Python复现逆滤波去模糊算法效果不符预期问题咨询

你的代码和参考Matlab逻辑存在几个核心不一致点，按影响优先级排序：

• 输入图像数值范围不匹配：参考Matlab代码读取的是无压缩raw格式灰度图，像素值范围为0_{255；你调用的`rgb2gray`会自动将输入图像归一化到0}1的浮点范围，后续如果直接加10倍标准差的噪声，噪声幅值会远大于信号本身，完全淹没图像内容。即便你暂时注释了噪声代码，0~1范围的信号和原代码设置的阈值n=0.2的适配关系也和参考逻辑不一致。
• 频域核修改逻辑存在隐患：原Matlab代码中对频域响应做阈值截断时，由于4x4均值核的频域响应相位特性，直接赋值实数n不会产生明显异常，但如果后续替换为其他模糊核（比如运动模糊、高斯模糊），直接给复数频域响应赋值实数会强制将对应位置相位置0，引入明显的重建伪影。稳妥的实现应该保留原有相位，仅对幅值做截断：

  B_abs = np.abs(B)
  B_phase = np.angle(B)
  B_abs[B_abs < n] = n
  B = B_abs * np.exp(1j * B_phase)
  

• 显示未固定像素值范围：matplotlib的imshow默认会自动对输入数组做对比度拉伸，将数组最小值映射为纯黑、最大值映射为纯白。逆滤波输出如果存在零星极值点，会导致整体画面发灰、对比度完全异常。显示时必须手动指定和原图一致的像素范围，比如0~255范围图像加参数vmin=0, vmax=255，0~1范围图像加参数vmin=0, vmax=1。
• 冗余FFT计算引入误差：你在显示模糊图像时，对已经是空域退化图的g又做了一次fft2+ifft2，虽然理论上变换是无损的，但浮点计算累积的误差会被后续显示拉伸放大，直接显示g即可。另外ifft2的输出存在浮点误差带来的微小虚部，取实部np.real()比取绝对值np.abs()更合理，避免负误差被翻转为正值引入亮度偏移。

修正后可运行代码 #

import numpy as np
import matplotlib.pyplot as plt
from skimage.color import rgb2gray
from numpy.fft import fft2, ifft2

# 初始化画布
f, axes = plt.subplots(1, 3, figsize=(15, 5))

# 读取并预处理图像，对齐Matlab 0~255数值范围
img = plt.imread('lena256.jpg')
if len(img.shape) == 3:
    img = rgb2gray(img)
# 把rgb2gray输出的0~1范围映射回0~255
if img.max() <= 1:
    img = (img * 255).astype(np.float64)
N = 256
# 强制裁剪图像到256x256，避免尺寸不匹配问题
f_orig = img[:N, :N]
axes[0].imshow(f_orig, cmap='gray', vmin=0, vmax=255)
axes[0].set_title('Original')
axes[0].axis('off')

# 构造4x4均值模糊核
b = np.ones((4, 4)) / (4 ** 2)
F = fft2(f_orig)
B = fft2(b, s=(N, N))
G = F * B
# 生成模糊加噪退化图，噪声标准差10适配0~255像素范围
g = np.real(ifft2(G)) + 10 * np.random.randn(N, N)
axes[1].imshow(g, cmap='gray', vmin=0, vmax=255)
axes[1].set_title('Blurred + Noisy')
axes[1].axis('off')

# 逆滤波计算
G_freq = fft2(g)
# 修正频域核：保留相位，截断过小的幅值避免除零爆炸
B_abs = np.abs(B)
B_phase = np.angle(B)
B_abs[B_abs < 0.2] = 0.2
B_fixed = B_abs * np.exp(1j * B_phase)
H = 1 / B_fixed
I_freq = G_freq * H
im = np.real(ifft2(I_freq))
# 裁剪像素值到合法显示范围
im = np.clip(im, 0, 255)
axes[2].imshow(im, cmap='gray', vmin=0, vmax=255)
axes[2].set_title('Inverse Filter')
axes[2].axis('off')

plt.tight_layout()
plt.show()

调试建议：先注释掉加噪声的代码，把截断阈值n设为1e-3，无噪声条件下逆滤波应该能几乎完美还原模糊图像，确认基础流程跑通后，再依次添加噪声、替换为维纳滤波逻辑即可。维纳滤波只需将逆滤波核H替换为np.conj(B) / (np.abs(B)**2 + K)，其中K是和噪声水平相关的正则化参数，相比硬阈值截断的逆滤波抗噪性会有明显提升。

内容的提问来源于stack exchange，提问作者Mr. Meeseeks