基于PSF的非盲去模糊：实景图像清晰化Matlab实现

引言

实景图像在拍摄过程中常因相机抖动、对焦不准或环境干扰导致模糊，严重影响图像质量。非盲去模糊技术通过已知的点扩散函数（PSF）模型，结合图像退化过程，逆向恢复清晰图像。本文以Matlab为工具，系统阐述PSF建模、去模糊算法实现及优化策略，为实景图像复原提供可操作的解决方案。

一、点扩散函数（PSF）建模与估计

PSF是描述图像退化过程的核心参数，其准确性直接影响去模糊效果。实景图像中PSF通常由运动模糊、散焦模糊或大气湍流引起，需根据场景特征选择合适模型。

1.1 运动模糊PSF建模

当相机与物体发生相对运动时，PSF可建模为线段形核函数：

function PSF = motion_blur_psf(len, theta)
    % len: 运动模糊长度
    % theta: 运动方向（弧度）
    PSF = fspecial('motion', len, theta);
end

该函数通过fspecial生成线性运动模糊核，适用于水平或斜向运动场景。

1.2 散焦模糊PSF建模

散焦模糊由镜头未准确对焦引起，PSF为圆形光斑：

function PSF = defocus_psf(radius)
    % radius: 散焦半径
    [x, y] = meshgrid(-10:10, -10:10);
    center = [0, 0];
    PSF = double((x - center(1)).^2 + (y - center(2)).^2 <= radius^2);
    PSF = PSF / sum(PSF(:)); % 归一化
end

通过构建二维圆形掩模并归一化，模拟散焦导致的能量扩散。

1.3 PSF参数优化

实际应用中，PSF参数需通过盲估计或先验知识确定。可通过频域分析估计运动模糊参数：

function [len, theta] = estimate_motion_psf(img)
    % 基于频谱特征估计运动模糊参数
    % 需结合图像频域能量分布分析
    % 此处为简化示例，实际需更复杂算法
    len = 15; % 默认值
    theta = pi/4; % 默认45度
end

更精确的估计需结合频域特征提取或深度学习模型。

二、非盲去模糊算法实现

非盲去模糊通过已知PSF，利用逆滤波或维纳滤波恢复图像。Matlab提供deconvwnr函数实现维纳滤波，有效抑制噪声放大。

2.1 维纳滤波去模糊

function restored_img = wiener_deblur(blurred_img, PSF, K)
    % blurred_img: 模糊图像
    % PSF: 点扩散函数
    % K: 噪声功率比（经验值）
    restored_img = deconvwnr(blurred_img, PSF, K);
end

其中，K为噪声功率与信号功率之比，需根据图像信噪比调整。低噪声场景可设K=0.01，高噪声场景设K=0.1。

2.2 频域逆滤波实现

逆滤波通过频域除法恢复图像，但对噪声敏感：

function restored_img = inverse_filter(blurred_img, PSF)
    % 转换为频域
    BLURRED_FREQ = fft2(blurred_img);
    PSF_FREQ = fft2(PSF, size(blurred_img,1), size(blurred_img,2));
    % 频域除法（避免除零）
    RESTORED_FREQ = BLURRED_FREQ ./ (PSF_FREQ + 1e-10);
    % 转换回空域
    restored_img = real(ifft2(RESTORED_FREQ));
end

需添加小常数（如1e-10）避免除零错误，但可能导致高频噪声放大。

2.3 算法对比与选择

算法	优点	缺点	适用场景
维纳滤波	抑制噪声，稳定性高	需估计噪声功率	中低噪声实景图像
逆滤波	计算简单，恢复速度快	对噪声敏感，易产生振铃	高信噪比合成图像
Lucy-Richardson	迭代优化，边缘保留好	计算量大，需多次迭代	医学或卫星高分辨率图像

三、实景图像处理案例与优化

以运动模糊实景图像为例，演示完整处理流程：

3.1 案例：运动模糊道路图像复原

% 读取模糊图像
blurred_img = imread('road_blurred.jpg');
if size(blurred_img,3)==3
    blurred_img = rgb2gray(blurred_img);
end
blurred_img = im2double(blurred_img);
% 估计PSF参数（假设已知）
len = 25; % 运动模糊长度
theta = 30*pi/180; % 运动方向30度
PSF = motion_blur_psf(len, theta);
% 维纳滤波去模糊
K = 0.01; % 噪声功率比
restored_img = wiener_deblur(blurred_img, PSF, K);
% 显示结果
figure;
subplot(1,3,1); imshow(blurred_img); title('模糊图像');
subplot(1,3,2); imshow(PSF); title('PSF');
subplot(1,3,3); imshow(restored_img); title('复原图像');

3.2 处理效果优化策略

1. PSF精细化：通过频域分析优化PSF参数，如利用图像边缘特征估计运动方向。
2. 多尺度处理：先对图像下采样，在低分辨率下估计PSF，再上采样恢复。
3. 后处理增强：结合非局部均值去噪或超分辨率重建提升细节：

   % 非局部均值去噪
   denoised_img = imdenoise(restored_img, 0.1);
   % 显示去噪后结果
   figure; imshow(denoised_img); title('去噪后图像');

四、实际应用建议

1. PSF估计优先：非盲去模糊效果高度依赖PSF准确性，建议通过物理建模或频域分析获取。
2. 噪声控制：高噪声场景需结合维纳滤波与后处理，避免逆滤波直接应用。
3. 算法选择：实时处理优先维纳滤波，高精度需求可尝试Lucy-Richardson迭代。
4. GPU加速：对大尺寸图像，可使用Matlab的GPU计算功能（如gpuArray）加速频域变换。

五、总结与展望

本文系统阐述了基于PSF的非盲去模糊技术，通过Matlab实现运动模糊与散焦模糊的快速去除。实验表明，维纳滤波在实景图像处理中兼具效率与效果，而PSF参数的精细化估计是提升复原质量的关键。未来研究可探索深度学习与PSF模型的结合，实现更鲁棒的模糊核估计与图像复原。

通过本文提供的代码与策略，读者可快速构建实景图像去模糊系统，适用于安防监控、医学影像及遥感图像处理等领域。实际应用中需根据场景调整PSF模型与滤波参数，以达到最佳复原效果。