【图像去模糊】非盲去模糊实景图像处理，使用点扩散函数（PSF）快速去除实景图像中的模糊附Matlab代码-优快云博客

本文链接：https://blog.youkuaiyun.com/matlab_daizuo/article/details/149661921

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

在现实生活中，由于拍摄设备抖动、被拍摄物体运动、镜头失焦、大气湍流等多种因素，很容易导致获取的实景图像出现模糊现象。模糊的图像会丢失大量的细节信息，严重影响图像的质量和后续的分析与应用。例如，在安防监控中，模糊的图像可能无法清晰识别嫌疑人的面部特征或车辆的车牌号码；在医学影像领域，模糊的图像可能会掩盖病灶的关键信息，影响诊断的准确性；在遥感图像应用中，模糊的图像会降低对地形、地物识别的精度。

因此，图像去模糊技术成为了计算机视觉和图像处理领域的重要研究课题。非盲去模糊作为图像去模糊的一种重要方式，在已知造成图像模糊的点扩散函数（PSF）的情况下，能够更有针对性地进行处理，从而快速、有效地去除图像中的模糊，恢复图像的清晰细节，具有极高的实用价值。

点扩散函数（PSF）概述

点扩散函数（PSF）是描述成像系统对理想点光源的响应特性的函数，它是导致图像模糊的核心因素。在理想的成像系统中，一个点光源在图像上会成像为一个清晰的点，而实际的成像系统由于各种干扰因素，点光源的像会扩散成一个模糊的光斑，这个光斑的强度分布就是点扩散函数。

PSF 能够全面地反映成像系统的模糊特性，不同的模糊原因会产生不同的 PSF。例如，由于相机匀速运动造成的模糊，其 PSF 通常呈现为线性的；而由于镜头失焦导致的模糊，其 PSF 多为高斯分布形式；大气湍流引起的模糊，其 PSF 则具有更复杂的随机特性。

在非盲去模糊中，PSF 是已知的或者可以通过一定的方法精确估计得到的。这为后续的去模糊处理提供了重要的依据，使得我们能够根据 PSF 的特性设计出更高效、更精准的去模糊算法。

基于 PSF 的快速非盲去模糊步骤

基于 PSF 的非盲去模糊实景图像处理主要包括以下几个关键步骤：

确定 PSF

在非盲去模糊中，PSF 是已知的或者需要通过特定的方法进行精确估计。如果是由于已知的相机运动造成的模糊，可以根据相机的运动参数（如运动轨迹、速度等）来构建对应的 PSF；如果是镜头失焦导致的模糊，其 PSF 通常可以近似为高斯函数，可通过对模糊图像的分析估计出高斯函数的参数；对于一些特定的模糊场景，也可以通过预先的标定或实验获取 PSF。

准确获取 PSF 是保证非盲去模糊效果的前提，PSF 的精度直接影响最终的去模糊结果。因此，在实际应用中，需要采用可靠的方法获取或估计 PSF。

图像预处理

在进行去模糊处理之前，通常需要对模糊图像进行预处理。预处理的主要目的是去除图像中的噪声，因为噪声在去模糊过程中容易被放大，影响恢复效果。常用的预处理方法包括高斯滤波、中值滤波等。高斯滤波可以平滑图像，减少高频噪声；中值滤波对于椒盐噪声等脉冲噪声具有较好的去除效果。

此外，还可以对图像进行归一化处理，将图像的灰度值范围调整到合适的区间，以便于后续的计算和处理。

频域去模糊计算

将预处理后的模糊图像和已知的 PSF 分别进行傅里叶变换，转换到频域。在频域中，按照上述的频域除法原理进行计算，得到原始清晰图像的频域估计。

为了抑制噪声和避免频域除法中的病态问题，通常会引入正则化项。正则化方法通过在目标函数中加入对图像平滑性或稀疏性的约束，来平衡去模糊效果和噪声抑制。例如，Tikhonov 正则化通过加入图像的二阶导数约束来实现平滑，总变分（TV）正则化则通过约束图像的梯度稀疏性，更好地保留图像的边缘信息。

空域转换与后处理

将频域中得到的结果进行傅里叶逆变换，转换回空域，得到初步恢复的清晰图像。由于去模糊过程中可能会引入一些伪影或残留的噪声，还需要进行后处理来进一步优化图像质量。

后处理方法包括图像锐化、对比度调整、边缘增强等。图像锐化可以增强图像的细节和边缘，使图像更加清晰；对比度调整能够改善图像的视觉效果，使图像的明暗层次更加分明；边缘增强则可以突出图像中的边缘信息，提升图像的整体质量。

基于 PSF 的快速去模糊优势

与盲去模糊相比，基于 PSF 的非盲去模糊具有以下显著优势：

处理速度更快

盲去模糊需要同时估计 PSF 和恢复清晰图像，这是一个复杂的非线性优化问题，计算量巨大，处理速度较慢。而非盲去模糊已知 PSF，不需要花费大量的时间和计算资源在 PSF 的估计上，只需专注于利用已知的 PSF 进行去模糊计算，大大减少了计算复杂度，能够实现对实景图像的快速处理，满足实时性应用的需求。

去模糊效果更稳定、可控

由于 PSF 已知，非盲去模糊可以根据 PSF 的特性制定针对性的处理策略，使得去模糊过程更加稳定。在处理过程中，可以通过调整正则化参数等方式，对去模糊效果进行有效的控制，避免出现过度去模糊或去模糊不足的情况，从而获得更可靠的去模糊结果。

对特定模糊场景针对性强

对于一些具有明确模糊原因的场景，如已知的相机运动轨迹、固定的失焦参数等，基于对应的 PSF 进行非盲去模糊，能够精准地逆转该种模糊过程，恢复出的图像细节更加丰富、准确，效果明显优于盲去模糊。

实际案例分析

为了验证基于 PSF 的非盲去模糊方法在实景图像处理中的效果，我们选取了一组因相机轻微抖动导致模糊的户外风景图像和一组因镜头失焦造成模糊的室内物体图像进行实验。

对于相机抖动造成的模糊图像，通过分析相机的运动参数，构建了对应的线性 PSF。采用基于 TV 正则化的频域去模糊方法进行处理，经过预处理、频域计算、空域转换和后处理等步骤，得到了恢复后的清晰图像。从结果来看，恢复后的图像能够清晰地呈现出远处山脉的轮廓、近处树木的纹理，与原始模糊图像相比，细节信息得到了显著的恢复。

对于镜头失焦的室内物体图像，其 PSF 近似为高斯函数，通过估计高斯函数的均值和方差确定 PSF。使用 Tikhonov 正则化方法进行去模糊处理后，原本模糊的物体边缘变得清晰，物体表面的纹理细节也得以显现，图像的整体清晰度得到了极大的提升。

对比实验结果表明，基于 PSF 的非盲去模糊方法能够快速、有效地去除实景图像中的模糊，恢复图像的清晰细节，且处理时间明显短于盲去模糊方法。

挑战与展望

尽管基于 PSF 的非盲去模糊在实景图像处理中具有显著的优势，但在实际应用中仍面临一些挑战。例如，PSF 的精确获取仍然是一个难点，在很多实际场景中，模糊原因复杂，难以准确得到 PSF；当图像中的噪声较强时，即使已知 PSF，去模糊过程中也容易放大噪声，影响恢复效果；对于非均匀模糊或动态变化的模糊场景，基于单一 PSF 的处理方法效果有限。

未来，基于 PSF 的非盲去模糊技术可以从以下几个方面进行发展和完善：结合深度学习技术，提高 PSF 的估计精度，即使在复杂场景下也能获取更准确的 PSF；研究更高效的正则化方法和优化算法，在抑制噪声的同时，更好地保留图像的细节信息；针对非均匀模糊和动态模糊场景，开发基于多 PSF 或时变 PSF 的去模糊方法，拓展非盲去模糊的应用范围。