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

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 
#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服务器托管网参数。
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("LEN");
    double THETA = parser.get("THETA");
    int snr = parser.get("SNR");
    string strInFileName = parser.get("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 (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_(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_(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(c服务器托管网omplexI, 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(0);
    float* p2 = w2.ptr(0);
    
    // dx是x方向的间隔参数，初始化为对应于-到的步长
    float dx = float(2.0 * CV_PI / Nx);
    // 初始化x的初始值为-
    float x = float(-CV_PI);
    // 计算每一列的权重，存入w1中
    for (int i = 0; i