维纳滤波

上一节讲了逆滤波，这一次讲讲维纳滤波，逆滤波在图像没有噪声的情况下是很好的，但在有噪声的情况下，噪声会被放大，所以维纳滤波就横空出世了，维纳滤波能很好的解决有噪声的图像修复。
维纳滤波是诺波特·维纳在二十世纪四十年代提出的一种滤波器，即假定线性滤波器的输入为有用信号和噪声之和，两者均为广义平稳过程且知道它们的二阶统计特性，根据最小军方误差准则（滤波器的输出信号与需要信号之差的均方值最小），求得最佳线性滤波器的参数。
维纳滤波器是一种自适应最小均方差滤波器。维纳滤波的方法是一种统计方法，它用的最优准则是基于图像和噪声各自的相关矩阵，它能根据图像的局部方差调整滤波器的输出，局部方差最大，滤波器的平滑作用就越强。
公式如下：

其中戴帽子的f为我们维纳滤波后的图像，f为清晰的原始图像，g为待恢复的模糊图像（g上式没有，写出来为了说明的完整性）。
这里戴帽子的f我们是不知道的，所以我们要根据这个优化式子求出$\hat{f}$.
具体的推导过程这里不写，因为我也只看了个大概。
求解的结果为：

其中，G(u,v)是退化图形的傅里叶变换；
H(u,v)是退化函数；
$p_n(u,v)=|N(u,v){|}^2$是噪声的功率谱；
$P_f(u,v)=|F(u,v){|}^2$是原始图像的功率谱；
$s=\frac{1}{\lambda }$,λ为一常数，是拉格朗日乘数。

之前有说过维纳滤波需要知道原始图像和噪声的二阶统计特性，即要知道关于图像和噪声的先验知识，比如$p_f(u,v),p_n(u,v)$，但是这恰恰也是我们不知道的，这也是维纳滤波器的局限所在，我们一般将上述两个公式的比值看做是常数带入进行计算，如下所示：

这是一种无可奈何的粗糙的近似，但是当噪声为白噪声即其功率谱为常数的时候，这种近似效果很不错。
为了强化维纳滤波器的效果“基于维纳滤波的图像复原”这篇论文提出了两次维纳滤波的方法，第一次维纳滤波求出一个近似图像，然后由近似图像的和模糊图像估计噪声和原始图像的先验知识，最后根据该先验知识进行再次的维纳滤波。
“Lucy - Ｒichardson 与维纳滤波算法比较分析”，这篇文章指出在先加模糊函数在加噪声的情况下，维纳滤波的表现比LR滤波器的表现更为良好。

在“维纳滤波图像复原技术的研究与改进”这篇文章中，作者指出，维纳算法可实现最小均方差复原，当图像的频率特性和噪声已知时，维纳滤波的效果较好；在峰值信噪较低时效果不好。这时由于三个问题限制了它的有效性。首先维纳滤波采用均方误差（MSE）准则，该准则对所有的误差（不管其在图像中的位置）都赋予同样的权，而人眼对暗处和高梯度区域的误差比其他区域的误差有较大的容忍性，所以，维纳滤波以一种并非适合人眼的方式对图像进行了平滑（第一个公式即求均方误差最小）；其次，维纳滤波假设退化模型为线型空间不变系统，它不能处理具有空间可变点扩散函数的情形（比如物体运动不是匀速或者匀加速）；最后，由于基于平稳随机场的模型，维纳滤波 不能处理有着非平稳信号和噪声的一般情形，大部分图像都是高度非平稳的，有着陡峭边缘分开的大块平坦区域（对非平稳过程而言，均值和方差是无法通过统计得到的，因为它们会随时间而变化）。

参考文献：
Lucy - Ｒichardson 与维纳滤波算法比较分析
维纳滤波图像复原技术的研究与改进

最后推荐一篇非常不错的维纳滤波的博文：https://blog.csdn.net/baimafujinji/article/details/73882265