图像反褶积

在这个例子中，我们使用维纳和无监督维纳算法对噪声图像进行去卷积。这种算法基于线性模型，不能像非线性方法(如电视恢复)那样恢复锐利的边缘，但速度要快得多。

维纳过滤

基于PSF(点扩展函数)、先验正则化(高频的惩罚)以及数据和先验充分性之间的权衡的逆滤波。正则化参数必须手动调整。

无人监督的维纳

该算法具有基于数据学习的自调整正则化参数。这并不常见，并基于以下出版物 1. 该算法基于迭代Gibbs采样器，该采样器交替地提取图像的后验条件律、噪声功率和图像频率功率的样本。

1

François Orieux、Jean-François Giovannelli和Thomas Rodet，“Wiener-Hunt反卷积的正则化和点扩展函数参数的贝叶斯估计”，J.Opt。SoC。上午好。A 27,1593-1607(2010)

import numpy as np
import matplotlib.pyplot as plt

from skimage import color, data, restoration

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() * np.random.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()