相关论文:2011-PAMI - Richardson-Lucy Deblurring for Scenes under a Projective Motion Path
空间均匀的运动模糊表示如下:
B
=
k
⊗
I
B=k\otimes I
B=k⊗I
B为模糊图像,I为清晰图像,k为模糊核。
RL算法假设 P ( B ∣ k , I ) P(B|k,I) P(B∣k,I)满足Poisson分布(传送门:如何通俗理解泊松分布):
P
(
X
=
x
)
=
λ
x
x
!
e
−
λ
P(X=x)=\frac{\lambda^x}{x!}e^{-\lambda}
P(X=x)=x!λxe−λ
其中均值
λ
=
k
⊗
I
\lambda=k\otimes I
λ=k⊗I,即:
P
(
B
∣
k
,
I
)
=
(
k
⊗
I
)
B
B
!
e
−
(
k
⊗
I
)
P(B|k,I)=\frac{(k\otimes I)^B}{B!}e^{-(k\otimes I)}
P(B∣k,I)=B!(k⊗I)Be−(k⊗I)
目标是最大化概率
P
(
B
∣
k
,
I
)
P(B|k,I)
P(B∣k,I),通过
−
log
-\log
−log转化成下面的能量最小化问题:
J
=
E
(
I
;
B
,
k
)
=
−
log
(
(
k
⊗
I
)
B
B
!
e
−
(
k
⊗
I
)
)
=
−
log
(
(
k
⊗
I
)
B
B
!
)
−
log
e
−
(
k
⊗
I
)
=
−
B
log
(
k
⊗
I
)
+
k
⊗
I
+
log
B
!
∝
−
B
log
(
k
⊗
I
)
+
k
⊗
I
\begin{aligned} J=E(I;B,k)=&-\log\left( \frac{(k\otimes I)^B}{B!}e^{-(k\otimes I)}\right) \\ =&-\log\left( \frac{(k\otimes I)^B}{B!}\right)-\log e^{-(k\otimes I)} \\ =&-B\log(k\otimes I)+k\otimes I+\log B! \\ \propto& -B\log(k\otimes I)+k\otimes I \end{aligned}
J=E(I;B,k)===∝−log(B!(k⊗I)Be−(k⊗I))−log(B!(k⊗I)B)−loge−(k⊗I)−Blog(k⊗I)+k⊗I+logB!−Blog(k⊗I)+k⊗I
因为
J
J
J是一个凸函数,最小值即
∇
J
=
0
\nabla J=0
∇J=0:
∂
J
∂
I
∝
−
B
k
⊗
I
⊗
k
~
+
1
⊗
k
~
=
0
\frac{\partial J}{\partial I}\propto -\frac{B}{k\otimes I}\otimes\tilde k+1\otimes\tilde k=0
∂I∂J∝−k⊗IB⊗k~+1⊗k~=0
其中
k
~
\tilde k
k~为
k
k
k水平翻转180°, 因为
∑
i
k
i
=
1
\sum_i k_i=1
∑iki=1,所以
1
⊗
k
~
=
1
1\otimes\tilde k=1
1⊗k~=1,得:
1
=
B
k
⊗
I
⊗
k
~
1=\frac{B}{k\otimes I}\otimes\tilde k
1=k⊗IB⊗k~
由于损失函数
J
J
J是凸函数,每次迭代后损失都会减小,当收敛时,恢复出的图像基本不会改变了——意味着在收敛时
I
t
+
1
I_{t+1}
It+1实际上应该等于
I
t
I_t
It,即:
I
t
+
1
I
t
=
1
=
B
k
⊗
I
⊗
k
~
\frac{I_{t+1}}{I_t}=1=\frac{B}{k\otimes I}\otimes\tilde k
ItIt+1=1=k⊗IB⊗k~
I
t
+
1
=
I
t
⊙
k
~
⊗
B
k
⊗
I
=
I
t
⊙
k
~
⊗
B
k
~
⊗
k
⊗
I
I_{t+1}=I_t\odot\tilde k\otimes\frac{B}{k\otimes I}=I_t\odot\frac{\tilde k\otimes B}{\tilde k\otimes k\otimes I}
It+1=It⊙k~⊗k⊗IB=It⊙k~⊗k⊗Ik~⊗B
其中
⊙
\odot
⊙为对应元素相乘,分数线也是对应元素相除。类似梯度下降法,不过这里是乘法更新,
I
0
I_0
I0可以初始化成随机值(或者中灰色图像,或者模糊图像),迭代直到
I
t
{I_t}
It不在变化。
参考:https://www.strollswithmydog.com/richardson-lucy-algorithm/