如何使用 PSF 内核从清晰图像创建合成模糊图像（图像格式）

Question

根据@Fix 的建议进行更新，我应该将 BGR 转换为 RGB，但输出仍然与论文的输出不同。

（小记：这篇文章已经发布在https://dsp.stackexchange.com/posts/60670，但由于我需要快速帮助，所以我想我在这里重新发布，希望这不会违反任何政策）

我尝试使用 PSF 内核（png 格式）从真实图像创建合成模糊图像，一些论文只提到我需要对其进行卷积操作，但似乎我需要的不止这些。 我做了什么

import matplotlib.pyplot as plt
import cv2 as cv
import scipy
from scipy import ndimage
import matplotlib.image as mpimg
import numpy as np

img = cv.imread('../dataset/text_01.png')
norm_image = cv.normalize(img, None, alpha=-0.1, beta=1.8, norm_type=cv.NORM_MINMAX, dtype=cv.CV_32F)

f = cv.imread('../matlab/uniform_kernel/kernel_01.png')
norm_f = cv.normalize(f, None, alpha=0, beta=1, norm_type=cv.NORM_MINMAX, dtype=cv.CV_32F)

result = ndimage.convolve(norm_image, norm_f, mode='nearest')

result = np.clip(result, 0, 1)

imgplot = plt.imshow(result)
plt.show()

这只会给我一个全白的图像。 我尝试将 beta 降低到像这样norm_f = cv.normalize(f, None, alpha=0, beta=0.03, norm_type=cv.NORM_MINMAX, dtype=cv.CV_32F) 这样的较低数字，并且图像出现了，但它的颜色非常不同。

我知道如何做到这一点的论文和数据集（具有地面实况和 PNG 格式的 PSF 内核的图像）是 here

他们是这么说的：

我们以类似于 [3, 10] 的方式创建合成饱和图像。 具体来说，我们首先拉伸潜像的强度范围 从 [0,1] 到 [−0.1,1.8]，并将模糊核与 图片。然后我们将模糊图像剪辑到 [0,1] 的范围内。这 生成非均匀模糊图像采用相同的过程。

这是我从来源获得的一些图像。

这是真实图像：

这是PNG格式文件的PSF内核：

这是他们的输出（合成图像）：

请帮帮我，解决方案并不重要，即使它是一个软件、另一种语言、另一种工具。我只关心最终我从具有良好性能的 PSF 内核的原始（清晰）图像合成模糊图像（我在 Matlab 上尝试过，但遇到了类似的问题，我使用了 imfilter，Matlab 的另一个问题是它们很慢）。

（请不要判断只关心过程的输出，我没有使用反卷积方法将模糊模糊回原始图像，因此我希望有足够的数据集（原始和模糊）对来测试我的假设/方法)

谢谢。

Answer 1

OpenCV 以 BGR 格式读取/写入图像，而 Matplotlib 以 RGB 格式读取/写入图像。所以如果你想显示正确的颜色，你应该先把它转换成RGB：

result_rgb = cv.cvtColor(result, cv.COLOR_BGR2RGB)
imgplot = plt.imshow(result)
plt.show()

编辑：您可以分别对每个通道进行卷积并像这样标准化您的卷积图像：

f = cv.cvtColor(f, cv.COLOR_BGR2GRAY)  
norm_image = img / 255.0
norm_f = f / 255.0  
result0 = ndimage.convolve(norm_image[:,:,0], norm_f)/(np.sum(norm_f))
result1 = ndimage.convolve(norm_image[:,:,1], norm_f)/(np.sum(norm_f))
result2 = ndimage.convolve(norm_image[:,:,2], norm_f)/(np.sum(norm_f))
result = np.stack((result0, result1, result2), axis=2).astype(np.float32)

那么你应该得到正确的颜色。虽然这对图像和内核都使用了 0.0 到 1.0 之间的归一化（不像论文建议的图像在 -0.1 和 1.8 之间）。