之前需要评估图像质量来筛选成像质量不错的图片，去除由于对焦，运动等造成的模糊图像，所以在构建数据集的时候考虑用opencv对清晰的图片进行处理获得模糊的图片从而进行训练。
1） 运动模糊图像
一般来说，运动模糊的图像都是朝同一方向运动的，那么就可以利用cv2.filter2D函数。
import numpy as npdef motion_blur(image, degree=10, angle=20): image = np.array(image) # 这里生成任意角度的运动模糊kernel的矩阵， degree越大，模糊程度越高 M = cv2.getRotationMatrix2D((degree/2, degree/2), angle, 1) motion_blur_kernel = np.diag(np.ones(degree)) motion_blur_kernel = cv2.warpAffine(motion_blur_kernel, M, (degree, degree)) motion_blur_kernel = motion_blur_kernel / degree blurred = cv2.filter2D(image, -1, motion_blur_kernel) # convert to uint8 cv2.normalize(blurred, blurred, 0, 255, cv2.NORM_MINMAX) blurred = np.array(blurred, dtype=np.uint8) return blurred
2) 对焦模糊
opencv提供了GaussianBlur函数(具体参见).
image = cv2.GaussianBlur(image, ksize=(degree, degree), sigmaX=0, sigmaY=0)
3) 噪点
其实就是在每个像素点添加随机扰动：
def gaussian_noise(image, degree=None): row, col, ch = image.shape mean = 0 if not degree: var = np.random.uniform(0.004, 0.01) else: var = degree sigma = var ** 0.5 gauss = np.random.normal(mean, sigma, (row, col, ch)) gauss = gauss.reshape(row, col, ch) noisy = image + gauss cv2.normalize(noisy, noisy, 0, 255, norm_type=cv2.NORM_MINMAX) noisy = np.array(noisy, dtype=np.uint8) return noisy
