### 使用 OpenCV-Python 实现模糊图像生成、逆滤波复原及效果对比 以下是一个完整的代码示例，展示如何使用 OpenCV 和 Python 来生成模糊图像、应用逆滤波复原来恢复图像，并进行效果对比。 #### 模糊图像生成 可以通过卷积核模拟运动模糊或其他类型的模糊。这里我们定义一个简单的线性运动模糊核[^1]： ```python import cv2 import numpy as np from matplotlib import pyplot as plt # 读取原始图像 original_image = cv2.imread('image.jpg', 0) def generate_blur_kernel(size, angle): """生成运动模糊的卷积核""" kernel_length = size psi = (angle / 180.) * np.pi cos_psi = np.cos(psi) sin_psi = np.sin(psi) # 创建空白卷积核 kernel = np.zeros((kernel_length, kernel_length)) center = int(kernel_length / 2) for i in range(-center, center + 1): x = int(round(i * cos_psi)) + center y = int(round(i * sin_psi)) + center if 0 <= x < kernel_length and 0 <= y < kernel_length: kernel[y][x] = 1 # 归一化卷积核 kernel /= kernel.sum() return kernel # 定义模糊参数 blur_size = 15 blur_angle = 45 blur_kernel = generate_blur_kernel(blur_size, blur_angle) # 应用模糊 blurred_image = cv2.filter2D(original_image, -1, blur_kernel) ``` #### 逆滤波复原 为了还原被模糊的图像，可以采用逆滤波方法。需要注意的是，在实际操作中可能会引入噪声放大问题，因此通常会结合正则化技术来改善结果[^2]。 ```python def inverse_filter(image, kernel): """执行逆滤波复原""" # 将图像转换为频率域 f_transform = np.fft.fft2(image) f_shift = np.fft.fftshift(f_transform) # 计算卷积核的频谱并移动中心 k_transform = np.fft.fft2(kernel, s=image.shape) k_shift = np.fft.fftshift(k_transform) # 防止除零错误 epsilon = 1e-9 restored_f = f_shift / (k_shift + epsilon) # 反向傅里叶变换得到空间域图像 restored_img = np.abs(np.fft.ifft2(np.fft.ifftshift(restored_f))) return restored_img.astype(np.uint8) restored_image = inverse_filter(blurred_image, blur_kernel) ``` #### 效果对比 最后，我们可以利用 `matplotlib` 展示原始图像、模糊图像以及复原后的图像之间的差异。 ```python plt.figure(figsize=(12, 6)) # 显示原始图像 plt.subplot(131), plt.imshow(original_image, cmap='gray') plt.title('Original Image'), plt.axis('off') # 显示模糊图像 plt.subplot(132), plt.imshow(blurred_image, cmap='gray') plt.title('Blurred Image'), plt.axis('off') # 显示复原图像 plt.subplot(133), plt.imshow(restored_image, cmap='gray') plt.title('Restored Image'), plt.axis('off') plt.tight_layout() plt.show() ``` 以上代码展示了如何通过自定义模糊核生成模糊图像，并基于逆滤波算法完成图像复原的过程[^1]。 --- ###