Algorithm 最简单公式中的多通道盲反褶积:如何解决?
最近我开始研究反褶积算法,遇到了以下采集模型: 其中,f是原始(潜在)图像,g是输入(观察)图像,h是点扩散函数(退化核),n是随机加性噪声,*是卷积算子。 如果我们知道g和h,那么我们可以使用Richardson-Lucy算法恢复f: 式中,(W,H)是H的矩形支撑的大小,乘法和除法是逐点的。足够简单的C++代码,所以我就这么做了。结果表明,当i小于一些m时,它近似于f,然后它开始迅速衰减。因此,该算法只需要在这个m处停止——这是最令人满意的迭代 如果点扩展函数g也是未知的,则该问题称为盲问题,可以应用Richardson-Lucy算法的修改: 对于f的初始猜测,我们可以像以前一样取g,对于h的初始猜测,我们可以取平凡的PSF,或者任何看起来类似于观察到的图像退化的简单形式。该算法对模拟数据的处理效果良好Algorithm 最简单公式中的多通道盲反褶积:如何解决?,algorithm,image-processing,signal-processing,inverse,deconvolution,Algorithm,Image Processing,Signal Processing,Inverse,Deconvolution,最近我开始研究反褶积算法,遇到了以下采集模型: 其中,f是原始(潜在)图像,g是输入(观察)图像,h是点扩散函数(退化核),n是随机加性噪声,*是卷积算子。 如果我们知道g和h,那么我们可以使用Richardson-Lucy算法恢复f: 式中,(W,H)是H的矩形支撑的大小,乘法和除法是逐点的。足够简单的C++代码,所以我就这么做了。结果表明,当i小于一些m时,它近似于f,然后它开始迅速衰减。因此,该算法只需要在这个m处停止——这是最令人满意的迭代 如果点扩展函数g也是未知的,则该问题称为盲
现在考虑多帧盲反褶积问题,采用以下捕获模型:
有没有办法开发理查森-露西算法来解决这个公式中的问题?如果没有,是否有其他迭代过程来恢复f,这不会比以前的迭代过程复杂得多?根据您的采集模型,潜影(f)保持不变,而观察到的图像因psf和噪声模型不同而不同。一种方法是运动模糊问题,其中锐利且无噪声的图像(f)被运动模糊内核损坏。由于这是一个不适定问题,在大多数文献中,它是通过估计模糊核和潜影来迭代求解的。你解决这个问题的方法完全取决于你的目标函数。 例如,在一些论文中,IRLS用于估计模糊核。你可以找到很多关于这方面的文献
- 如果你想使用Richardson-Lucy盲反褶积,那么只在一帧上使用它
- 一种策略是在每次迭代中恢复f时,为每个g(观察图像)的贡献分配不同的权重。您可以在目标函数中加入不同的权重,或根据估计的模糊核计算权重李>
谢谢你的回答。请你再详细说明一下你的第二个建议好吗?谢谢,我会研究的