图像复原(退化)模型:
g
=
f
∗
h
+
n
g=f*h+n
g=f∗h+n,
g
g
g表示退化图像,
f
f
f表示真实图像
贝叶斯公式:
P
(
A
∣
B
)
=
P
(
A
B
)
P
(
B
)
=
P
(
A
)
P
(
B
∣
A
)
P
(
B
)
P(A|B)=\frac{P(AB)}{P(B)}=\frac{P(A)P(B|A)}{P(B)}
P(A∣B)=P(B)P(AB)=P(B)P(A)P(B∣A)
-
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(B))。
P ( B ) = P ( A 1 ) P ( B ∣ A 1 ) + P ( A 2 ) P ( B ∣ A 2 ) + P ( A 3 ) P ( B ∣ A 3 ) P(B)=P(A_1)P(B|A_1)+P(A_2)P(B|A_2)+P(A_3)P(B|A_3) P(B)=P(A1)P(B∣A1)+P(A2)P(B∣A2)+P(A3)P(B∣A3)
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) P(A1∣B)。
P ( A 1 ∣ B ) = P ( B A 1 ) P ( B ) = 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 ) P(A_1|B)=\frac{P(BA_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)} P(A1∣B)=P(B)P(BA1)=P(A1)P(B∣A1)+P(A2)P(B∣A2)+P(A3)P(B∣A3)P(A1)P(B∣A1) -
同理可得,退化图像 g g g已经发生,符合模型 g = f ∗ h + n g=f*h+n g=f∗h+n的解有很多,我们希望得到真解 ( f , , h ) (f,,h) (f,,h)的概率是最大的。即希望 P ( f ∣ g ) P(f|g) P(f∣g)的概率是最大的。
根据贝叶斯公式: P ( f ∣ g ) = P ( f ) P ( g ∣ f ) P ( g ) P(f|g)=\frac{P(f)P(g|f)}{P(g)} P(f∣g)=P(g)P(f)P(g∣f)
分母为 P ( g ) P(g) P(g),即造成退化图像 g g g的所有可能的解。
分子为 P ( f ) P ( g ∣ f ) P(f)P(g|f) P(f)P(g∣f),即这个退化的解是 f f 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 f 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。