Removing-Camera-Shake-from-a-Single-Photograph图像去模糊读书笔记

图片模型

模糊图B、潜在图L与模糊核K的关系为：
$$B=K\otimes L+N$$
其中，⊗代表卷积（非周期边界条件），N表示每个像素上的传感器噪声。

我们假设图像的像素值与传感器的辐照度线性相关。潜在图像L代表我们的目标图像；我们的目标是从B中恢复L，而没有对K的具体知识。

自然图像在梯度上满足重尾分布。下图显示了一幅自然图像及其梯度大小的直方图。分布表明，图像主要包含小的或零的梯度，但少数梯度有较大的幅度。我们用零均值高斯混合模型表示梯度的分布。之所以选择这种表示方式，是因为它可以很好地逼近经验分布，同时允许对我们的算法进行易于处理的估计。

重尾分布：梯度分布大多集中在小值上，但比高斯分布更有可能取到大值。这与直觉相对应，图像大面积存在恒定强度或柔和强度，因此梯度整体变化不大，偶尔会出现边缘或边界上因遮挡发生的大变化。

算法

总体框架

第一步：从输入的图片中得到模糊核，估计过程是以粗到细的方式进行，以避免局部最小值。
第二步：利用估计核函数，应用标准卷积算法估计潜在的(Unblurred)图像。

算法输入

• 模糊图像B
• 模糊图像中的一个方块
• 模糊核大小上的上界(以像素为单位)
• 关于模糊核(水平或垂直)方向的初始猜测

预处理过程

• 我们要求输入图像B在处理之前已经转换成线性颜色空间。在实验中，我们应用了$\gamma =2.2$的逆伽玛校正。
  $$1Pixelvalue=(CCDsensorvalue{)}^{1/\gamma }$$

  if (GAMMA_CORRECTION~=1)
    %%% gamma correct actual image
    obs_im = (double(obs_im).^(GAMMA_CORRECTION))/(256^(GAMMA_CORRECTION-1));
  else
    obs_im = double(obs_im);
  end

• 为了估计预期的模糊内核，我们将原始图像的所有颜色通道合并到用户指定的块中，生成灰度模糊块P

模糊核的求法

在给定灰度模糊块P时，我们以L的统计数据作为先验为指导，通过寻找概率最高的值来估计K和潜在的块图像$L_p$。因为先验知识是在梯度上而非亮度，因此选择梯度进行优化。卷积是线性操作，因此可以使用

$$\nabla P=\nabla L_p\otimes K+noise$$

这里假设噪声满足方差为${\sigma }^2$的高斯分布。

潜在图像的梯度$p(\nabla L_p)$是一个混合的C-零均值的高斯混合分布，即满足第C个高斯满足方差为$v_c$权重为${\pi }_c$；我们对内核使用一个稀疏先验