基于最大后验概率的图像盲去模糊的理解

基于最大后验概率的盲去模糊方法源于贝叶斯公式，贝叶斯公式为：

盲去模糊问题中，最大后验概率公式为：

下面用水库作为模型来通俗的解释最大后验概率公式的意思

一个水库，某天的流入量为x，流出量为k，水位变化为y。那么最大后验概率要解决的就是，根据今天观测到的水位变化y，猜测出今天最有可能的流入量x和流出量y。另外假设还有其他的干扰因素，比如蒸发，动植物消耗等。

这个问题显然是个不适定的问题，即无数个（x,k）都能够产生同一个y.

式中 是流入量为x的概率；是流出量为y的概率；是水位变化为y的概率，这里是已经观测到的结果，取1；是似然函数；是先验概率函数。

后验概率函数

这个函数的意思是，对于观测到的水位变化y，有多大概率今天的流入量是x，流出量是k。也就是在说，猜测的x,k有多大把握是正确的？可以看出后验概率要在给定的已知信息情况下去猜模型参数，而不会简单的说只要猜测的流入量和流出量和已知的水位变化对得上号我就相信了。

似然函数

这个函数的意思是，对于猜测的流入量和流出量，有多大概率让水位变化y，即反映了目标信息y和猜测信息x,k之间的匹配程度。比如今天水位上升了1米，真实的流入量是100立方，真实的流出量是50立方，而猜测的流入量是1,000立方，流出量是950立方，显然对于猜测结果，似然函数会给一个很高的概率，就算猜测流入100,000,000立方，流出99,999,950立方，似然函数依然会给一个很高的概率，但这和真实值差了十万八千里，所以说，光靠似然函数来猜测x,k是不行的。这也就是为什么Levin等人说MAP框架下得到的去模糊结果倾向于模糊图像而不是清晰图像。

先验概率，

后验概率除了考虑似然函数外，还要考虑各因素的先验概率，这是能够让猜测值更加接近真实值的重要方式。

 例如，第一个人说，我统计了近50年这一天的流入量，发现流入量都在50立方到150立方，然后让这个条件作为先验概率函数参与猜测过程，发现猜测结果的靠谱了很多。

第二个人觉得虽然现在猜测结果不离谱了，但猜的不够准。于是他经过研究，发现当天上游下雨的话，流入量就更多，三天前的雪山温度低一点的话，流入量就会更少，于是他在统计到规律之后，设计了新的先验概率函数参与猜测过程，发现果然准了不少。

第三个人觉得猜测准确度还能提，然后他对流出量的先验概率函数进行了研究，发现下游长时间不下雨的话，就会多放点水，于是他统计过后把这个规律作为先验概率函数参与了猜测过程，发现猜测结果和真实值已经相当接近了。

所以说，在MAP框架下的图像去模糊的过程中，不光要考虑估计出来的清晰图像和模糊核能不能得到这幅已经观测到的模糊图像，还要要让清晰图像和模糊核符合提前给他们规定好的规律。先验概率函数一直是一个非常重要的点，就看研究者们能否在一个一个的像素值中找到更好用的特征作为先验条件。另一个很重要的研究点就是算法，即到底是怎么猜的？算法能不能最大限度让先验发挥他的作用，猜的速度快不快？猜的准确度高不高？