### 维纳滤波与逆滤波的原理 逆滤波是一种基于图像退化模型的方法，其核心思想是通过已知的点扩散函数（PSF）来恢复原始图像。然而，由于噪声的存在，逆滤波可能会放大噪声的影响，从而导致恢复效果不佳。 维纳滤波则是在逆滤波的基础上引入了一个优化目标——最小均方误差准则。它不仅考虑了信号本身的信息，还加入了噪声统计特性，因此能够在一定程度上抑制噪声影响[^1]。 --- ### Python 实现逆滤波和维纳滤波的代码示例 #### 1. 导入必要的库 以下是实现逆滤波和维纳滤波所需的常用库： ```python import numpy as np from scipy.fftpack import fft2, ifft2, fftshift, ifftshift import cv2 import matplotlib.pyplot as plt ``` #### 2. 定义 PSF 和 OTF 转换函数 为了方便后续计算，定义 `psf2otf` 函数用于将点扩散函数转换为光学传递函数（OTF），以及循环移位操作 `circShift`。 ```python def psf2otf(psf, shape): """ 将 PSF 转换为 OTF (Optical Transfer Function) :param psf: 点扩散函数 :param shape: 输出 OTF 的形状 :return: OTF """ psf = np.pad(psf, ((0, shape[0]-psf.shape[0]), (0, shape[1]-psf.shape[1])), 'constant') for axis, axis_size in enumerate(shape): psf = np.roll(psf, -int(axis_size / 2), axis=axis) otf = fft2(psf) n_ops = np.sum(np.array(psf.shape) * np.log2(np.array(psf.shape))) if np.iscomplexobj(psf) and n_ops > threshold: otf = np.real(otf) return otf def circShift(image, shift): """ 循环移位 """ shifted_image = np.roll(image, shift, axis=(0, 1)) return shifted_image ``` #### 3. 逆滤波实现 逆滤波的核心在于利用 FFT 对退化的图像进行频域处理，并除以对应的 OTF 值。 ```python def inverse_filter(blurred_img, psf): """ 使用逆滤波恢复图像 :param blurred_img: 模糊图像 :param psf: 点扩散函数 :return: 恢复后的图像 """ H = psf2otf(psf, blurred_img.shape[:2]) # 计算 OTF F_blur = fft2(blurred_img) # 频域表示模糊图像 F_restored = F_blur / H # 进行逆运算 restored_img = np.abs(ifft2(F_restored)) # 反变换到空间域 return restored_img ``` #### 4. 维纳滤波实现 维纳滤波在逆滤波基础上加入了一项正则化参数 \( K \)，用来平衡信噪比。 ```python def wiener_filter(blurred_img, psf, k=0.01): """ 使用维纳滤波恢复图像 :param blurred_img: 模糊图像 :param psf: 点扩散函数 :param k: 正则化参数，默认值为 0.01 :return: 恢复后的图像 """ H = psf2otf(psf, blurred_img.shape[:2]) # 计算 OTF H_conj = np.conj(H) # 复共轭 numerator = H_conj # 分子部分 denominator = H * H_conj + k # 分母部分 G = numerator / denominator # Wiener 滤波器 F_blur = fft2(blurred_img) # 频域表示模糊图像 F_restored = G * F_blur # 应用滤波器 restored_img = np.abs(ifft2(F_restored)) # 反变换到空间域 return restored_img ``` #### 5. 测试代码 加载一张测试图片并应用上述方法。 ```python # 加载图像 image = cv2.imread('test.jpg', 0) # 灰度图读取 blurred_image = apply_motion_blur(image, kernel_length=15, angle=30) # 创建运动模糊 # 定义 PSF kernel = motion_kernel(length=15, theta=30) # 逆滤波 restored_inverse = inverse_filter(blurred_image, kernel) # 维纳滤波 restored_wiener = wiener_filter(blurred_image, kernel, k=0.01) # 显示结果 plt.figure(figsize=(12, 8)) plt.subplot(2, 2, 1), plt.imshow(image, cmap='gray'), plt.title('Original Image') plt.subplot(2, 2, 2), plt.imshow(blurred_image, cmap='gray'), plt.title('Blurred Image') plt.subplot(2, 2, 3), plt.imshow(restored_inverse, cmap='gray'), plt.title('Restored by Inverse Filter') plt.subplot(2, 2, 4), plt.imshow(restored_wiener, cmap='gray'), plt.title('Restored by Wiener Filter') plt.show() ``` --- ###