关于MATLAB中对除零错误的特殊处理中eps和sqrt(eps)的区别

        在MATLAB的矩阵运算中，我们难免遇到除数为0的情况，一般来说，我们会选择将其置为eps或者sqrt(eps)，但在官方文档中更多的是置为sqrt(eps)，如维纳滤波器去卷积函数deonvwnr、有约束最小二乘去卷积函数deconvreg、Lucy-Richarson迭代法去卷积deconvlucy都有对0处理的代码块。

deconvwnr部分代码展示：

 deconvreg部分代码展示：

 deconvlucy部分代码展示：

         一般来说，使用eps和sqrt(eps)是没有区别的，或者说觉得理所当然没有区别，都是非常小的数。实际上，如果在一个矩阵中，0不是成片出现的情况，也就是说在矩阵中偶尔出现一个0，使用eps和sqrt(eps)是没有区别的，但是如果矩阵中有一大片0出现，那么使用eps和sqrt(eps)处理的结果可能会完全不一样。

        这是因为在傅里叶变换和傅里叶逆变换中，得到的很小的数可能会有正有负，当0聚集的时候，即使加上eps，这一片0得到的结果仍然会有正有负。虽然是小数，但是在正负波动会给后续傅里叶变换的处理带来错误计算。

        例子：

clear
% 以运动模糊的点扩散函数为例
h = fspecial('motion',30,45);
H = psf2otf(h,[513,513]);
% 生成周边为0，中心为1的权重矩阵
% 其目的是产生聚集的0（边缘）
w = zeros(513,513);
w(20:end-19,20:end-19) = 1;
r = real(ifft2(H.*fft2(w))) + sqrt(eps);
% r = real(ifft2(H.*fft2(w))) + eps;

        当使用的是sqrt(eps)时，也就是不注释的那一行，得到的边缘部分的值如图：

        非常整齐、全为正的小数，如果运行最后一行注释的代码 ，将会得到：

         有正有负的小数。

        它可能会为后续的计算带来错误。

        更多试验发现是：matlab中快速傅里叶变换时，如果矩阵的边长不是2的整数次幂，才会出现这样的情况。

        使用eps带来恶劣影响的例子：

      （其中图片自己随便导入一张就好）

clc
clear
close all
I = rgb2gray(im2double(imread('图片.png')));
I = im2double(I);
subplot(1,3,1),imshow(I);
LEN = 30;
THETA = 45;
h = fspecial('motion',30,45);
img_motion = imfilter(I,h,'circular');
%添加噪声
noise_var = 0.001;
img_motion = imnoise(img_motion,'gaussian',0,noise_var);
subplot(1,3,2),imshow(img_motion,[0,1])
w = zeros(size(img_motion));
w(20:end-19,20:end-19) = 1;
img_recov = deconvlucy(img_motion,h,10,sqrt(noise_var),w);
subplot(1,3,3),imshow(img_recov)

 运行结果：

（左边是原图，中间是模糊图，右边是复原图）

 当我们修改官方文档deconvlucy中的sqrt(eps)为eps后再运行代码：

         则会得到如此不正确的图：

        总的来说，对包含0元素多的矩阵进行处理的时候，我们可能需要一个比eps更大的一个小数，这时sqrt(eps)可以是一个很好的选择。