台,打开了更多企业进入手机业的大门,然而一些企业在关心拿到手机牌照后,是不是就是意味了拿到入网许可证,就可以上市销售。某些厂商认为:"手机牌照实行核准制,意味…

使用python matplotlib画图

本文的原文连接是: http://blog.csdn.net/freewebsys/article/details/52577631 未经博主允许不得转载。 博主地址是:http://blog.csdn.net/freewebsys 1,关于 非常简单的画图类库。 简直就是matlab的命令了。 python设计都是非常简单的。 在使用pyt…

碧桂园博智林机器人总部大楼_碧桂园职院新规划曝光!将建机器人实训大楼、新宿舍、水幕电影等...

4月10日,广东碧桂园职业学院召开院务(扩大)会议,学院党政班子领导和相关负责人出席。会议集中观看了学院四期工程的规划区介绍,并就具体方案的可行性进行了研讨。在碧桂园集团董事局主席杨国强先生的带领下,碧桂园职院正紧随集团产…

第5章 Python 数字图像处理(DIP) - 图像复原与重建16 - 约束最小二乘方滤波、几何均值滤波

标题约束最小二乘方滤波几何均值滤波约束最小二乘方滤波 F^(u,v)[H∗(u,v)∣H(u,v)∣2γ∣P(u,v)∣2]G(u,v)(5.89)\hat{F}(u,v) \bigg[\frac{H^*(u,v)}{|H(u,v)|^2 \gamma |P(u,v)|^2} \bigg]G(u,v) \tag{5.89}F^(u,v)[∣H(u,v)∣2γ∣P(u,v)∣2H∗(u,v)​]G(u,v)(5.89) P(u,…

securecrt是什么工具_比较一下几款常用的SSH工具

WX众号:基因学苑Q群:32798724更多精彩内容等你发掘!编者按工欲善其事,必先利其器。作为生物信息分析人员,每天都需要通过SSH工具远程登录服务器,那么使用一款高效的连接工具就很有必要。这次我们来点评一下…

华为手机如何调时间显示_华为手机照片如何出现时间地点天气,教你30秒,一学就会...

阅读本文前,请您先点击上面的“蓝色字体”,再点击“关注”,这样您就可以继续免费收到文章了。每天都会有分享,都是免费订阅,请您放心关注。 …

第5章 Python 数字图像处理(DIP) - 图像复原与重建17 - 由投影重建图像、雷登变换、投影、反投影、反投影重建

标题由投影重建图像投影和雷登变换 Johann Radon反投影滤波反投影重建由投影重建图像 本由投影重建图像,主要是雷登变换与雷登把变换的应用,所以也没有太多的研究,只为了保持完整性,而添加到这里。 # 自制旋转投影图像# 模拟一个…

day12-nginx

nginx 前台服务器并发大 安装nginx useradd –s /sbin/nologin nginx tar xf nginx-xxx.tar.gz yum install –y gcc pcre-devel openssl-devel ./configure --prefix/etc/nginx --usernginx --groupnginx --with-http_ssl_module --http-log-path/var/log/nginx/access.…

python args_Python可变参数*args和**kwargs用法实例小结

本文实例讲述了Python可变参数*args和**kwargs用法。分享给大家供大家参考,具体如下: 一句话简单概括:当函数的参数不确定的时候就需要用到*args和**kwargs,前者和后者的区别在于,后者引入了”可变”key的概念&#xf…

php调用c++

1.在/var/www中建个测试文件夹 cpp 在此文件夹中新建c文件sort.cpp,如下 编译并测试执行通过进行以下步骤。 2.在cpp文件夹下新建文件cpp.html,如下 3.同样在cpp下建php文件cpp.php,如下 保存。 4.程序执行如下 提交后: 转载于:ht…

AI+无线通信——Top7 (Baseline)分享与总结

从浩哥那里转载 https://wanghao.blog.csdn.net/article/details/115813954 比赛已经告一段落,现在我们队兑现承诺,将比赛方案开源给大家,互勉互助,共同进步。 队伍介绍 我们的队伍名是Baseline,我们因分享Baseline…

tornado post第3方_[33]python-Web-框架-Tornado

1.TornadoTornado:python编写的web服务器兼web应用框架1.1.Tornado的优势轻量级web框架异步非阻塞IO处理方式出色的抗负载能力优异的处理性能,不依赖多进程/多线程,一定程度上解决C10K问题WSGI全栈替代产品,推荐同时使用其web框架…

android 串口调试工具_树莓派通用串口通信实验

一、介绍对于树莓派 3B来说,他的UART功能有三种:1、内部蓝牙使用;2、控制终端使用;3、与其他设备进行串口通信。在树莓派USB TO TTL模块实验中学习了通过串口对树莓派进行控制台控制,让串口作为控制终端调试口即 seria…

ichat在线客服jQuery插件(可能是历史上最灵活的)

ichat是一款开源免费在线客服jQuery插件,通过该插件,您可以自由的定制属于自己的在线客服代码。 ichat充分吸收传统在线客服插件的优点,并加上自身的独特设计,使得ichat可定制性异常强大。 ichat追求简单实用,走小清新…

第6章 Python 数字图像处理(DIP) - 彩色图像处理1 - RGB彩色模型,RGB to Gray,CMK和CMYK彩色模型,HSI彩色模型

第6章主要讲的是彩色图像处理,一些彩色模型如RGB,CMK,CMYK,HSI等色彩模型;彩色模型的变换关系;还包含由灰度图像怎样处理成假彩色图像;使用彩色分割图像等。本章比较少理论还有变换的描述&#…

git 命令详解_再次学习Git版本控制工具

微信公众号:PHP在线Git 究竟是怎样的一个系统呢?为什么在SVN作为版本控制工具已经非常流行的时候,还有Git这样一个版本控制工具呢?Git和SVN的区别在哪儿呢?Git优势又在哪呢?下面PHP程序员雷雪松带你一起详细…