图像模糊复原(代码讲解)#去雾#毕业设计

简介: 图像模糊复原(代码讲解)#去雾#毕业设计

1.主要内容和目标


本文讲述如何运用代码来将迷糊图像进行复原,以达到清晰图像以及细节增强的目的。

首先呈现了前后对比图,左图为模糊原图,右图为复原图像。

(不只是用在二值图像)

218c78b245ab1de60e46ecf4d1159e0e_c1144694ab184071935a7ab6ca6bc4d8.png

2.代码讲述


```python
def multiScaleSharpen(img ,radius):
    h,w,chan = img.shape
    GaussBlue1 = np.zeros(img.shape,dtype = uint8)#创建mask
    GaussBlue2 = np.zeros(img.shape, dtype=uint8)
    GaussBlue3 = np.zeros(img.shape, dtype=uint8)
    Dest_float_img = np.zeros(img.shape, dtype=float32)
    Dest_img = np.zeros(img.shape, dtype=uint8)
    w1 = xx#权重选择
    w2 =xx
    w3 = xx
    GaussBlue1 = cv2.GaussianBlur(img,(radius,radius),x)#高斯模糊
    GaussBlue2 = cv2.GaussianBlur(img,(radius*x,radius*x),x)
    GaussBlue3 = cv2.GaussianBlur(img,(radius*x,radius*x),x)
    for i in range(0,h):#遍历图像
        for j in range(0,w):
            for k in range(0,chan):
                Src = img.item(i,j,k)
                D1 = Src-GaussBlue1.item(i,j,k)
                D2 = GaussBlue1.item(i,j,k) - xxx
                xxxx=xxx+xxxx
                Dest_img=xxxx
    return Dest_img
if __name__ == '__main__':
    img = cv2.imread('C:\\Users\\AIR\\Desktop\\a\\imwrite\\11.png',1)
    #img = cv2.imread("128.jpg")
    h,w,d=img.shape
    multiScaleSharpen_out = np.zeros((h,w,d), dtype=uint8)
    multiScaleSharpen_out = multiScaleSharpen(img,5)#jishu
    multiScaleSharpen_out1 = np.zeros((h,w,d), dtype=uint8)
    multiScaleSharpen_out1 = multiScaleSharpen(img,11)#jishu
    cv2.imwrite('C:\\Users\\AIR\\Desktop\\a\\imwrite\\12.png',multiScaleSharpen_out)
    cv2.imshow('src',img)
    cv2.imshow('dst_5',multiScaleSharpen_out)
    cv2.imshow('dst_11',multiScaleSharpen_out1)
上述细节增强和模糊复原有一定去雾功效。
根据此模板,利用加权高斯滤波,将完成模糊图像复原。可以将论文中的模糊图像复原,完成毕业设计用。

相关文章
|
6月前
|
机器学习/深度学习 编解码 并行计算
【传知代码】用二维图像渲染3D场景视频-论文复现
mip-NeRF是针对NeRF(Neural Radiance Fields)的改进模型,旨在解决NeRF在不同分辨率下渲染图像时的模糊和伪影问题。mip-NeRF通过引入多尺度表示和圆锥体采样,减少了图像伪影,提升了细节表现力,同时比NeRF快7%,模型大小减半。相比NeRF,mip-NeRF在标准数据集上的错误率降低17%,多尺度数据集上降低60%。此外,它的渲染速度比超采样NeRF快22倍。该模型适用于3D场景渲染和相关应用,具有广阔的发展前景。
|
编解码 人工智能 算法
社区供稿 | AIGC图像分辨率太低?快来试试像素感知扩散超分模型,你想要的细节都在这里!
本文介绍了一种全新的基于SD生成先验的图像超分辨率和修复算法,在多个任务上都有着SOTA的表现。
|
6月前
|
算法
白平衡相关内容,算法
色温: 讨论白平衡,就要从色温谈起,色温顾名思义就是色彩的温度,它指的是绝对黑体从绝对零度开始持续加热所呈现出来的颜色。温度升高,颜色开始从红、橙、黄、绿、蓝、靛、紫,逐渐变化。这些颜色的差异来自于不同波长光线的比例不同,色温越低,波长较长的光线比例大,红色成分就多。色温越高,波长较短的光线比例大,蓝色的成分就多。
75 0
|
编解码 人工智能 移动开发
AIGC图像分辨率太低?快来试试像素感知扩散超分模型,你想要的细节都在这里
阿里巴巴最新自研的像素感知扩散超分模型已经开源,它把扩散模型强大的生成能力和像素级控制能力相结合,能够适应从老照片修复到AIGC图像超分的各种图像增强任务和各种图像风格,并且能够控制生成强度和增强风格。这项技术的直接应用之一是AIGC图像的后处理增强和二次生成,能够带来可观的效果提升。
861 4
|
机器学习/深度学习 编解码 算法
CV之NoGAN:利用图像增强技术(图片上色)实现对旧图像和电影片段进行着色和修复(爱因斯坦、鲁迅旧照/清末官员生活场景等案例)
CV之NoGAN:利用图像增强技术(图片上色)实现对旧图像和电影片段进行着色和修复(爱因斯坦、鲁迅旧照/清末官员生活场景等案例)
CV之NoGAN:利用图像增强技术(图片上色)实现对旧图像和电影片段进行着色和修复(爱因斯坦、鲁迅旧照/清末官员生活场景等案例)
|
机器学习/深度学习 算法 PyTorch
Python实现替换照片人物背景,精细到头发丝(附上代码) | 机器学习(1)
Python实现替换照片人物背景,精细到头发丝(附上代码) | 机器学习
Python实现替换照片人物背景,精细到头发丝(附上代码) | 机器学习(1)
|
人工智能 编解码 移动开发
NeRF基于线稿生成逼真三维人脸,细节风格随意改,论文已上SIGGRAPH
NeRF基于线稿生成逼真三维人脸,细节风格随意改,论文已上SIGGRAPH
461 0
|
编解码 缓存 计算机视觉
神还原物体复杂、高频细节,4K-NeRF高保真视图合成来了
神还原物体复杂、高频细节,4K-NeRF高保真视图合成来了
139 0
|
机器学习/深度学习 人工智能 算法
活久见!像素随机打乱的手写字体图像竟能被非监督学习方法全新重建?
活久见!像素随机打乱的手写字体图像竟能被非监督学习方法全新重建?
|
并行计算 前端开发 数据可视化
【视觉基础篇】11 # 图案生成:如何生成重复图案、分形图案以及随机效果?
【视觉基础篇】11 # 图案生成:如何生成重复图案、分形图案以及随机效果?
186 0
【视觉基础篇】11 # 图案生成:如何生成重复图案、分形图案以及随机效果?