运动模糊滤波器

目录

• 目标
• 理论
  • 运动模糊图像的 PSF 是什么？
  • 如何恢复模糊图像？
• 源代码
• 解释
• 结果

上一个教程： 离焦去模糊滤镜
下一个教程： 基于梯度结构张量的各向异性图像分割

原始作者	Karpushin Vladislav
兼容性	OpenCV >= 3.0

目标

在本教程中，您将学习

• 了解运动模糊图像的 PSF 是什么
• 如何恢复运动模糊图像

理论

关于图像退化模型理论和维纳滤波理论，您可以参考教程 离焦去模糊滤镜。本页面只考虑线性运动模糊失真。本页面中的运动模糊图像是真实世界的图像。模糊是由移动的物体引起的。

运动模糊图像的 PSF 是什么？

线性运动模糊失真的点扩散函数（PSF）是一个线段。这种 PSF 由两个参数指定：\(LEN\) 是模糊的长度，\(THETA\) 是运动的角度。

线性运动模糊失真的点扩散函数

如何恢复模糊图像？

本页面使用维纳滤波器作为恢复滤波器，详情请参考教程 离焦去模糊滤镜。为了合成适用于运动模糊情况的维纳滤波器，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 | input image name }"
"{LEN |125 | length of a motion }"
"{THETA |0 | angle of a motion in degrees }"
"{SNR |700 | signal to noise ratio }"
;
 
int main(int argc, char *argv[])
{
help();
    CommandLineParser parser(argc, argv, keys);
    if (parser.has("help"))
    {
parser.printMessage();
        return 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;
    }
 
    Mat imgIn;
imgIn = imread(strInFileName, IMREAD_GRAYSCALE);
    if (imgIn.empty()) //check whether the image is loaded or not
    {
cout << "ERROR : Image cannot be loaded..!!" << endl;
        return -1;
    }
 
    Mat imgOut;
 
    // it needs to process even image only
    Rect roi = Rect(0, 0, imgIn.cols & -2, imgIn.rows & -2);
 
    //Hw calculation (start)
    Mat Hw, h;
calcPSF(h, roi.size(), LEN, THETA);
calcWnrFilter(h, Hw, 1.0 / double(snr));
    //Hw calculation (stop)
 
imgIn.convertTo(imgIn, CV_32F);
edgetaper(imgIn, imgIn);
 
    // filtering (start)
filter2DFreq(imgIn(roi), imgOut, Hw);
    // filtering (stop)
 
imgOut.convertTo(imgOut, CV_8U);
normalize(imgOut, imgOut, 0, 255, NORM_MINMAX);
imwrite("result.jpg", imgOut);
    return 0;
}
 
void help()
{
cout << "2018-08-14" << endl;
cout << "Motion_deblur_v2" << endl;
cout << "You will learn how to recover an image with motion blur distortion using a Wiener filter" << 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);
}

解释

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

    // it needs to process even image only
    Rect roi = Rect(0, 0, imgIn.cols & -2, imgIn.rows & -2);
 
    //Hw calculation (start)
    Mat Hw, h;
calcPSF(h, roi.size(), LEN, THETA);
calcWnrFilter(h, Hw, 1.0 / double(snr));
    //Hw calculation (stop)
 
imgIn.convertTo(imgIn, CV_32F);
edgetaper(imgIn, imgIn);
 
    // filtering (start)
filter2DFreq(imgIn(roi), imgOut, Hw);
    // filtering (stop)

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渐变处理，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);
}

函数 calcWnrFilter()、fftshift() 和 filter2DFreq() 通过在频域中指定 PSF 来实现图像滤波。这些函数是从教程 离焦去模糊滤镜 中复制而来。

结果

下面您可以看到带有运动模糊失真的真实世界图像。两辆车的车牌都无法识别。红色标记显示了车牌的位置。

下面您可以看到黑色汽车车牌的恢复结果。该结果是使用 \(LEN\) = 125、\(THETA\) = 0、\(SNR\) = 700 计算得出的。

下面您可以看到白色汽车车牌的恢复结果。该结果是使用 \(LEN\) = 78、\(THETA\) = 15、\(SNR\) = 300 计算得出的。

\(SNR\)、\(LEN\) 和 \(THETA\) 的值是手动选择的，以获得最佳的视觉效果。\(THETA\) 参数与汽车的移动方向一致，而 \(LEN\) 参数取决于汽车的移动速度。结果并非完美，但至少它为我们提供了图像内容的线索。经过一些努力，现在车牌可以识别了。

注意

参数 \(LEN\) 和 \(THETA\) 最为重要。您应该首先调整 \(LEN\) 和 \(THETA\)，然后是 \(SNR\)。

您还可以观看一个快速视频演示，了解车牌恢复方法：YouTube。