Image processing 为什么韦纳滤波器只减少噪音在我的情况下，它不是减少模糊量

我正在用python实现weiner滤波，它应用于使用圆盘形状点扩散函数模糊的图像，我包括制作圆盘形状psf和weiner滤波器的代码

def weinerFiltering(kernel,K_const,image):
    #F(u,v)
    copy_img= np.copy(image)
    image_fft =np.fft.fft2(copy_img)
    #H(u,v)
    kernel_fft  = np.fft.fft2(kernel,s=copy_img.shape)
    #H_mag(u,v)
    kernel_fft_mag = np.abs(kernel_fft)
    #H*(u,v)
    kernel_conj = np.conj(kernel_fft)

    f = (kernel_conj)/(kernel_fft_mag**2 + K_const)
    return np.abs(np.fft.ifft2(image_fft*f))


def makeDiskShape(arr,radius,centrX,centrY):
    for i in range(centrX-radius,centrX+radius):
        for j in range(centrY-radius,centrY+radius):
            if(l2dist(centrX,centrY,i,j)<=radius):
                arr[i][j]=1
    return arr/np.sum(arr)

def weinerFiltering（内核、K_常数、图像）：
#F（u，v）
复制\u img=np.复制（图像）
图像\u fft=np.fft.fft2（复制\u img）
#H（u，v）
kernel\u fft=np.fft.fft2（kernel，s=copy\u img.shape）
#H_mag（u，v）
kernel\u fft\u mag=np.abs（kernel\u fft）
#H*（u，v）
kernel\u conj=np.conj（kernel\u fft）
f=（核函数）/（核函数fft函数**2+K常数）
返回np.abs（np.fft.ifft2（image_fft*f））
def makeDiskShape（arr、半径、中心X、中心Y）：
对于范围内的i（中心半径，中心+半径）：
对于范围内的j（中心半径，中心+半径）：
如果（l2dist（centrX，centrY，i，j）减少你的
K
值。你需要反复使用它，直到你得到好的结果。如果它太大，它不会过滤，如果它太小，你会得到很强的伪影

如果你知道噪声方差，你可以用它来估计正则化参数。在维纳滤波器中，常数
K
是
N/S
的简化，其中
N
是噪声功率，
S
是信号功率。这两个值都与频率有关。信号功率
S
可以通过待滤波图像的自相关函数的傅里叶变换来估计。噪声功率很难估计，但如果你有这样的估计（或者因为你合成了噪声图像而知道），然后您可以将该值插入公式中。请注意，这是噪声功率，而不是噪声的方差

下面的代码使用（我们称之为PyDIP的Python接口）来演示Wiener反褶积（免责声明：我是作者）

将PyDIP作为dip导入
image=dip.ImageRead（'trui.ics'）；
kernel=dip.CreateGauss（[3,3]）.Pad（image.size（））
平滑=倾斜卷积（图像，内核）
平滑=倾斜。高斯噪声（平滑，5.0）#方差=5.0
H=dip.Fourier变换（内核）
F=倾斜。Fourier变换（平滑）
S=倾角平方模量（F）#信号功率估计
N=倾斜图像（5.0*smooth.NumberOfPixels（））#噪声功率（在所有频率下具有相同的值）
Hinv=倾角共轭（H）/（倾角平方模量（H）+N/S）
out=dip.fourier变换（F*Hinv，{“逆”，“实”}）

平滑的
图像如下所示：


通过对上面的图像进行去卷积得到的
out
图像如下所示：


不要期望完美的结果。正则化项会阻碍完美的逆滤波，因为这种滤波会强烈增强噪声，从而淹没信号并产生完全无用的输出。维纳滤波器在消除卷积和抑制噪声之间找到了一个中间地带

的DIPlib文档解释了一些涉及的方程。
yaa这就是我现在面临的问题，但如何才能得到K值的良好近似值，因为它是噪声功率谱和地面真值图像的比率（即| F（u，v）|），因为现在我有原始图片，所以如果我这样做，得到两个功率谱的比率（不假设公式中的常数），我仍然在图像中得到很强的伪影，，，为什么会这样？@Bunny:原始图片没有告诉你噪声级是多少。你需要猜一下。耶，我明白。实际上我在玩图像，我有一个没有任何噪声的原始图像。我用点扩散函数将其卷积以模糊它，所以我得到了真实的H（u，v）我加上高斯噪声，所以现在我有了N（u，v）@Bunny：请看我的编辑，了解如何正确计算已知的噪声功率。在方程中使用实际噪声是没有用的，你只需要它的统计数据。这个家伙的名字是诺伯特·维纳，而不是韦纳…@pigger谢谢你提供有用的信息