基于matlab实现老照片的简单修复

用Photoshop简单修复照片中的缺陷 #生活技巧# #手工DIY技巧# #摄影后期技巧#

       照片可以承载许多信息，是我们保存历史的一个重要载体，它们记录了过去的人、事、物，是我们了解历史、追溯过去的重要资料。大部分照片随着时间的流逝，会出现老化、损坏、污染、褪色、模糊等问题变成常说的老照片，照片修复就是对因各种因素导致的照片质量下降进行修复，尽可能恢复照片的原貌。下面以matlab为工具，对部分老照片进行简单修复，并通过修复结果看是否达到了预期。

      基本思路如下，采用matlab作为工具，通过读入图像，对彩色图像进行图像增强，图像平滑、图像锐化，以及使用一些的算法进行一定的计算处理，结合部分滤波器，如均值滤波器，高斯低通滤波器等，对图像进行处理从而达到修复图像色彩、去除图像污染等的目的。预期达到的结果是，能够使图像的色彩尽可能地恢复成原图像，若没有原图像作为参照，则尽可能恢复为图像内事物的常见状态，且尽可能地去除图像的黑点污染，得到一个干净、色彩清晰的图像。以修复照片为目的，通过算法解决所需修复的问题。

      首先，由于照片的色彩退化，所以先对其进行色彩对比度增强的处理，色彩对比度增强可通过HSI和RGB增强两种方法来实现

HSI图像增强的代码如图：

RGB图像增强的代码如下：

RGB = (im_e); R = RGB(:,:,1); G = RGB(:,:,2); B = RGB(:,:,3);%三个通道分别进行色度增强 Y = 0.299 * R + 0.587 * G + 0.114 * B; U = 128 - 0.168736 * R - 0.331264 * G + 0.5 * B; V = 128 + 0.5 * R - 0.418688 * G - 0.081312 * B; YUV=cat(3,Y,U,V); %合并三个图像为RGB图像y_img = YUV(:,:,1); u_img = YUV(:,:,2); v_img = YUV(:,:,3);y_int = adapthisteq(y_img); v_int = adapthisteq(v_img);Y = single(y_int(:,:,1)); U = single(u_img(:,:,1)); V = single(v_int(:,:,1));C = Y - 16; D = U - 128; E = V - 128;% seprate RGb R = uint8((298 * C + 409 * E + 128) / 256); G = uint8((298 * C - 100 * D - 208 * E + 128) / 256); B = uint8((298 * C + 516 * D + 128) / 256);% Return Color RGB color_rgb(:,:,1) = R; color_rgb(:,:,2) = G; color_rgb(:,:,3) = B;figure; subplot(1,2,1); imshow(color_rgb,[]);title('彩色图像增强');

个人比较推荐彩色图像的RGB色彩增强的算法

处理后的结果如下：

       根据处理后的结果可以看出，色彩恢复较好，但发现处理后有一些噪声，关于图像的降噪滤波的方式有很多，例如维纳滤波、均值滤波、中值滤波、高斯滤波等，个人也尝试了很多，大部分都不适合该图片的降噪，偶然间发现了SurFace Blur算法，其与均值滤波结合使用，达到了较理想的降噪效果。

      均值滤波的实验代码如下：

%均值滤波 for i=1:12 I=color_rgb; OutImg=color_rgb; R=I(:,:,1); G=I(:,:,2); B=I(:,:,3);R=filter2(fspecial('average',3),R)/255; G=filter2(fspecial('average',3),G)/255; B=filter2(fspecial('average',3),B)/255; I2= cat(3,R,G,B); %对彩色图像R,G，B三个通道分别进行3×3模板的均值滤波 end%figure; subplot(1,2,2);imshow(I2); title('均值滤波')imwrite(I2,'均值滤波.jpg');

SurFace Blur算法的代码如下：

A=imread('均值滤波.jpg');%A:读入图像 r=5; %r:半径 T=10; %T:阈值 w=zeros(2*r+1,2*r+1); %模板矩阵的尺寸%图像初始化处理figure;subplot(1,2,1); imshow(A);title('原图'); % img=rgb2gray(A); %图像灰度化 % % img=double(img); %转为矩阵 R=double(A(:,:,1)); G=double(A(:,:,2)); B=double(A(:,:,3)); %各通道图像 [m,n]=size(R); imgn=zeros(m+2*r,n+2*r); %创建一个长宽各增加[2r]的扩容矩阵 imgn(r+1:r+m,r+1:r+n)=R;imgn(1:r,r+1:r+n)=R(1:r,1:n); %上边界填充 imgn(1:m+r,n+r+1:n+2*r)=imgn(1:m+r,n+1:n+r); %右边界填充 imgn(m+r+1:m+2*r,r+1:n+2*r)=imgn(m+1:m+r,r+1:n+2*r); %下边界填充 imgn(1:m+2*r,1:r)=imgn(1:m+2*r,r+1:2*r); %左边界填充 [m1,n1]=size(G); imgn1=zeros(m1+2*r,n1+2*r); %创建一个长宽各增加[2r]的扩容矩阵 imgn1(r+1:r+m1,r+1:r+n1)=G;imgn1(1:r,r+1:r+n1)=G(1:r,1:n1); %上边界填充 imgn1(1:m1+r,n1+r+1:n1+2*r)=imgn1(1:m1+r,n1+1:n1+r); %右边界填充 imgn1(m1+r+1:m1+2*r,r+1:n1+2*r)=imgn1(m1+1:m1+r,r+1:n1+2*r); %下边界填充 imgn1(1:m1+2*r,1:r)=imgn1(1:m1+2*r,r+1:2*r); %左边界填充[m2,n2]=size(B); imgn2=zeros(m2+2*r,n2+2*r); %创建一个长宽各增加[2r]的扩容矩阵 imgn2(r+1:r+m2,r+1:r+n2)=B;imgn2(1:r,r+1:r+n2)=B(1:r,1:n2); %上边界填充 imgn2(1:m2+r,n2+r+1:n2+2*r)=imgn2(1:m2+r,n2+1:n+r); %右边界填充 imgn2(m2+r+1:m2+2*r,r+1:n2+2*r)=imgn2(m2+1:m2+r,r+1:n2+2*r); %下边界填充 imgn2(1:m2+2*r,1:r)=imgn2(1:m2+2*r,r+1:2*r); %左边界填充 %开始计算每个像素,共计算m*n次 for i=r+1:r+mfor j=r+1:r+n %遍历imgn 中部的源img部分%计算式子的分母w=1-abs(imgn(i-r:i+r,j-r:j+r)-imgn(i,j))/(2.5*T); %w是一个以img中的元素为核心,size=[2r+1][2r+1]的矩阵,这样的模板会计算m*n次 %灰度值溢出检查for p=1:2*r+1 for q=1:2*r+1 if w(p,q) <=0w(p,q)=0;endendend%计算式子的分子s=w.*imgn(i-r:i+r,j-r:j+r); %计算总式imgn(i,j)=sum(sum(s))/sum(sum(w)); %一个sum()对一维数组求和,sum(sum())就是对二维矩阵求和end end for i=r+1:r+m1for j=r+1:r+n1 %遍历imgn 中部的源img部分%计算式子的分母w1=1-abs(imgn1(i-r:i+r,j-r:j+r)-imgn1(i,j))/(2.5*T); %w是一个以img中的元素为核心,size=[2r+1][2r+1]的矩阵,这样的模板会计算m*n次 %灰度值溢出检查for p=1:2*r+1 for q=1:2*r+1 if w1(p,q) <=0w1(p,q)=0;endendend%计算式子的分子s1=w1.*imgn1(i-r:i+r,j-r:j+r); %计算总式imgn1(i,j)=sum(sum(s1))/sum(sum(w1)); %一个sum()对一维数组求和,sum(sum())就是对二维矩阵求和end end for i=r+1:r+m2for j=r+1:r+n2 %遍历imgn 中部的源img部分%计算式子的分母w2=1-abs(imgn2(i-r:i+r,j-r:j+r)-imgn2(i,j))/(2.5*T); %w是一个以img中的元素为核心,size=[2r+1][2r+1]的矩阵,这样的模板会计算m*n次 %灰度值溢出检查for p=1:2*r+1 for q=1:2*r+1 if w2(p,q) <=0w2(p,q)=0;endendend%计算式子的分子s2=w2.*imgn2(i-r:i+r,j-r:j+r); %计算总式imgn2(i,j)=sum(sum(s2))/sum(sum(w2)); %一个sum()对一维数组求和,sum(sum())就是对二维矩阵求和end end img=imgn(r+1:r+m,r+1:r+n); %从imgn截取出源img部分 img1=imgn1(r+1:r+m1,r+1:r+n1); %从imgn截取出源img部分 img2=imgn2(r+1:r+m2,r+1:r+n2); %从imgn截取出源img部分 res=cat(3,img,img1,img2); %figure; subplot(1,2,2); imshow(uint8(res));title('SurfaceBlur算法后');

滤波后的图像如下所示：

       对比发现噪声减少了，但边缘不够清晰，因此，要实现图像的边缘清晰化算法，个人尝试过空域滤波与频域滤波，最后决定使用同态滤波法。

      其参考代码如下

histgram=zeros(1,256); %生成直方图数组并置0 cdf=zeros(1,256); d=1; n=2; %img=(imread('hofi.bmp')); img=input; [r, c]=size(img(:,:,1)); A=zeros(r,c); H=zeros(r,c); for i=1:r for j=1:c R=(((i-r/2).^2+(j-c/2).^2)).^(.5); H(i,j)=1/(1+(d/R)^(2*n)); end end alphaL=0.1; aplhaH=1.01; H=((aplhaH-alphaL).*H)+alphaL; H=1-H; im_e=img;for k=1:3im_l=log2(1+double(img(:,:,k))); im_f=fft2(im_l); im_nf=H.*im_f; im_n=abs(ifft2(im_nf)); im_e1=exp(im_n)-1; max_im=max(im_e1(:)); min_im=min(im_e1(:)); im_e2=uint8(1+(250/(max_im-min_im))*(im_e1-min_im)); im_e(:,:,k)=1.65*(im_e2-100); end figure(1) subplot(1,2,1);imshow(img); title('(a)原始图像');if size(img, 3) > 1G = im2double(rgb2gray(img)); elseG = im2double(img); end F = fftshift(fft2(G)); %将图像中心移到中间 subplot(1,2,2);imshow(im_e);title('(c)同态滤波后的增强图像'); if size(im_e, 3) > 1G = im2double(rgb2gray(im_e)); elseG = im2double(im_e); end F = fftshift(fft2(G)); %将图像中心移到中间 imF = log10(abs(F)+1);

处理结果如下：

        边缘略微清晰了，但图片色彩变弱，于是，调整一下处理顺序，先使用同态滤波来使边缘清晰化，再进行色彩增强与图像的降噪滤波，最后再锐化一下。处理结果如下

放上原图进行对比

经过对比可知，实验效果良好，基本实现了基础的修复。

       本次实验没有使用图像的灰度化进行处理，原因之一就是灰度化后图像的色彩恢复不太理想也不太还原，在原来色调的基础上进行修复较为简便与实用。

大部分的代码都是拼接起来。

完整的代码如下：若打不开第一个连接可尝试第二个链接

http://链接：=l5bk 提取码：l5bk

本文标签： 基于matlab实现老照片的简单修复

网址：基于matlab实现老照片的简单修复 https://www.yuejiaxmz.com/news/view/1001550

相关内容

老照片如何修复，教你一种简单的修复老照片的方法
如何修复老照片？黑白老照片修复的简单方法
修复老照片太简单，AI修复让照片重焕光彩
老照片修复 （老照片修复 ）
老照片修复教程：多人老照片修复
如何实现老照片修复？分享四种修复方法
老照片一键修复：三个方法简单有效！
照片修复：免费使用AI修复老照片
如何修复老照片?教你一招修复老照片
基于深度学习的老照片修复算法研究

随便看看