注意
转到结尾下载完整的示例代码。或者通过 Binder 在浏览器中运行此示例
图像反卷积#
在此示例中，我们使用维纳和无监督维纳算法对图像的噪声版本进行反卷积。这些算法基于线性模型，与非线性方法（如 TV 恢复）相比，无法恢复清晰的边缘，但速度快得多。
维纳滤波器#
基于 PSF（点扩散函数）、先验正则化（高频惩罚）和数据与先验充分性之间权衡的逆滤波器。正则化参数必须手动调整。
无监督维纳#
此算法具有基于数据学习的自调整正则化参数。这并不常见，并且基于以下出版物[1]。该算法基于迭代吉布斯采样器，该采样器交替绘制图像的后验条件律、噪声功率和图像频率功率的样本。
import numpy as np
import matplotlib.pyplot as plt
from skimage import color, data, restoration
rng = np.random.default_rng()
astro = color.rgb2gray(data.astronaut())
from scipy.signal import convolve2d as conv2
psf = np.ones((5, 5)) / 25
astro = conv2(astro, psf, 'same')
astro += 0.1 * astro.std() * rng.standard_normal(astro.shape)
deconvolved, _ = restoration.unsupervised_wiener(astro, psf)
fig, ax = plt.subplots(nrows=1, ncols=2, figsize=(8, 5), sharex=True, sharey=True)
plt.gray()
ax[0].imshow(astro, vmin=deconvolved.min(), vmax=deconvolved.max())
ax[0].axis('off')
ax[0].set_title('Data')
ax[1].imshow(deconvolved)
ax[1].axis('off')
ax[1].set_title('Self tuned restoration')
fig.tight_layout()
plt.show()
脚本的总运行时间：（0 分钟 0.524 秒）
