曾经很长一段时间, 对图像去模糊都有一种偏见, 认为这是一个灌水的领域, 没有什么实用价值,要到这样的文章,不管是多高的档次, 直接pass。 最近在调研最近几年的关于Computational Photography的一些研究热点时, 发现图像去模糊这个领域非常活跃, 一些效果图还是蛮有意思的。 于是大概浏览了其中的几篇文章, 慢慢地我的这种偏见也消失了。 当数码消费电子日益普及的时候, 这项技术确实非常有用。 它能挽救相当一批由于曝光时间过长或者拍摄 时手的抖动造成的模糊照片。
图像的模糊按照模糊核的性质来分类可分为: Blind image deconvolution(BID 芒去卷积)和Non-blind image deconvolution(NBID 非芒去卷积)。BID就是在模糊核未知的情况下恢复出清晰的图像。在这种情况下, 除了采集到的图像, 其他的没有任何任何信息。 NBID是在模糊核已知的情况下恢复出清晰的原始图像。 因为有了模糊核这个非常重要的信息, 去卷积的工作就相对来说容易多了, 主要任务就是如何在保持细节的情况下抑制噪声。过去三四十年, 很多研究都集中在这个领域, 也有了不少很实用的方法,比如维纳滤波, Richardson-Lucy方法。后来有些方法是基于去噪方法的, 比如傅立叶,小波,Curvelet,和TV方法。 一般来说, NBID是BID的基础。 一旦模糊核估计出来, 所有的NBID方法都可以在BID中使用。
按照模糊的区域来划分, 又可分为: 全局模糊和局部模糊。 全局的模糊主要是由于拍摄设备的运动造成的, 而局部模糊是由于单个物体的 运动造成的。 从实用性来说, 全局模糊要好于局部模糊。 理