空间不变与空间变化 PSF （Point Spread Function，点扩散函数）非盲去卷积

非盲去卷积是一种图像处理技术，其目标是利用已知的模糊图像和对应的PSF来恢复原始的清晰图像。这里的关键是“非盲”这个词，它意味着PSF是已知的。

空间不变PSF

空间不变的PSF描述了一个成像系统对于点光源或点物体的响应。

在理想情况下，点光源或点物体在图像上应该表现为一个清晰、紧凑的点。然而，在实际系统中，由于各种因素（如光学系统的衍射、传感器的不完美等），这个点会扩散成一个更大的区域，这就是PSF所描述的。PSF的宽度决定了重建图像的空间分辨率，即能够区分两个不同点的最小间隔。

空间变化 PSF

PSF在整个图像中不是恒定的，而是随着位置或其他因素变化。

空间变化PSF非盲去卷积是在图像处理领域中的一种高级技术，特别适用于处理那些由于成像系统的非均匀性或者场景深度的变化而导致PSF在图像中发生空间变化的情况。例如当使用广角镜头拍摄大场景时，由于镜头畸变和景深的不同，不同区域的PSF可能会有所不同。

两者区别

成像特性

1. 空间不变PSF：整个图像的退化程度是恒定的，不随位置或其他因素变化；
2. 空间变化PSF：扩散函数在图像中随着位置或其他因素发生变化。

影响因素

1. 空间不变PSF：固定模糊源引起
2. 空间变化PSF：由多种因素引起，例如镜头畸变、景深的不同或成像系统的非均匀性。

应用角度

1. 空间不变PSF主要用于处理那些由固定模糊源（如镜头畸变）引起的图像失真。
2. 空间变化PSF在处理复杂场景或需要更精确图像恢复的情况下可能更为适用。

综上所述，空间变化PSF与空间不变PSF的主要区别在于它们在描述成像系统点扩散函数时的恒定性和变化性。这种区别使得它们在处理不同类型的图像失真和恢复原始图像时具有不同的优势和适用性。

非盲去卷积

空间不变的PSF非盲去卷积

通常使用的几种主要方法包括：

维纳滤波（Wiener Filtering）

维纳滤波是一种基于最小均方误差准则的线性滤波方法，它通过求解一个线性方程来估计原始图像。在已知PSF的情况下，维纳滤波可以有效地去除由PSF引起的模糊。该方法的关键在于计算PSF和噪声功率谱的估计，以便在恢复过程中权衡模糊减少和噪声增强的影响。

Lucy-Richardson算法（也称为迭代反投影）

这是一种基于贝叶斯估计的迭代去卷积方法。它通过多次迭代逐渐逼近原始图像，每次迭代都根据当前估计的图像和PSF来更新图像。这种方法可以有效地处理PSF引起的模糊，但可能需要多次迭代才能达到满意的结果。

正则化方法

正则化方法通过在去卷积过程中引入一些约束条件来稳定求解过程，防止出现过拟合或噪声放大。常见的正则化项包括图像的平滑性、稀疏性等。通过选择合适的正则化项和权重，可以在去除模糊的同时保持图像的清晰度和细节。

最大后验概率（MAP）方法

这种方法基于概率模型，通过最大化原始图像的后验概率来恢复图像。它结合了图像的先验知识和观测数据，可以在去卷积过程中引入更多的信息来提高恢复质量。

频域方法

这类方法通常在频域内进行操作，通过傅里叶变换将图像和PSF转换到频域，然后在频域内进行去卷积操作。这种方法可以利用傅里叶变换的快速算法来加速计算，但需要注意处理可能出现的频率混叠和噪声放大问题。

空间变化的PSF非盲去卷积

由于PSF在图像的不同区域会发生变化，需要针对图像中的每个位置或区域使用相应的PSF进行去卷积操作，因此最关键的步骤是准确估计每个区域的PSF。

以下是一些常用的方法：

多帧非盲去卷积

当有多幅同一场景的模糊图像可用时，可以利用这些多帧图像来估计空间变化的PSF并进行去卷积。这种方法通常涉及对多帧图像进行对齐和融合，以估计每个像素或区域的PSF，然后应用相应的去卷积算法。

局部去卷积

局部去卷积方法将图像划分为多个小区域，并假设在每个小区域内PSF是近似不变的。然后，对每个小区域分别进行去卷积操作。这种方法的关键在于如何选择合适的区域大小和划分方式，以平衡计算复杂度和去卷积效果。

自适应滤波

自适应滤波方法根据图像的局部特性动态调整滤波器的参数，以适应空间变化的PSF。这种方法通常涉及对图像进行局部分析，估计每个区域的PSF，并据此设计相应的滤波器进行去卷积。

深度学习方法

近年来，深度学习在图像处理领域取得了显著进展。对于空间变化的PSF非盲去卷积，一些基于深度学习的模型被提出，通过训练网络来学习从模糊图像到清晰图像的映射关系。这些方法可以自动提取图像特征并处理复杂的空间变化PSF，但需要大量的训练数据和计算资源。

空间变化与空间不变的计算原理及方式相似，只是计算复杂度的区别。

Zemax仿真得到PSF

1. 空间不变的PSF：在ZEMAX中意味着点扩散函数在整个视场和焦距范围内都是恒定的，不随位置或其他因素变化。这种假设在某些情况下可以简化计算和分析过程，特别是在处理具有均匀性和对称性的简单镜头系统时。然而，它可能无法准确描述具有复杂像差、畸变或焦距变化的镜头系统的成像性能。
2. 空间变化的PSF：在ZEMAX中能够更准确地描述镜头参数对成像性能的影响。它考虑了不同视场角、焦距和波长下的点扩散函数变化，能够更真实地反映镜头系统的实际成像质量。通过使用ZEMAX中的高级仿真功能，如多视场、多波长和多配置优化，用户可以更精确地模拟和分析镜头参数对PSF的影响。

在已知理想图像和退化图像的条件下，准确估计导致退化的PSF

图像观察估计法**

如果提供了退化图像而没有关于退化函数H的直接知识，可以通过观察图像自身的信息来估计PSF。特别是对于模糊图像，可以观察包含简单结构的小部分图像，如某一物体和背景的一部分。为了减少观察时的噪声影响，可以寻找最强信号内容区。通过比较理想图像和退化图像在这些区域的差异，可以初步估计出PSF的一些特性。

频域分析法

利用傅里叶变换将理想图像和退化图像转换到频域。在频域中，退化过程通常表现为某种形式的滤波作用。通过分析理想图像和退化图像在频域中的差异，特别是高频部分的损失情况，可以推断出PSF的频域特性，进而估计出PSF。

模型拟合法

根据退化图像的特性，可以假设PSF具有某种特定的数学形式（如高斯函数、运动模糊等）。然后，通过调整模型参数，使得模拟的退化过程与实际的退化图像最为接近。这种方法需要一定的先验知识，但如果模型选择得当，可以得到较为准确的PSF估计。

迭代优化法

通过迭代的方式不断优化PSF的估计值。在每次迭代中，根据当前的PSF估计值对理想图像进行退化处理，得到模拟的退化图像。然后，比较模拟的退化图像与实际的退化图像，根据差异调整PSF的估计值。这个过程可以反复进行，直到找到使差异最小的PSF估计值。

使用退化模型

如果退化过程是由特定的物理过程（如镜头畸变、运动模糊等）引起的，可以尝试建立相应的退化模型。通过对比理想图像和退化图像，可以估计出模型中的参数，进而得到PSF的估计值。