图像去模糊

Question

这篇文章分为两部分

---

第一部分

我在将图像从灰度转换回 RGB 时遇到了一点问题。

有问题的图片：

我用这段代码来转换它：

equ = cv2.cvtColor(equ, cv2.COLOR_GRAY2RGB)

虽然没有成功...

---

第二部分

此外，我需要对此类图像进行去模糊处理。 Here 我发现了一些使用维纳过滤器的代码，但是当我实现它时，它似乎不能有效地工作。代码如下：

psf = np.ones((5, 5)) / 25
img = convolve2d(equ, psf, 'same')
img += 0.1 * img.std() * np.random.standard_normal(img.shape)
#deconvolved_img = restoration.wiener(img, psf, 1100)
deconvolved = restoration.wiener(img, psf, 1, clip=False)
plt.imshow(deconvolved, cmap='gray')

这是输出：

非常感谢您对这两个问题的任何帮助！

Answer 1

要均衡彩色图像，似乎很常见的做法是

• 将图像转换为 HSV 或 YUV
• 将图像拆分为单独的组件（例如 H、S、V）
• 均衡价值渠道（或所有三个，如果你想）

• 将频道重新合并在一起

  hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
  split = cv2.split(hsv)  # split is a 3D array containing H S V info
  split[2] = cv2.equalizeHist(split[2])
  hsv = cv2.merge(split)
  img = cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR)
  

对于“去模糊”，我有时会使用不清晰的蒙版。从Wikipedia page on unsharp masking，这个操作的公式是

锐化=原始+（原始-模糊）×数量

可以重新排列为

锐化=原始×（1 +数量）+模糊×（-数量）

维基百科说amount 的一个很好的起点是 0.5 到 1.5。在我的应用程序中，我有一个旋转框，让它在 0 和 10 之间变化。对于模糊，我使用内核大小从 1 到 31（必须是奇数和整数）的高斯模糊。要进行矩阵数学运算，我更喜欢使用 OpenCV 函数，因为它们通常比 NumPy 更快，并且它们通常会将输出自动缩放到 0 到 255 之间的值（例如，对于 8 位和 8 位/3 通道图像）。这里我们使用addWeighted

dst = src1*alpha + src2*beta + gamma;

amount = 1.5
ksize = 3
blur = cv2.GaussianBlur(img, ksize, 0, 0)
unsharp = cv.addWeighted(img, 1 + amount, blur, -amount, 0)