解模糊图像使用盲反褶积

这个例子展示了如何使用盲反褶积解模糊图像。的例子说明了这个操作的迭代特性,使得两个通过去模糊图像使用可选参数。

读一个图像到工作区中显示它。

我= imread (“cameraman.tif”);图imshow(我)标题(原始图像的)

创建一个点扩散函数(PSF)。PSF描述一个光学系统模糊的程度(传播)的光。

PSF = fspecial (“运动”13、45);图imshow (PSF, [],“InitialMagnification”,“健康”)标题(“原始PSF”)

创建一个模拟模糊的图像,使用PSF,并显示模糊图像。

模糊= imfilter (PSF,我“保监会”,“conv”);图imshow(模糊)标题(模糊图像的)

解模糊图像使用deconvblind函数。你必须做一个初始猜测的PSF。确定PSF的大小,研究模糊图像和测量一个模糊的宽度(以像素为单位)围绕着一个明显的利器。因为PSF的规模比它所包含的价值观更重要,您通常可以指定数组1作为初始的PSF。

在这个最初的恢复,deconvblind能解模糊图像在很大程度上。然而,注意周围的铃声尖锐的强度对比地区恢复图像。(这个例子消除edge-related响通过使用“循环”选项imfilter当创建模拟模糊图像。)实现一个更满意的结果,重新运行操作,尝试不同大小的psf。每个返回的恢复PSF反褶积也可以提供宝贵的暗示了PSF的最优规模。

INITPSF = 1(大小(PSF));P [J] = deconvblind(模糊INITPSF 30);图imshow (J)标题(恢复图像的)

图imshow (P []“InitialMagnification”,“健康”)标题(“恢复了PSF”)

改善结果的一种方法是创建一个权重数组来排除由模糊变清晰的高对比度区域操作。这可以减少contrast-related响的结果。

创建一个权重数组,数组创建一个相同大小的图像,并分配数组中的值0到像素对应于原始图像的像素要排除处理。本例使用边缘检测和形态学处理图像中检测高对比度区域。由于模糊图像中是线性的,膨胀的示例图像两次。排除图像边界像素(高对比度区域)处理,使用的例子padarray0的值分配给所有边界像素。

重量=边缘(我“索贝尔”陈霞);se1 = strel (“磁盘”1);se2 = strel (“行”13、45);重量= ~ imdilate(重量,[se1 se2]);重量= padarray(重量(2:end-1, 2: end-1) [1]);图imshow(重量)标题(权重数组的)

完善PSF的猜测。返回的重建PSF第一次通过反褶积,P显示一个明确的线性。第二,示例使用一个新的PSF返回的PSF是一样的,但与小的振幅像素设置为0。

P1 = P;P1(找到(P1 < 0.01)) = 0;

再次运行反褶积,这次指定权重数组和修改后的PSF。注意恢复图像更响在剧烈强度区域比第一遍的结果。

(J2 P2) = deconvblind(模糊、P1、50、[]、双(重量));图中,imshow (J2)标题(“新解模糊的图像”);

图,imshow (P2, [],“InitialMagnification”,“健康”)标题(“新重建PSF”)

改进的结果

的deconvblind函数,默认情况下,执行由模糊变清晰的多次迭代的过程。你可以停止处理一定数量的迭代后检查结果,然后重新启动停止迭代点的处理。要使用此功能,您必须通过模糊图像和PSF细胞数组,例如,{模糊}和{INITPSF}。

的deconvblind函数返回的输出图像和恢复了PSF细胞阵列。输出图像细胞数组包含这四个元素:

PSF输出单元阵列包含相似的元素。