使用图片的清晰部分重新创建PSF

Question

我试图解开以下图片的模糊片段。

原来的PSF没有给出，所以我继续分析模糊的部分，看看是否有一个我可以粗略说出的词。我发现我可以弄清楚＆＃34;＆＃34;在模糊的部分。我裁掉了模糊的＆＃34;＆＃34;＆＃34;以及明确部分中的对应部分，如下所示。

然后我想通过FFT中的讲座，将模糊（频域）与特定模糊函数（频域）分开，以重新创建原始图像。

我认为如果我可以做Unblurred（频域）\模糊（频域），可以检索原始PSF。请告诉我如何做到这一点。

以下是我的代码：

img = im2double(imread('C:\Users\adhil\Desktop\matlab pics\image1.JPG'));
Blurred = imcrop(img,[205 541 13 12]);
Unblurred = imcrop(img,[39 140 13 12]);

UB = fftshift(Unblurred);
UB = fft2(UB); 
UB = ifftshift(UB); 

F_1a = zeros(size(B));
for idx = 1 : size(Blurred, 3)
    B = fftshift(Blurred(:,:,idx));
    B = fft2(B); 
    B = ifftshift(B);

    UBa = UB(:,:,idx);
    tmp = UBa ./ B; 
    tmp = ifftshift(tmp); 
    tmp = ifft2(tmp); 
    tmp = fftshift(tmp); 
    [J, P] = deconvblind(Blurred,tmp);    

end

subplot(1,3,1);imshow(Blurred);title('Blurred');
subplot(1,3,2);imshow(Unblurred);title('Original Unblurred');
subplot(1,3,3);imshow(J);title('Attempt at unblurring');

但是，此代码不起作用，我收到以下错误：

Error using deconvblind
Expected input number 2, INITPSF, to be real.

Error in deconvblind>parse_inputs (line 258)
validateattributes(P{1},{'uint8' 'uint16' 'double' 'int16' 'single'},...

Error in deconvblind (line 122)
[J,P,NUMIT,DAMPAR,READOUT,WEIGHT,sizeI,classI,sizePSF,FunFcn,FunArg] = ...

Error in test2 (line 20)
    [J, P] = deconvblind(Blurred,tmp);

这是重建原始PSF的好方法吗？

Answer 1

我不是该领域的专家，但是我已经进行了一些反卷积的工作，并且编写了一个程序来计算给定清晰图像和模糊图像时的点扩散函数。使用此程序获得psf函数后，我通过使用它对模糊图像进行反卷积验证了它的正确性，并且可以正常工作。代码如下。我知道这篇文章非常古老，但是希望它对某些人仍然有用。

import numpy as np
import matplotlib.pyplot as plt
import cv2

def deconvolve(normal, blur):
    blur_fft = np.fft.rfft2(blur)
    normal_fft = np.fft.rfft2(normal)
    return np.fft.irfft2(blur_fft/(normal_fft))

img = cv2.imread('Blurred_Image.jpg')
blur = img[:,:,0]
img2 = cv2.imread('Original_Image.jpg')
normal = img2[:,:,0]

psf_real = deconvolve(normal, blur)


fig = plt.figure(figsize=(10,4))
ax1 = plt.subplot(131)
ax1.imshow(blur)
ax2 = plt.subplot(132)
ax2.imshow(normal)
ax3 = plt.subplot(133)
ax3.imshow(psf_real)
plt.gray()
plt.show()