企业官网建设流程全解析

图像处理这块，失焦模糊算是让人又爱又恨的一类问题。爱的是它天然带着柔焦美感，恨的是一旦拍虚了、扫文档扫糊了、监控截图糊成一团，想把它救回来就特别费劲。我这些年处理过不少客户丢过来的"糊片"，有手机拍的产品图、有扫描件、有工业相机抓拍的零件表面，绝大多数都属于失焦模糊而不是运动模糊——这两者的退化模型完全不同，用错滤镜基本等于白干。这篇就围绕 OpenCV 里做失焦去模糊这件事，把我自己反复试出来的路子、参数怎么定、什么情况下该放弃，完整讲一遍。核心关键词就三个：失焦模糊、点扩散函数、维纳滤波与 Richardson-Lucy 反卷积。适合已经会用 OpenCV 读写图像、想真正把"糊片救回来"这件事做扎实的读者，也适合刚接触图像复原、想搞清楚"为什么我调了参数反而更糊"的朋友。

1. 先搞清楚失焦模糊到底是怎么"糊"的

很多人一上来就cv2.GaussianBlur反向操作，或者直接找个去模糊 API 怼上去，结果出来一堆振铃和噪点。问题出在没弄明白失焦模糊的数学本质。这一节把退化模型讲透，后面所有参数选择才有依据。

1.1 失焦模糊的本质是一个圆盘卷积

相机对焦不准的时候，物方一个点光源在像面上不会聚成一个点，而是散成一个圆斑，这个圆斑叫弥散圆（Circle of Confusion）。理想情况下，这个圆斑内部亮度均匀、边缘锐利，数学上就是一个圆盘核（disk kernel）。所以失焦模糊的图像，本质是清晰图像和圆盘核做了一次卷积：

I_blur = I_sharp * K_disk + noise

这里的*是卷积，K_disk就是点扩散函数（PSF）。注意，它不是高斯核。高斯核是软过渡的，圆盘核是硬边缘的。用高斯核去近似失焦，在轻度模糊时看着还行，一旦模糊半径大一点，复原结果就会明显偏软、边缘发虚。我早期就吃过这个亏，用高斯 PSF 去反卷积一张半径 8 像素的失焦图，出来的文字边缘全是"毛边"，后来换成圆盘核才干净。

圆盘核的构造很直接：半径 R 内为 1，半径外为 0，最后整体除以面积归一化，保证能量守恒（卷积后总亮度不变）。这个归一化千万别漏，漏了之后反卷积出来的图整体亮度会漂移，看着就像曝光错了。

1.2 为什么失焦模糊比运动模糊更难救

运动模糊的 PSF 是一条线，方向明确、支撑集窄，反卷积时约束强，恢复效果好。失焦的圆盘核支撑集是一个面，频域上它的零点是同心圆环，反卷积时这些环附近的频率信息被彻底压掉了，属于不可逆的信息丢失。换句话说，失焦越严重，丢的频率越多，能救回来的上限就越低。

我一般会先给用户打个预防针：半径 3 像素以内的失焦，救回来基本能看；半径 5 到 8 像素，文字类图像还能辨认；超过 10 像素，基本只能做"看起来没那么糊"的视觉改善，别指望还原细节。这个预期管理很重要，不然做出来用户觉得你在糊弄他。

1.3 判断你的图到底是失焦还是运动模糊

动手前先分类，这一步能省掉大量无用功。我的经验判断法：

拿不准的时候，对图像做一次 FFT 看频谱，np.fft.fftshift(np.fft.fft2(gray))之后取对数幅度谱，同心暗环就是失焦的铁证。这招我在排查工业检测图时用得最多，比肉眼靠谱。

2. 用 OpenCV 亲手造一个失焦 PSF 和测试图

想调好去模糊，手里得有"标准答案"。我习惯先自己合成一批已知 PSF 的失焦图，拿它当标尺去验证算法，再去处理真实图。这一步很多人跳过，结果在真实图上瞎调参数，根本不知道是算法问题还是参数问题。

2.1 圆盘核的构造代码与归一化陷阱

import cv2 import numpy as np def disk_kernel(radius): size = 2 * radius + 1 y, x = np.ogrid[-radius:radius+1, -radius:radius+1] mask = x*x + y*y <= radius*radius kernel = mask.astype(np.float32) kernel /= kernel.sum() # 关键：能量归一化 return kernel

这段代码有两个容易翻车的点。第一，x*x + y*y <= radius*radius用的是欧氏距离，边界会有锯齿，半径大时圆盘边缘不够圆，建议半径超过 15 时改用超采样或者cv2.circle画实心圆再归一化。第二，kernel.sum()归一化必须在转 float32 之后做，如果先归一化再转类型，整数截断会把小数值抹掉，核就废了。

我实测过一个细节：半径 R 的圆盘核，实际覆盖的像素数约等于 πR²，归一化后每个像素值约 1/(πR²)。半径 10 时单像素权重只有 0.003 左右，这个量级在频域反卷积时对数值精度很敏感，所以后面做维纳滤波时正则项不能设太小。

2.2 合成测试图：为什么要用棋盘格和文字

def make_blurred(img, radius): k = disk_kernel(radius) blurred = cv2.filter2D(img, -1, k, borderType=cv2.BORDER_REFLECT) return blurred

测试图我一般准备三张：棋盘格（看边缘锐度恢复）、含小字号的文档截图（看文字可读性）、带纹理的自然图（看是否引入伪影）。棋盘格对振铃最敏感，文字对过度锐化最敏感，自然图对噪点放大最敏感，三张一起看才能全面评估。

borderType建议用BORDER_REFLECT而不是默认的BORDER_DEFAULT，边界反射能减少边缘处的能量泄漏，反卷积时边界伪影会轻很多。这个小设置在真实图处理时同样适用，别嫌麻烦。

2.3 加噪：不加噪的测试是自欺欺人

真实失焦图一定带噪。合成测试时我会按 SNR 加高斯噪：

def add_noise(img, sigma): noise = np.random.normal(0, sigma, img.shape) return np.clip(img + noise, 0, 255).astype(np.uint8)

sigma 取 2 到 5 比较贴近手机和普通相机的实际噪声水平。不加噪去调反卷积参数，调出来的参数一上真实图就崩，因为反卷积本质是放大高频，噪声也在高频，正则项就是用来压制噪声放大的，没有噪声你根本不知道该压多少。这是我最想强调的一条实操经验。

3. 维纳滤波：失焦去模糊的第一把主力工具

OpenCV 没有现成的维纳滤波函数，得自己用 FFT 实现。别怕，核心就十几行，但里面的正则项选择和频域处理细节决定了成败。

3.1 维纳滤波的频域公式与直觉解释

维纳滤波的频域形式：

F_hat = conj(H) / (|H|^2 + K) * G

其中 H 是 PSF 的频域响应，G 是模糊图的频谱，K 是噪信比相关的正则项。直觉上，conj(H)/(|H|^2)就是直接逆滤波，但 H 在某些频率接近 0 时会爆炸，K 就是给分母加个"地板"，防止除零放大噪声。K 越大越保守（去模糊弱、噪点少），K 越小越激进（去模糊强、振铃重）。

我一般把 K 设成1e-3到1e-1之间试，具体看噪声水平。有个经验公式：K ≈ 噪声功率 / 信号功率，粗略可以用sigma_noise^2 / var(image)估。实测下来这个估计偏小，实际用的时候再乘个 2 到 5 更稳。

3.2 完整实现与 padding 的讲究

def wiener_deconv(img, psf, K=0.01): img_f = np.fft.fft2(img) psf_padded = np.zeros_like(img, dtype=np.float32) kh, kw = psf.shape psf_padded[:kh, :kw] = psf # 关键：把 PSF 中心移到原点，否则相位错位 psf_padded = np.roll(psf_padded, -kh//2, axis=0) psf_padded = np.roll(psf_padded, -kw//2, axis=1) H = np.fft.fft2(psf_padded) H_conj = np.conj(H) result = np.fft.ifft2(H_conj / (np.abs(H)**2 + K) * img_f) return np.clip(np.real(result), 0, 255).astype(np.uint8)

这里最容易错的是PSF 的相位对齐。np.fft.fft2默认把原点放在左上角，而卷积核的"中心"在(kh//2, kw//2)，必须用np.roll把它移到(0,0)，否则频域相位全错，出来的图会整体偏移甚至完全乱掉。我第一次写的时候没做这一步，结果复原图平移了半个核宽，排查了半天才反应过来。

另外，PSF 要 pad 到和图像同尺寸再 FFT，不能直接对小核做 FFT，否则频域采样点对不上，等于用了一个错误的传递函数。

3.3 维纳滤波的振铃问题与缓解手段

维纳滤波在强边缘附近容易出振铃（ringing），就是边缘旁边出现一圈圈明暗波纹。原因是圆盘核频域有硬零点，逆滤波在这些频率附近剧烈震荡。缓解手段我常用三个：

• 边缘 taper：处理前给图像加个余弦窗，把边界渐变到 0，减少边界不连续引起的振铃，处理完再裁回来。
• 适度增大 K：牺牲一点锐度换干净，K 从 0.01 提到 0.05，振铃能压下去一大半。
• 先轻微去噪再反卷积：用cv2.bilateralFilter或非局部均值先压噪，再维纳，振铃和噪点都会好很多。

提示：振铃一旦出现，别指望后期修掉，它和真实边缘混在一起很难分离。宁可在参数上保守一点，也不要追求"极致锐利"。

4. Richardson-Lucy 反卷积：迭代派的另一条路

维纳滤波是一次性的频域解，RL 是空域迭代解，两者思路完全不同。RL 在失焦去模糊上往往比维纳更"自然"，因为它天然保证非负，振铃形态也更温和，但迭代次数和 PSF 精度要求更高。

4.1 RL 的迭代公式与收敛直觉

RL 的迭代式：

u_{t+1} = u_t * ( (g / (u_t * h)) * h_flip )

其中 g 是观测模糊图，h 是 PSF，*是卷积，h_flip是核翻转。直觉上，它每轮用当前估计去"预测"模糊图，和真实模糊图比，把比值反投影回去修正估计。比值大于 1 的地方说明估计偏暗，要提亮，反之压暗。这个乘性更新天然保持非负，所以不会出现维纳那种负值截断的伪影。

收敛速度取决于 PSF 准确度和图像内容。PSF 半径估错 1 像素，迭代 30 次后结果就会明显偏，所以 RL 对 PSF 估计的敏感度比维纳高。我一般先用维纳粗调确认 PSF 半径，再上 RL 精修。

4.2 手写 RL 实现与迭代次数选择

def rl_deconv(img, psf, iterations=30): img = img.astype(np.float32) + 1e-6 estimate = np.copy(img) psf_flip = psf[::-1, ::-1] for _ in range(iterations): conv = cv2.filter2D(estimate, -1, psf, borderType=cv2.BORDER_REFLECT) ratio = img / (conv + 1e-6) correction = cv2.filter2D(ratio, -1, psf_flip, borderType=cv2.BORDER_REFLECT) estimate *= correction estimate = np.clip(estimate, 0, 255) return estimate.astype(np.uint8)

+1e-6是防除零的地板，别省。迭代次数我一般从 20 起，看效果加到 50，超过 60 基本就是放大噪声和伪影了，收益递减明显。有个判断技巧：连续两轮结果差异小于某个阈值就停，比固定次数更稳：

if np.mean(np.abs(estimate - prev)) < 0.5: break

4.3 RL 的噪点放大与提前停止策略

RL 迭代越多次，高频恢复越多，噪声也同步放大。真实图上我通常配一个轻度高斯预滤波（sigma 0.5 到 1）再跑 RL，或者用 TV 正则化的变体。纯 RL 在噪声大的图上，迭代 40 次以上就会出现明显的"颗粒感"，文字周围起毛刺。

提前停止是最实用的策略。我的做法是记录每轮的全变分（TV），TV 开始上升就停，因为 TV 上升意味着噪声和伪影在增加。这个指标比肉眼判断客观，批量处理时特别好用。

5. PSF 半径估计：整个流程里最要命的一步

前面所有算法都假设你知道 PSF，但真实场景里半径是未知的。半径估错，后面全错。这一节讲我实际用的估计方法，从粗到细。

5.1 频域暗环法：快速粗估

失焦图的频谱有同心暗环，暗环半径和 PSF 半径成反比关系。做法是对模糊图做 FFT，取对数幅度谱，沿径向做平均得到一维曲线，找第一个极小值位置 r_min，PSF 半径约等于N / (2 * r_min)（N 是图像尺寸，需按实际频率归一化调整）。这个方法快，但对噪声和图像内容敏感，只能给个大概范围，我一般用它把搜索区间缩到 ±3 像素内。

5.2 基于边缘剖面的精细估计

更稳的方法是用已知锐利边缘（比如文档的表格线、物体的直边）的模糊剖面去拟合圆盘核的阶跃响应。圆盘核卷积一个阶跃边缘，得到的剖面是"误差函数"形状，拟合它的过渡宽度就能反推半径。实操上我取一条穿过边缘的灰度剖面，找 10% 到 90% 的过渡宽度 w，半径约等于w / 2（粗略，需按实际核形状校正）。

这个方法要求图里有清晰可辨的直边，工业图和文档图很适用，自然风景图就难找。找不到边缘时，我会退回到频域法加人工试错。

5.3 参数扫描 + 质量指标自动选优

最笨但最可靠的办法：半径从 1 扫到 15，每个半径跑一遍维纳或 RL，用无参考质量指标打分选最优。常用指标：

单看锐度会选到过冲严重的参数，必须锐度和伪影一起看。我的做法是拉普拉斯方差归一化后减去振铃惩罚项，取综合分最高。这套扫描在批量处理时跑得慢，但离线处理完全可接受，而且比人工调参稳定得多。

6. 真实图处理时那些文档不会写的坑

算法跑通只是开始，真实图上的问题才是大头。这一节全是我踩过的坑，按出现频率排。

6.1 彩色图不能三个通道各跑一遍

直接对 BGR 三通道分别反卷积，结果会出现彩色边缘（color fringing），因为三个通道的噪声和 PSF 响应不完全一致，反卷积放大差异后颜色就花了。正确做法是转到Lab 或 YCrCb，只对亮度通道 L/Y 做反卷积，色度通道保持或轻度平滑，最后转回 BGR。我试过两种色彩空间，Lab 的 L 通道去模糊后颜色最自然，YCrCb 稍快一点但偶尔偏色。

lab = cv2.cvtColor(img, cv2.COLOR_BGR2Lab) l, a, b = cv2.split(lab) l_sharp = wiener_deconv(l, psf, K=0.02) result = cv2.cvtColor(cv2.merge([l_sharp, a, b]), cv2.COLOR_Lab2BGR)

6.2 动态范围截断导致的"死黑死白"

反卷积后像素值容易超出 0 到 255，直接np.clip会把过冲部分压成纯黑纯白，细节全丢。更好的做法是先做软压缩，比如对超出部分用对数或 S 曲线压回来，或者整体缩放到安全范围再裁。我常用的是先算 1% 和 99% 分位数，按分位数拉伸，比硬 clip 保留的层次多。

6.3 过度锐化比模糊更难看

这是审美层面的坑。参数调激进一点，锐度指标确实上去了，但人眼看着"脏"——噪点、振铃、光晕全出来了。我的原则是宁可欠一点，不要过。判断标准很简单：把结果和原图并排看，如果第一眼注意到的是伪影而不是内容变清晰了，就是过了。真实交付时我一般给两档：保守档（K 大、迭代少）和激进档，让用户自己选。

6.4 大图分块处理与内存

4K 以上的图直接做 FFT 或 RL 迭代，内存和耗时都很可观。我的做法是重叠分块：块大小 512，重叠 64，每块独立处理再按权重融合边界。重叠区用余弦窗加权，避免块边界出现接缝。分块会略微损失全局一致性，但换来的是可控的内存和能并行，工程上划算。

7. 什么图值得救、什么图该放弃

做了这么多，我越来越觉得"判断该不该做"比"怎么做"更重要。这一节给几条硬标准。

值得救的：失焦半径 5 像素以内、噪声可控、内容以文字或规则几何为主、有明确锐利参照物（可估 PSF）。这类图维纳或 RL 跑一遍，提升肉眼可见。

勉强能救的：半径 5 到 8、噪声中等、自然图像。做出来是"视觉改善"，细节别承诺。

建议放弃的：半径超过 10、严重压缩伪影叠加失焦、纯自然纹理无参照物、本身已经过多次缩放。这类图任何反卷积都只会把伪影放大，不如老老实实重拍或换源。

我遇到过客户拿一张微信压缩过三轮的截图让我"去模糊"，这种图 JPEG 块效应和失焦混在一起，PSF 根本不是单纯圆盘，硬做只会更糟。直接说明情况、建议重新获取原图，比硬着头皮交一个"看起来锐但全是块"的结果专业得多。

最后分享一个我常用的收尾技巧：去模糊结果出来后，叠一个极轻的 unsharp mask（半径 1、强度 0.3 左右）做最终锐化，能把反卷积残留的"软感"补一点，但千万别重，重了就把前面辛苦压下去的振铃又勾出来了。这个度，多试几次就有手感了。