基于贝叶斯理论的图像去模糊研究(3)
本文第二章主要介绍基于贝叶斯理论下的一些基本方法，模糊图像模糊的原因以及它的退化模型。
本文第三章介绍了反盲卷积算法的一些基本实现和步骤，包括预测清晰图像，使用迭代的方法计算PSF值并使用共轭梯度法进行优化，最后通过反非盲卷积的算法得出恢复图像。
本文第四章为实验的结果与分析。
2 图像去模糊的理论基础
2.1 图像模糊的原因
人为因素造成图像模糊一般有以下两个原因：
一、由于人在拍摄过程中的抖动或者光线的明暗的变化从而造成的图像不清楚，或者在曝光时由于相机出现的移动从而造成的图像的失真。
二、由于相机和物理之间存在相对运动，从而导致的图像不清晰。
然而，在现实中，还有因为系统原因造成的图像模糊，例如，在图像传送或者图像存储的过程中，由于各种原因导致了原图像的模糊，又或者某些干扰电信号造成了图像的模糊。
总之图像模糊的原因有非常之多，这也说明了图像复原在我们生活中变得越来越重要，需求也越来越大。
2.2 图像的退化及恢复过程
在图像复原的过程当中，建立一个良好的退化模型是至关重要的一步。只有当我们建立了退化模型，才能由此得到相应的复原算法。在实际中，导致图像退化的因素非常之多，我们为了简便性，可以采用线性的方式建立模型。我们可以将一幅模糊图像可以看作是使用一个函数对原图像进行处理，同时，在噪声的影响下，最终得出的结果。卷积过程即可以看作退化函数对PSF的操作过程，而恢复模糊图像就是这个退化函数的逆过程，我们通过对模糊图像进行处理，得出这个退化函数所相反的恢复函数，最终再得到清晰的原图像。
得出模糊图像的过程如下所示：
（2.1）
其中B为模糊图像，I为清晰图像，k为PSF，n为噪声。
噪声n可能是图像拍摄时的感光条件不好造成，同时由于PSF值不可能绝对一致，所以用n来表示PSF值的某些微小差异。
此外，在求PSF值的过程中，对算法进行优化也是非常重要的部分，因为如果不对算法进行优化，将会导致我们的计算过程非常的庞大，不利于我们快速的得出PSF结果，本文中也将对计算PSF的过程进行优化。
上一篇：基于强化学习的游戏智能体设计