贝叶斯公式下的图像复原模型 理论解释

图像复原（退化）模型：$g=f\ast h+n$，$g$表示退化图像,$f$表示真实图像
贝叶斯公式：$P(A|B)=\frac{P(AB)}{P(B)}=\frac{P(A)P(B|A)}{P(B)}$

• 对贝叶斯公式进行解释（参见考研张宇概率统计9讲的视频，第一讲）：村子有三个小偷A1，A2，A3。他们偷窃的行为是互斥的，求村子失窃的概率（$P(B)$)。
  $P(B)=P(A_1)P(B|A_1)+P(A_2)P(B|A_2)+P(A_3)P(B|A_3)$
  现在失窃的事件已经发生，求是A1偷的概率，即$P(A_1|B)$。
  $P(A_1|B)=\frac{P(B{A}_1)}{P(B)}=\frac{P(A_1)P(B|A_1)}{P(A_1)P(B|A_1)+P(A_2)P(B|A_2)+P(A_3)P(B|A_3)}$

• 同理可得，退化图像$g$已经发生，符合模型$g=f\ast h+n$的解有很多，我们希望得到真解$(f,,h)$的概率是最大的。即希望$P(f|g)$的概率是最大的。
  根据贝叶斯公式：$P(f|g)=\frac{P(f)P(g|f)}{P(g)}$
  分母为$P(g)$，即造成退化图像$g$的所有可能的解。
  分子为$P(f)P(g|f)$，即这个退化的解是$f$的可能性。

• 基于贝叶斯理论的复原模型也是在考虑加入何种先验能够使得真解$f$的概率最大，与正则化的规整化思想是一样的。都是为了施加约束，减小解的范围，规整病态性。因此盲解卷积的技术路线中：基于贝叶斯的概率方法和基于正则化技术的规整化方法是等价的，可以相互转化的。

补充：贝叶斯判别