用python实现图像去模糊

由于图像模糊的原因很多，因此需要根据具体情况选择相应的处理方法。以下是一些常见的图像去模糊方法及其python实现。

1. 高斯模糊去噪

高斯模糊是一种常用的图像去噪方法，可以有效地去除图像中的噪声和细节。它的原理是将图像中每个像素的值与周围像素的值做加权平均，权值由高斯函数决定。

代码实现：

import cv2

img = cv2.imread('input.png')
blur = cv2.GaussianBlur(img, (5, 5), 0)
cv2.imwrite('output.png', blur)

其中，cv2.GaussianBlur函数的第一个参数为输入图像，第二个参数为卷积核的大小，第三个参数为高斯函数的标准差。

2. 维纳滤波去噪

维纳滤波是一种基于统计学方法的图像去噪方法，可以在尽可能保留图像细节的情况下去除噪声。它的原理是根据图像的噪声模型和信号模型，对每个像素的值进行修正。

代码实现：

import cv2

img = cv2.imread('input.png')
blur = cv2.GaussianBlur(img, (5, 5), 0)
noise = img - blur
noise_var = cv2.mean(noise**2)[0]
dst = cv2.fastNlMeansDenoisingColored(img, None, 10, 10, 7, 21)
cv2.imwrite('output.png', dst)

其中，cv2.fastNlMeansDenoisingColored函数的第一个参数为输入图像，第二个参数为输出图像，第三个参数和第四个参数分别为空间域和灰度值域的过滤器强度，第五个参数为邻域大小，第六个参数为搜索窗口大小。

3. 双边滤波去噪

双边滤波是一种基于空间域和灰度值域的图像去噪方法，可以在去除噪声的同时保留图像的边缘和细节。它的原理是对每个像素的值进行加权平均，权值由空间域和灰度值域的高斯函数决定。

代码实现：

import cv2

img = cv2.imread('input.png')
dst = cv2.bilateralFilter(img, 9, 75, 75)
cv2.imwrite('output.png', dst)

其中，cv2.bilateralFilter函数的第一个参数为输入图像，第二个参数为邻域大小，第三个参数为灰度值域的高斯参数，第四个参数为空间域的高斯参数。

4. 傅里叶变换去模糊

傅里叶变换是一种将图像从时域转换到频域的方法，可以用来分析和处理图像。在去除模糊的过程中，可以通过傅里叶变换将模糊的图像转换到频域，然后进行滤波操作，最后再将图像转换回时域。

代码实现：

import cv2
import numpy as np

img = cv2.imread('input.png', 0)
f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)
rows, cols = img.shape
crow, ccol = rows//2, cols//2
fshift[crow-30:crow+30, ccol-30:ccol+30] = 0
ishift = np.fft.ifftshift(fshift)
iimg = np.fft.ifft2(ishift)
dst = np.abs(iimg)
cv2.imwrite('output.png', dst)

其中，np.fft.fft2函数和np.fft.ifft2函数分别表示进行傅里叶变换和反变换，np.fft.fftshift函数和np.fft.ifftshift函数分别表示将频域数据移动到中心位置和移回原来位置，0表示滤波操作。