Sebagai bagian dari tugas pekerjaan rumah, kami menerapkan Inverse Filter. Turunkan gambar kemudian pulihkan dengan Filter Balik.
Saya menggabungkan gambar dalam domain spasial dengan filter kotak 5x5. I FFT filter, FFT gambar yang rusak, kemudian bagi gambar yang rusak dengan filter. Membalik FFT hasilnya menjadi gambar dan saya mendapatkan sampah.
Jika saya FFT gambar, FFT filter, kalikan keduanya, bagi hasil itu dengan filter FFT, jelas saya sangat dekat dengan gambar aslinya. ((X * Y) / Y ~ == X)
Saya punya firasat matematika tidak sesederhana "spasial == perkalian FFT".
Apa cara yang benar untuk menggunakan Filter Terbalik? Saya memiliki kernel yang tepat digunakan menurunkan gambar. Saya tidak menambahkan suara apa pun.
Buku teks Bovik, Panduan Penting untuk Pemrosesan Gambar hampir sepenuhnya menolak Filter Inverse. Gonzalez & Woods sedikit lebih penuh harapan tetapi segera melompat ke Filter Wiener.
Saya punya pertanyaan serupa di stackoverflow.com /programming/7930803/inverse-filter-of-spatially-convolved-versus-frequency-convolved-image
(Pertanyaan ini juga harus ditandai [pekerjaan rumah] tetapi tag belum ada dan saya belum punya perwakilan untuk membuatnya.)
EDIT. Untuk beberapa saran hebat di bawah ini. @ dipan-mehta Sebelum saya FFT, saya mengisi kernel konvolusi dengan ukuran yang sama seperti gambar. Saya meletakkan kernel di kiri atas. Saya ifft (ifftshift ()) kemudian menyimpan ke gambar dan saya mendapatkan hasil yang baik. Saya telah melakukan ifft (ifftshift ()) pada kernel dan gambar. Hasil (ish) bagus. (Gambar ada di /programming/7930803/inverse-filter-of-spatially-convolved-versus-frequency-convolved-image pertanyaan.)
@ jason-r mungkin benar. Saya tidak mengerti matematika dari konvolusi + transformasi yang mendasarinya. "Dekonvolusi" adalah kata baru bagi saya. Masih banyak yang harus dipelajari. Terima kasih untuk bantuannya!
Solusi saya untuk tugas pekerjaan rumah adalah melakukan segalanya dalam domain frekuensi. Saya berbicara dengan profesor. Saya membuat tugas lebih sulit daripada yang diperlukan. Dia ingin kita menambahkan suara lalu coba Inverse Filter, Wiener Filter, dan Conastained Least Squares Filter. Inti dari latihan ini adalah untuk melihat bagaimana filter menangani kebisingan.