Python cucim.skimage.restoration.unsupervised_wiener用法及代碼示例

用法: cucim.skimage.restoration.unsupervised_wiener(image, psf, reg=None, user_params=None, is_real=True, clip=True)

無監督 Wiener-Hunt 反卷積。

使用 Wiener-Hunt 方法返回反卷積，其中超參數是自動估計的。該算法是一個隨機迭代過程(吉布斯采樣器)，在下麵的引用中說明。另請參見wiener 函數。

參數：

image：(M, N) ndarray: 輸入降級圖像。
psf：ndarray: 脈衝響應(輸入圖像的空間)或傳遞函數(傅立葉空間)。兩者都被接受。傳遞函數被自動識別為複雜 (cupy.iscomplexobj(psf))。
reg：ndarray，可選: 正則化運算符。默認為拉普拉斯算子。對於 psf，它可以是脈衝響應或傳遞函數。
user_params：字典，可選: Gibbs 采樣器的參數字典。見下文。
clip：布爾值，可選: 默認為真。如果為真，則結果的像素值高於 1 或低於 -1 將被閾值化以實現 skimage 管道兼容性。

x_postmean：(M, N) ndarray: 去卷積圖像(後均值)。
chains：dict: noise 和 prior 鍵分別包含噪聲和先驗精度的鏈表。

其他參數：

The keys of ``user_params`` are:
threshold：浮點數: 停止標準：連續近似解之間的差異範數(對象樣本的經驗平均值，請參閱注釋部分)。默認為 1e-4。
burnin：int: 開始計算平均值時要忽略的樣本數。默認為 15。
min_iter：int: 最小迭代次數。默認為 30。
max_iter：int: 不滿足threshold 時的最大迭代次數。默認為 200。
callback：可調用(默認無): 用戶提供的可調用對象，如果該函數存在，則將當前圖像樣本傳遞給該對象，以用於任何目的。用戶可以存儲樣本，或計算平均值以外的其他矩。它對算法執行沒有影響，僅用於檢查。

注意：

估計的圖像被設計為概率定律的後驗平均值(來自貝葉斯分析)。平均值被定義為所有可能的圖像的總和，這些圖像由它們各自的概率加權。鑒於問題的規模，確切的總和是難以處理的。該算法利用MCMC在後驗法則下繪製圖像。實際的想法是隻繪製高度可能的圖像，因為它們對均值的貢獻最大。相反，不太可能的圖像被繪製的頻率較低，因為它們的貢獻很低。最後，這些樣本的經驗平均值為我們提供了平均值的估計，以及無限樣本集的精確計算。

參考：

1

François Orieux, Jean-François Giovannelli, and Thomas Rodet, “Bayesian estimation of regularization and point spread function parameters for Wiener-Hunt deconvolution”, J. Opt. Soc. Am. A 27, 1593-1607 (2010)

https://www.osapublishing.org/josaa/abstract.cfm?URI=josaa-27-7-1593

http://research.orieux.fr/files/papers/OGR-JOSA10.pdf

例子：

>>> import cupy as cp
>>> from skimage import color, data, restoration
>>> img = color.rgb2gray(data.astronaut())
>>> from scipy.signal import convolve2d
>>> psf = cp.ones((5, 5)) / 25
>>> img = convolve2d(img, psf, 'same')
>>> img += 0.1 * img.std() * cp.random.standard_normal(img.shape)
>>> deconvolved_img = restoration.unsupervised_wiener(img, psf)

相關用法

注：本文由純淨天空篩選整理自rapids.ai大神的英文原創作品 cucim.skimage.restoration.unsupervised_wiener。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。

用法:

參數：

返回：

其他參數：

注意：

參考：

例子：