模糊图像退化与去模糊的数学模型

一 图像退化模型
建立图像的退化模型即是将图像的降质的机理用数学的方式描述出来，这也是图像去模糊成功的重要因素。通常来说，图像的退化可以概括为初始的输入图像$f(x,y)$，经过退化函数$k(x,y)$作用后，再附加上随机噪声$n(x,y)$，最后输出为模糊图像$g(x,y)$。
用数学形式描述为：

$$g(x,y)=k(x,y)\bigotimes f(x,y)+n(x,y)$$
在上述退化模型确定以后，使用该模型去模糊的过程就是在模糊图像的基础 $g(x,y)$上，通过一定方法寻求合理的退化函数 $k(x,y)$,然后利用一定的策略求解退化的逆问题，进而获得真实图像 $f(x,y)$的尽可能高程度的近似版本。
若忽略噪声的干扰，即令 $n(x,y)=0$,假设退化函数是空间不变的，模型简化为： $$g(x,y)=k\bigotimes f(x,y)$$
图像连续退化模型，根据傅里叶变换原理转换到频域： $$G(u,v)=K(u,v)F(u,v)+N(u,v)$$
二 图像去模糊的概率模型
通常去模糊算法的一个自然的出发点就是首先从概率的角度出发建立去模糊问题对应的方程。假设我们已经获知降质过程中干扰图像的噪声类型，我们就能够很容易的写出模糊图像的似然 $p(g|f,k)$,即 $g$关于 $f,k$的条件概率密度。根据概率知识，我们可以从最大化该条件概率出发，寻求最为合适的 $f,k$,但是因图像退化时引起信息损失进而导致去模糊问题的严重不适定性，如果仅仅最大化这个似然模型则容易导致结果中包含较多的振铃效应，并且噪声也被进一步放大。
人们通常会在去模糊过程中加如一些约束。利用一些关于清晰图的先验知识，根据贝叶斯理论，我们能够构建出关于未知量的后验分布: $$p(f,k|g)\propto p(g|f,k)p(k)p(f)$$
如果模糊核已知条件下： $$p(f|g,k)\propto p(g|f,k))p(f)$$
其中关于未知量的先验知识 $p(x)$和 $p(f)$是人工定义的或者从样本数据学习得到的。把关于未知量的先验知识结合到图像去模糊模型中能够克服单从模糊图像的似然估计 $f$和 $k$时的不稳定性，改善未知量估计的质量。
最大后验(MAP)方法
如果模糊核提前获知，则求解出的清晰图像为：

f^=argmax