已知理想图像和退化图像，如何获取点扩散函数？内容学习

图像退化是指在图像获取传输过程中，由成像系统、传输介质方面的原因造成图像质量下降，典型的表现为图像模糊、失真等。产生图像退化的原因有很多，常见的有以下几种:
( 1) 目标或拍摄装置的移动造成的运动模糊，长时间曝光引起的模糊等;
( 2) 焦点未对准、广角引起的模糊，大气扰动引起的模糊，曝光时间太短导致拍摄装置捕获的光子太少引起的模糊等;
( 3) 散焦引起的图像扭曲;
( 4) 图像在成像、数字化、采集和处理过程引入的噪声;
( 5) 成像系统本身的像差引起的模糊。

按照点扩散函数是否已知，可以分为解卷积(deconvolution)、盲解卷积(blind deconvolution)和 Myopic 解卷积(Myopic deconvolution)等。
若点扩散函数完全已知，则图像复原问题简化为解卷积运算;
若点扩散函数完全未知，则为盲解卷积;
若点扩散函数已知但不可靠，则为Myopic解卷积。
若点扩散函数为单位矩阵，则图像复原问题简化为图像去噪，所以图像去噪也属广义图像复原范畴。

点扩散函数（PSF）与光学调制函数（MTF）

把光学成像系统看成线性不变的系统，那么物体经过光学系统成像，可视为物体经过光学系统传递后，其传递效率不变，但对比度下降，相位发生偏移，并在某一频率截至，即对比度为零。这种对比度的降低和相位偏移是随频率不同而不同的，其函数关系称之为光学传递函数。
光学传递函数是反应物体不同频率成分的传递能力。一般来说，高频部分反映物体的细节传递情况，中频部分反映物体的层次传递情况，低频部分反映物体的区域信息传递情况。
点扩散函数是点光源经光学系统后所成的衍射斑的分布函数，它在空域表征光学系统的特性，而光学传递函数在频域表征系统的特性。两者有简单关系，点扩散函数的傅里叶变换即为光学传递函数。点扩散函数、光学传递函数、调制传递函数三者的关系简写如下:
OTF = F{PSF}, MTF = |OTF|

线性移动点扩散函数

用来描述成像系统与目标之间由相对匀速直线运动造成图像降质。

散焦点扩散函数

几何光学分析表明，由于光学系统散焦而造成图像降质的点扩散函数是一个均匀分布的圆形（或方形）光斑。

高斯型点扩散函数

高斯型点扩散函数是许多光学测量系统和成像系统最常见的降质函数。对于这些统，决定系统点扩散函数的因素比较多，众多因素综合的结果使点扩散函数趋于高型。典型的系统可以列举出光学相机、CCD相机、CT机、光学显微镜等。高斯型点散函数可表示为(Reginaldetal.，2006)

Hufnagel大气湍流点扩散函数

将环境因素引起的图像降质考虑进去，一般用于遥感图像。

非盲解卷积

传统方法

直接反卷积法

基于图像先验的正则化方法

（1）稀疏性先验
（2）自相似性先验
（3）数据驱动的图像先验
基于图像先验正则化的方法的缺点在于：人工定义的图像先验不能完美刻画清晰图像；并且算法的迭代优化过程耗时较长；正则化参数需要对每张图片单独进行优化设置；效果相比于现有的基于深度学习的方法有较大的差距。

维纳滤波

小波分解

ForWaRD方法

将去卷积和去噪分离的方法，其思想较直接：首先采用吉洪诺夫正则化进行解卷积，此时选择一个较
小的正则化参数，目的是保留绝大部分图像信息，但是遗留下的噪声也较多， 然后，再使用小波分析对解卷积之后的图像进行去噪，得到最终的复原图像。

基于尺度变换

经典解卷积方法对比：8 种算法分别为：ForWaRD、ShearDec、 GSM、SV-GSM、 LPA-ICI、 SA-DCT、SURE-LET以及 BM3DDEB。

直接法的优点在于其思想简洁，计算复杂度较低，便于应用；缺点是由于遗漏噪声不同于高斯白噪声。因此，单独去噪无法达到满意的效果，常常伴有振铃效应或者噪声滤波不完全的情况。因此，很多学者把提升非盲图像复原效果的重点放在了迭代法上。

迭代法

-

深度学习

有监督式深度学习

目前，绝大多数的基于深度学习的图像非盲解卷积算法都采用有监督的训练方式，需要大量的（模糊退化图
像-模糊核-真值清晰图像）三元组进行模型训练。
依赖成对的数据集（依赖仿真可得）
使用一般结构的卷积神经网络直接学习从模糊图像到清晰图像的映射并不能有效地学习到图像非盲解卷积过程，其原因在于，关于图像模糊的卷积生成过程以及模糊核的信息并没有被充分直接地利用，单靠数据本身很难学习到相关的知识和解卷积过程。
为了解决这个问题：
（1）基于二阶段策略的网络设计
（2）基于深度展开的网络设计
（3）基于逆滤波的网络设计
（4）针对模糊核误差的网络设计

无监督式深度学习

Lim 等人 [53] 假定有非配对的模糊图像和清晰图像用于训练，通过使用循环一致损失去训练一个生成对抗网络（CycleGAN）。然而，该方法仍需要采集清晰图像。Xia 等人 [54] 假设训练数据中包含同一张清晰图像的两个退化版本。然而，要采集到成对的模糊图像并非易事。Wang 等人 [55] 和 Zukerman 等人 [56]基于深度图像先验（Deep Image Prior, DIP），提出了在单张测试图像上通过训练生成网络来作为图像先验的方法。这种方法需要为每张测试图单独训练一个网络，耗时较长。
这类方法把网络模型作为一个图像先验（使用随机种子作为输入）而不是作为解卷积的过程（把模糊图像作为输入），因此严格来说这类方法更多属于基于先验正则化的方法。以上方法的表现与监督式学习相比均有明显的差距。

很杂，先存上，后面再整理。。。