图像去模糊代码 python_python

不幸的是，您寻求解决的问题比您预期的要困难。 让我分四个部分进行说明。 第一部分假定您对傅立叶变换感到满意。

为什么您不能通过简单的反卷积来解决此问题。

概述如何执行图像去模糊。

通过FFT反卷积以及为什么这是个坏主意

一种执行反卷积的替代方法

但是首先，一些符号：

我用I表示图像，用K表示卷积核。 I * K是图像I与内核K的卷积。 F (I)是图像I的(n维)傅立叶变换， F (K)是卷积核K的傅立叶变换(也称为点扩展函数或PSF)。 同样， Fi是傅立叶逆变换。

为什么您不能通过简单的反卷积来解决此问题：

当你说我们能恢复模糊图像磅你是正确= I * K除以傅立叶变换K的傅立叶变换Ib的。 但是，镜头模糊不是卷积模糊操作。 这是一种改进的卷积模糊运算，其中模糊核K取决于与您拍摄的物体的距离。 因此，内核随像素变化。

您可能会认为这与图像无关，因为您已经在图像位置测量了正确的内核。 但是，情况可能并非如此，因为图像的较远部分会影响图像的较近部分。 解决此问题的一种方法是裁剪图像，以便仅可见纸。

为什么通过FFT解卷积是一个坏主意：

卷积定理指出I * K = Fi ( F (I) F (K)) 。 该定理导致一个合理的假设，即如果我们有一个图像， Ib = I * K被卷积核K模糊，那么我们可以通过计算I =( F (Ib)/ F (K))来恢复去模糊的图像。 。

在我们探讨为什么这不是一个好主意之前，我想对卷积定理的含义有一些直觉。 当我们将图像与内核卷积时，这与获取图像的频率分量并将其逐元素乘以内核的频率分量相同。

现在，让我解释一下为什么