【opencv】教程代码 —ImgProc （6）通过Wiener滤波器恢复运动模糊图像

news2024/11/17 22:24:00

6. motion_deblur_filter.cpp通过Wiener滤波器恢复运动模糊图像（参数难调）

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

/**
* @brief 学习如何使用Wiener滤波器恢复运动模糊失真的图像。
* @author 混沌鱼, karpushin@ngs.ru, https://github.com/VladKarpushin
*/
#include <iostream>
#include "opencv2/imgproc.hpp"
#include "opencv2/imgcodecs.hpp"


// 使用OpenCV和标准库的命名空间
using namespace cv;
using namespace std;


// 函数声明
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);


// 定义程序可能接受的命令行参数。
const String keys =
"{help h usage ? |             | print this message                }"
"{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             }"
;


// 主函数
int main(int argc, char *argv[])
{
    // 显示帮助信息
    help();
    // 解析命令行参数
    CommandLineParser parser(argc, argv, keys);
    // 如果请求帮助，则打印帮助信息并退出程序。
    if (parser.has("help"))
    {
        parser.printMessage();
        return 0;
    }
    
    // 从命令行参数中获取LEN, THETA, SNR和图像文件名的值。
    int LEN = parser.get<int>("LEN");
    double THETA = parser.get<double>("THETA");
    int snr = parser.get<int>("SNR");
    string strInFileName = parser.get<String>("image");


    // 检查解析的命令行参数是否有误。
    if (!parser.check())
    {
        parser.printErrors();
        return 0;
    }


    // 加载图像文件
    Mat imgIn;
    imgIn = imread(strInFileName, IMREAD_GRAYSCALE);
    // 如果图像为空，则载入失败，打印错误信息并退出。
    if (imgIn.empty())
    {
        cout << "ERROR : Image cannot be loaded..!!" << endl;
        return -1;
    }
    // 图像处理后保存的输出图像。
    Mat imgOut;


// 主要的图像处理过程开始
    // 只处理偶数大小的图像
    Rect roi = Rect(0, 0, imgIn.cols & -2, imgIn.rows & -2);


    // 计算Hw（滤波器），过程开始
    Mat Hw, h;
    calcPSF(h, roi.size(), LEN, THETA);
    calcWnrFilter(h, Hw, 1.0 / double(snr));
    // 计算Hw（滤波器），过程结束


    // 将图像转换为浮点型并进行边缘锥化处理。
    imgIn.convertTo(imgIn, CV_32F);
    edgetaper(imgIn, imgIn);


    // 开始滤波处理
    filter2DFreq(imgIn(roi), imgOut, Hw);
    // 结束滤波处理
// 主要的图像处理过程结束


    // 将处理后的图像转换回8位无符号整数型并进行归一化。
    imgOut.convertTo(imgOut, CV_8U);
    normalize(imgOut, imgOut, 0, 255, NORM_MINMAX);
    // 将处理后的图像保存至文件。
    imwrite("result.jpg", imgOut);
    return 0;
}


// 显示帮助信息的函数实现。
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;
}


// 计算点扩散函数（PSF）的函数实现。
void calcPSF(Mat& outputImg, Size filterSize, int len, double theta)
{
    // 创建图像并用0填充。
    Mat h(filterSize, CV_32F, Scalar(0));
    // 获取滤波器的中心点。
    Point point(filterSize.width / 2, filterSize.height / 2);
    // 在图像中绘制椭圆（运动模糊PSF）。
    ellipse(h, point, Size(0, cvRound(float(len) / 2.0)), 90.0 - theta, 0, 360, Scalar(255), FILLED);
    // 对图像求和得到总和。
    Scalar summa = sum(h);
    // 将图像h除以总和summa[0]来规格化PSF。
    outputImg = h / summa[0];
}


// 频率域上对信号进行中心化的函数实现。
void fftshift(const Mat& inputImg, Mat& outputImg)
{
    // 克隆输入图像以获得与其大小相同的输出图像。
    outputImg = inputImg.clone();
    // 计算图像的中心点坐标。
    int cx = outputImg.cols / 2;
    int cy = outputImg.rows / 2;
    // 划分图像为四块。
    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));
    // 交换这四块图像，实现中心化。
    Mat tmp;
    q0.copyTo(tmp);
    q3.copyTo(q0);
    tmp.copyTo(q3);
    q1.copyTo(tmp);
    q2.copyTo(q1);
    tmp.copyTo(q2);
}


// 在频率域上应用滤波器的函数实现。
void filter2DFreq(const Mat& inputImg, Mat& outputImg, const Mat& H)
{
    // 创建两个平面的数组，其中一个为浮点型的输入图像，另一个为和输入图像同等大小的零矩阵。
    Mat planes[2] = { Mat_<float>(inputImg.clone()), Mat::zeros(inputImg.size(), CV_32F) };
    Mat complexI;
    // 合并两个平面形成复数图像。
    merge(planes, 2, complexI);
    // 进行离散傅里叶变换。
    dft(complexI, complexI, DFT_SCALE);


    Mat planesH[2] = { Mat_<float>(H.clone()), Mat::zeros(H.size(), CV_32F) };
    Mat complexH;
    // 为H矩阵也创建复数形式。
    merge(planesH, 2, complexH);
    Mat complexIH;
    // 对输入图像和滤波器进行逐个元素的复数乘法。
    mulSpectrums(complexI, complexH, complexIH, 0);


    // 进行离散傅里叶逆变换。
    idft(complexIH, complexIH);
    // 分离平面得到结果图像。
    split(complexIH, planes);
    outputImg = planes[0];
}


// 计算维纳滤波器的函数实现。
void calcWnrFilter(const Mat& input_h_PSF, Mat& output_G, double nsr)
{
    Mat h_PSF_shifted;
    // 对输入的PSF进行中心化。
    fftshift(input_h_PSF, h_PSF_shifted);
    // 为h_PSF_shifted创建两个平面，其中一个为浮点型形式的h_PSF_shifted，另一个为同等大小的零矩阵。
    Mat planes[2] = { Mat_<float>(h_PSF_shifted.clone()), Mat::zeros(h_PSF_shifted.size(), CV_32F) };
    Mat complexI;
    // 合并两个平面形成复数图像。
    merge(planes, 2, complexI);
    // 进行离散傅里叶变换。
    dft(complexI, complexI);
    // 分离平面得到h_PSF的幅度。
    split(complexI, planes);
    Mat denom;
    // 计算|h_PSF|的平方和加上噪声功率谱比(nsr)。
    pow(abs(planes[0]), 2, denom);
    denom += nsr;
    // 对h_PSF除以denom得到Wiener滤波器。
    divide(planes[0], denom, output_G);
}


// 对图像边缘执行锥形衰减的函数实现。
//! [edgetaper]
// 执行边缘渐变处理的功能，减少频谱泄露
void edgetaper(const Mat& inputImg, Mat& outputImg, double gamma, double beta)
{
    // 获取输入图像的列数Nx和行数Ny
    int Nx = inputImg.cols;
    int Ny = inputImg.rows;
    
    // 创建两个类型为浮点型的Mat矩阵w1和w2，w1的大小是1xNx，w2的大小是Nyx1
    // 并使用无效的黑色标量像素初始化（初始化为0）
    Mat w1(1, Nx, CV_32F, Scalar(0));
    Mat w2(Ny, 1, CV_32F, Scalar(0));


    // 获取w1和w2的指针，以便后面直接修改其值
    float* p1 = w1.ptr<float>(0);
    float* p2 = w2.ptr<float>(0);
    
    // dx是x方向的间隔参数，初始化为对应于-π到π的步长
    float dx = float(2.0 * CV_PI / Nx);
    // 初始化x的初始值为-π
    float x = float(-CV_PI);
    // 计算每一列的权重，存入w1中
    for (int i = 0; i < Nx; i++)
    {
        p1[i] = float(0.5 * (tanh((x + gamma / 2) / beta) - tanh((x - gamma / 2) / beta)));
        x += dx;
    }
    
    // dy是y方向的间隔参数，初始化为对应于-π到π的步长
    float dy = float(2.0 * CV_PI / Ny);
    // 初始化y的初始值为-π
    float y = float(-CV_PI);
    // 计算每一行的权重，存入w2中
    for (int i = 0; i < Ny; i++)
    {
        p2[i] = float(0.5 * (tanh((y + gamma / 2) / beta) - tanh((y - gamma / 2) / beta)));
        y += dy;
    }
    
    // 创建矩阵w，它是w1和w2的外积，代表整个图像的每个像素的权重
    Mat w = w2 * w1;
    // 使用权重矩阵w对输入图像进行点乘，以便对图像进行边缘渐变处理，结果存入输出图像outputImg
    multiply(inputImg, w, outputImg);
}
//! [edgetaper]