Python 图像去模糊的梯度下降法

我在实现梯度下降算法以解决图像去模糊的优化问题时遇到问题

以下是我的初始优化功能：

E[u] = |g - u*k|^2 + λ

其中g是模糊图像，u是锐利图像，k是2x2模糊核，lambda是正则化项

我给出了梯度，并尝试用不同的参数来实现它。然而，我的图像变得更加模糊。这是我的密码

grad = np.zeros((30,30))
cur_img = blur(sample_image)
g = blur(sample_image)
rate = 0.01
max_iters = 2000
iters = 0

while  iters < max_iters:
    prev_img = cur_img

    for i in range(28):
        for j in range(28):
            # Calculate gradient
            grad[i,j] = prev_img[i,j] + 0/5*prev_img[i-1,j-1] + 0/5*prev_img[i+1,j+1] - g[i-1,j-1]-g[i,j]
    # Gradient Descent
    cur_img = cur_img - rate * grad
    iters = iters+1

plt.imshow(cur_img, cmap ="gray")
plt.show()

grad=np.零（（30,30））
cur\u img=模糊（采样图像）
g=模糊（样本图像）
比率=0.01
最大值=2000
iters=0
而国际热核实验反应器<最大国际热核实验反应器：
上一个img=当前img
对于范围（28）内的i：
对于范围（28）内的j：
#计算梯度
梯度[i，j]=prev_img[i，j]+0/5*prev_img[i-1，j-1]+0/5*prev_img[i+1，j+1]-g[i-1，j-1]-g[i，j]
#梯度下降
cur_img=cur_img-速率*梯度
国际热核实验堆=国际热核实验堆+1
plt.imshow（cur_img，cmap=“灰色”）
plt.show（）

---

请帮助我理解正确的实施方法。非常感谢您的帮助。

这不会解决您的整个问题，但您可能希望从正确的k值开始，您可能打算使用0.5而不是0/5。

---

然后查看边界条件。

这不会解决整个问题，但您可能希望从正确的k值开始，您可能打算使用0.5而不是0/5。 然后看看边界条件。看到这个尺寸（grad）=（30,30），我假设这个尺寸（g）=（29,29）。现在，图像需要与grad具有相同的维度，因此，您需要以不同的方式初始化它。例如，使用

i_max, j_max, *_ = g.shape
cur_img = np.zeros((i_max+1,j_max+1))
for i in range(i_max):
    for j in range(j_max):
        cur_img[i,j] = g[i,j]

当前图像将有两个未更新的边界。可以将它们保留为0或使用其他边界条件

如果在迭代过程中考虑边界条件，即检查i和j是否为0或处于其最大值，并相应地更新梯度，您将看到实际上可以迭代i和j的范围（30）。这应该可以解决问题。

看到大小（grad）=（30,30），我假设大小（g）=（29,29）。现在，图像需要与grad具有相同的维度，因此，您需要以不同的方式初始化它。例如，使用

i_max, j_max, *_ = g.shape
cur_img = np.zeros((i_max+1,j_max+1))
for i in range(i_max):
    for j in range(j_max):
        cur_img[i,j] = g[i,j]

当前图像将有两个未更新的边界。可以将它们保留为0或使用其他边界条件

---

如果在迭代过程中考虑边界条件，即检查i和j是否为0或处于其最大值，并相应地更新梯度，您将看到实际上可以迭代i和j的范围（30）。这应该可以解决问题。

谢谢您的回答。我会试试看。我目前也在尝试理解下面的解决方案，它对我来说只需要一些小的改动。我不理解的是梯度函数，scipy.ndimage.convalve需要两个参数，如损失函数所示。你认为下面的梯度函数是错误的吗？def丢失（图像）：返回np.sum（卷积（图像，内核）-模糊图像）def梯度（图像）：返回卷积（卷积（图像，内核）-模糊图像）范围内（最大值）：去模糊-=学习速率*梯度（图像）谢谢您的回答。我会试试看。我目前也在尝试理解下面的解决方案，它对我来说只需要一些小的改动。我不理解的是梯度函数，scipy.ndimage.convalve需要两个参数，如损失函数所示。你认为下面的梯度函数是错误的吗？def丢失（图像）：返回np.sum（卷积（图像，内核）-模糊图像）def梯度（图像）：返回卷积（卷积（图像，内核）-模糊图像）范围内（最大值）：去模糊-=学习速率*梯度（图像）