基于python的线性回归恢复图像

基于线性回归进行图像插值，恢复受损图像。语言是python

import numpy as np
import cv2
import matplotlib.mlab as mlab
import math
#按行回归
def linearRegressionByRow（img）:
    [rows cols channels] = img.shape #获得图像的行列以及通道信息
    noiseMask = （（img != 0））.astype（np.double）#01矩阵用来存储噪点坐标
    #标准化
    minX = np.min（np.min（np.min（img）））
    maxX = np.max（np.max（np.max（img）））
    img_copy = （img - minX） / （maxX - minX）
    basisNum=100#basis function 个数
    sigma=0.01#高斯函数的方差
    # 初始化basis function
    Phi_mu=np.linspace（1colsbasisNum）/cols
    Phi_sigma=sigma*np.array（[1 for _ in range（basisNum）]）
    x=np.array（[i+1 for i in range（cols）]）
    x=（x-np.min（x））/（np.max（x）-np.min（x））#得到（01）之间均匀分布的数组
    resImg=img_copy.copy（）

    for k in range（channels）:
        for i in range（rows）:    # 遍历每一行
            # 获取好点与坏点的index
            msk=noiseMask[i:k]
            msk=msk[:]
            misIdx=np.where（msk<1）
            misNum=len（misIdx[0]）

            ddIdx=np.where（msk>=1）
            ddNum=len（ddIdx[0]）
            Phi=np.column_stack（（np.ones（[ddNum1]）np.zeros（[ddNumbasisNum-1]）））
            # 训练得到w
            for j in range（1basisNum）:
                Phi[:j]=mlab.normpdf（np.transpose（x[ddIdx]）Phi_mu[j-1]Phi_sigma[j-1]）*math.sqrt（2*math.pi）*Phi_sigma[j-1]

            w=np.dot（np.dot（np.linalg.pinv（np.dot（np.transpose（Phi）Phi））np.transpose（Phi））np.transpose（img_copy[iddIdxk]））
            Phi1=np.column_stack（（（np.ones（[misNum1]））np.zeros（[misNumbasisNum-1]）））
            # 预测
            for j in range（1basisNum）:

                Phi1[:j]=mlab.normpdf（np.transpose（x[misIdx]）Phi_mu[j-1]Phi_sigma[j-1]）*math.sqrt（2*math.pi）*Phi_sigma[j-1]
            resImg[imisIdxk]=np.dot（np.transpose（w）np.transpose（Phi1））
    # 得到结果并重新投影到（0，255）
    resImg=np.minimum（resImg1）
    resImg=np.maximum（resImg0）
    resImg*=255
    # cv2.imwrite（“./result_row.png“ resImg）
    return resImg
#按列回归，思路与按行回归一样
def linearRegressionByCol（img）:
    [rows cols channels] = img.shape
    noiseMask = （（img != 0））.astype（np.double）
    minX = np.min（np.min（np.min（img）））
    maxX = np.max（np.max（np.max（img）））
    img_copy = （img - minX） / （maxX - minX）
    basisNum=100
    sigma=0.01
    Phi_mu=np.linspace（1rowsbasisNum）/rows
    Phi_sigma=sigma*np.array（[1 for _ in range（basisNum）]）
    x=np.array（[i+1 for i in range（rows）]）
    x=（x-np.min（x））/（np.max（x）-np.min（x））
    resImg=img_copy.copy（）
    for k in range（channels）:
        for i in range（cols）:
            msk=noiseMask[:ik]
            msk=msk[:]
            misIdx=np.where（msk<1）
            misNum=len（misIdx[0]）
            ddIdx=np.where（msk>=1）
            ddNum=len（ddIdx[0]）
            Phi=np.column_stack（（np.ones（[ddNum1]）np.zeros（[ddNumbasisNum-1]）））
            for j in range（1basisNum）:
                Phi[:j]=mlab.normpdf（np.transpose（x[ddIdx]）Phi_mu[j-1]Phi_sigma[j-1]）*math.sqrt（2*math.pi）*Phi_sigma[j-1]

            w=np.dot（np.dot（np.linalg.pinv（np.dot（np.transpose（Phi）Phi））np.transpose（Phi））np.transpose（img_copy[ddId

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件           0  2018-05-25 20:03  鍙楁崯鍥?
     文件      287928  2017-05-03 09:20  鍙楁崯鍥?B.png
     目录           0  2018-06-18 19:10  __MACOSX\
     文件           0  2018-06-18 19:10  __MACOSX\鍙楁崯鍥?
     文件         274  2017-05-03 09:20  __MACOSX\鍙楁崯鍥?._B.png
     文件      177886  2017-05-03 09:20  鍙楁崯鍥?C.png
     文件         218  2017-05-03 09:20  __MACOSX\鍙楁崯鍥?._C.png
     文件       39962  2017-05-03 09:20  鍙楁崯鍥?A.png
     文件         274  2017-05-03 09:20  __MACOSX\鍙楁崯鍥?._A.png
     目录           0  2018-05-25 20:11  code\
     文件        6148  2018-05-25 20:11  code\.DS_Store
     目录           0  2018-06-18 19:10  __MACOSX\code\
     文件         120  2018-05-25 20:11  __MACOSX\code\._.DS_Store
     文件       18441  2018-05-25 20:10  code\hw2.py
     文件         176  2018-05-25 20:10  __MACOSX\code\._hw2.py
     目录           0  2018-05-25 20:35  缁撴灉\
     文件        6148  2018-05-25 20:39  缁撴灉\.DS_Store
     目录           0  2018-06-18 19:10  __MACOSX\缁撴灉\
     文件         120  2018-05-25 20:39  __MACOSX\缁撴灉\._.DS_Store
     文件      240123  2018-05-25 19:02  缁撴灉\3150103695_B.png
     文件      260177  2018-05-25 14:31  缁撴灉\3150103695_C.png
     文件         233  2018-05-25 14:31  __MACOSX\缁撴灉\._3150103695_C.png
     文件      300689  2018-05-25 14:29  缁撴灉\3150103695_A.png
     文件         233  2018-05-25 14:29  __MACOSX\缁撴灉\._3150103695_A.png
     文件         207  2018-05-25 20:35  readme.txt
     文件         317  2018-05-25 20:35  __MACOSX\._readme.txt