目标

本教程将教您

什么是运动模糊图像的 PSF
如何恢复运动模糊图像

理论

有关图像降质模型理论和维纳滤波理论，请参考教程散焦模糊滤波器。本页只讨论线性运动模糊失真。本页的运动模糊图像为真实世界图像。模糊是由移动的物体造成的。

什么是运动模糊图像的 PSF？

线性运动模糊失真的点扩散函数 (PSF) 是线段。这种 PSF 由两个参数指定：\(LEN\) 是模糊长度，\(THETA\) 是运动角度。

线性运动模糊失真的点扩散函数

如何恢复模糊图像？

本页使用维纳滤波器作为恢复滤波器，有关详细信息，请参考教程散焦模糊滤波器。为了合成运动模糊情况下的维纳滤波器，需要指定信噪比 ( \(SNR\))、PSF 的 \(LEN\) 和 \(THETA\)。

源代码

您可以在 OpenCV 源代码库的 samples/cpp/tutorial_code/ImgProc/motion_deblur_filter/motion_deblur_filter.cpp 中找到源代码。

 
#include <iostream>
#include "opencv2/imgproc.hpp"
#include "opencv2/imgcodecs.hpp"
 
using namespace cv;
using namespace std;
 
void help();
void calcPSF(Mat& outputImg, Size filterSize, int len, double theta);
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);
void edgetaper(const Mat& inputImg, Mat& outputImg, double gamma = 5.0, double beta = 0.2);
 
const String keys =
"{help h usage ? | | 打印此消息 }"
"{image |input.png | 输入图像名称 }"
"{LEN |125 | 运动长度 }"
"{THETA |0 | 运动角度（度） }"
"{SNR |700 | 信噪比 }"
;
 
int main(int argc, char *argv[])
{
help();
    CommandLineParser parser(argc, argv, keys);
    if (parser.has("help"))
    {
parser.printMessage();
        return 0; 0;
    }
 
    int LEN = parser.get<int>("LEN");
    double THETA = parser.get<double>("THETA");
    int snr = parser.get<int>("SNR");
    string strInFileName = parser.get<String>("image");
 
    if (!parser.check())
    {
parser.printErrors();
        return 0; 0;
    }
 
    Mat imgIn;
imgIn = imread(strInFileName, IMREAD_GRAYSCALE);
    if (imgIn.empty()) // 检查图像是否已加载
    {
cout << "ERROR : 无法加载图像..!!" << endl;
        return 0; -1;
    }
 
    Mat imgOut;
 
    // 仅需要处理偶数图像
    Rect roi = Rect(0, 0, imgIn.cols & -2, imgIn.rows & -2);
 
    // Hw 计算（开始）
    Mat Hw, h;
calcPSF(h, roi.size(), LEN, THETA);
calcWnrFilter(h, Hw, 1.0 / double(snr));
    // Hw 计算（结束）
 
imgIn.convertTo(imgIn, CV_32F);
edgetaper(imgIn, imgIn);
 
    // 滤波（开始）
filter2DFreq(imgIn(roi), imgOut, Hw);
    // 滤波（结束）
 
imgOut.convertTo(imgOut, CV_8U);
normalize(imgOut, imgOut, 0, 255, NORM_MINMAX);
imwrite("result.jpg", imgOut);
    return 0; 0;
}
 
void help()
{
cout << "2018-08-14" << endl;
cout << "Motion_deblur_v2" << endl;
cout << "您将学习如何使用维纳滤波器恢复具有运动模糊失真的图像" << endl;
}
 
void calcPSF(Mat& outputImg, Size filterSize, int len, double theta)
{
    Mat h(filterSize, CV_32F, Scalar(0));
    Point point(filterSize.width / 2, filterSize.height / 2);
    ellipse(h, point, Size(0, cvRound(float(len) / 2.0)), 90.0 - theta, 0, 360, Scalar(255), FILLED);
    Scalar summa = sum(h);
outputImg = h / summa[0];
}
 
void fftshift(const Mat& inputImg, Mat& outputImg)
{
outputImg = inputImg.clone();
    int cx = outputImg.cols / 2;
    int cy = outputImg.rows / 2;
    Mat q0(outputImg, Rect(0, 0, cx, cy));
    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;
q0.copyTo(tmp);
q3.copyTo(q0);
tmp.copyTo(q3);
q1.copyTo(tmp);
q2.copyTo(q1);
tmp.copyTo(q2);
}
 
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);
    dft(complexI, complexI, DFT_SCALE);
 
    Mat planesH[2] = { Mat_<float>(H.clone()), Mat::zeros(H.size(), CV_32F) };
    Mat complexH;
    merge(planesH, 2, complexH);
    Mat complexIH;
    mulSpectrums(complexI, complexH, complexIH, 0);
 
    idft(complexIH, complexIH);
    split(complexIH, planes);
outputImg = planes[0];
}
 
void calcWnrFilter(const Mat& input_h_PSF, Mat& output_G, double nsr)
{
    Mat h_PSF_shifted;
fftshift(input_h_PSF, h_PSF_shifted);
    Mat planes[2] = { Mat_<float>(h_PSF_shifted.clone()), Mat::zeros(h_PSF_shifted.size(), CV_32F) };
    Mat complexI;
    merge(planes, 2, complexI);
    dft(complexI, complexI);
    split(complexI, planes);
    Mat denom;
    pow(abs(planes[0]), 2, denom);
denom += nsr;
    divide(planes[0], denom, output_G);
}
 
void edgetaper(const Mat& inputImg, Mat& outputImg, double gamma, double beta)
{
    int Nx = inputImg.cols;
    int Ny = inputImg.rows;
    Mat w1(1, Nx, CV_32F, Scalar(0));
    Mat w2(Ny, 1, CV_32F, Scalar(0));
 
    float* p1 = w1.ptr<float>(0);
    float* p2 = w2.ptr<float>(0);
    float dx = float(2.0 * CV_PI / Nx);
    float x = float(-CV_PI);
    for (int i = 0; i < Nx; i++)
    {
p1[i] = float(0.5 * (tanh((x + gamma / 2) / beta) - tanh((x - gamma / 2) / beta)));
x += dx;
    }
    float dy = float(2.0 * CV_PI / Ny);
    float y = float(-CV_PI);
    for (int i = 0; i < Ny; i++)
    {
p2[i] = float(0.5 * (tanh((y + gamma / 2) / beta) - tanh((y - gamma / 2) / beta)));
y += dy;
    }
    Mat w = w2 * w1;
    multiply(inputImg, w, outputImg);
}

说明

运动模糊图像恢复算法包括 PSF 生成、维纳滤波器生成以及在频域中对模糊图像进行滤波

    // 仅需要处理偶数图像
    Rect roi = Rect(0, 0, imgIn.cols & -2, imgIn.rows & -2);
 
    // Hw 计算（开始）
    Mat Hw, h;
calcPSF(h, roi.size(), LEN, THETA);
calcWnrFilter(h, Hw, 1.0 / double(snr));
    // Hw 计算（结束）
 
imgIn.convertTo(imgIn, CV_32F);
edgetaper(imgIn, imgIn);
 
    // 滤波（开始）
filter2DFreq(imgIn(roi), imgOut, Hw);
    // 滤波（结束）

函数 calcPSF() 根据输入参数 \(LEN\) 和 \(THETA\)（以度为单位）生成 PSF

void calcPSF(Mat& outputImg, Size filterSize, int len, double theta)
{
    Mat h(filterSize, CV_32F, Scalar(0));
    Point point(filterSize.width / 2, filterSize.height / 2);
ellipse(h, point, Size(0, cvRound(float(len) / 2.0)), 90.0 - theta, 0, 360, Scalar(255), FILLED);
    Scalar summa = sum(h);
outputImg = h / summa[0];
}

函数 edgetaper() 对输入图像的边缘进行锥形化，以减少恢复图像中的振铃效应

void edgetaper(const Mat& inputImg, Mat& outputImg, double gamma, double beta)
{
    int Nx = inputImg.cols;
    int Ny = inputImg.rows;
    Mat w1(1, Nx, CV_32F, Scalar(0));
    Mat w2(Ny, 1, CV_32F, Scalar(0));
 
    float* p1 = w1.ptr<float>(0);
    float* p2 = w2.ptr<float>(0);
    float dx = float(2.0 * CV_PI / Nx);
    float x = float(-CV_PI);
    for (int i = 0; i < Nx; i++)
    {
p1[i] = float(0.5 * (tanh((x + gamma / 2) / beta) - tanh((x - gamma / 2) / beta)));
x += dx;
    }
    float dy = float(2.0 * CV_PI / Ny);
    float y = float(-CV_PI);
    for (int i = 0; i < Ny; i++)
    {
p2[i] = float(0.5 * (tanh((y + gamma / 2) / beta) - tanh((y - gamma / 2) / beta)));
y += dy;
    }
    Mat w = w2 * w1;
multiply(inputImg, w, outputImg);
}