改进盲反卷积算法：TV正则与支撑域约束的图像恢复实践

做图像恢复这几年，我越发觉得“模糊”这个问题一点也不简单。成像设备的光学系统、拍摄时的相对运动、传感器自身的热噪声，都会让一张图像退化得面目全非。很多时候我们不但拿不到清晰的原图，连点扩散函数（PSF）也是未知的，这时候传统反卷积算法等于“无米之炊”。盲反卷积算法就是来解决这种“米也没着落”的场景：它在不知道PSF的前提下，只需要一张模糊图像，就能同时估计模糊核和清晰图像。最近我在MATLAB R2018A环境下整理并实现了一套改进的盲反卷积算法，重点解决了原始方法对噪声敏感、振铃明显、PSF初始化刁钻这三大痛点。整个过程踩了不少坑，也沉淀了不少可直接参考的代码和调参经验，写成这篇文章分享给正在做图像恢复、盲去模糊相关课题的同学。

2. 改进盲反卷积算法的整体设计思路

2.1 退化模型与盲反卷积的求解难点

要理解改进算法，得先回到退化模型本身。在一张灰度图像中，退化过程通常建模为：

y = h ⊗ x + n

y是观测到的模糊图像，x是未知的清晰图像，h是点扩散函数，也就是模糊核，n是传感器噪声。非盲反卷积解决的是“h已知”的情况，直接用维纳滤波、Lucy-Richardson等方法就能恢复。但现实里h往往是未知的，比如镜头离焦程度不明、运动模糊方向和长度不确定，这时候就需要盲反卷积。

盲反卷积难，核心难在“病态性”。给定一张模糊图像y，理论上可以找到无穷多对(x, h)都满足上面的方程：只要把x模糊得更多、让h变得更尖锐，依然能解释同一个y。这种多解性让算法很容易收敛到一些看起来合理、实际完全错误的解。为了从众多解里选出真正符合物理规律的那一个，必须在目标函数中加入先验约束。常见的先验包括：清晰图像具有分段平滑的梯度稀疏性，PSF具有非负性、能量和为1、支撑域有限等。这些东西拼在一起，就是把盲反卷积从“碰运气”拉回到“有约束地找解”。

如果打一个生活化的比方，模糊图像就像是一杯混浊的糖水。非盲反卷积是“知道加了多少糖，再把糖滤出来”；盲反卷积是“只知道水是甜的，还要同时猜出糖量和杂质”。病态性就是“没加糖但加了很多甜味剂也能让水变甜”这种情况，先验约束相当于告诉算法，糖一定来自糖块而不是别的东西。

1.2 经典算法存在的三大问题

我最早用MATLAB图像处理工具箱自带的deconvblind，也单独调用过deconvlucy。这几个函数在PSF已知或PSF已经非常接近真实值的情况下效果还行，但一旦进入真正的盲场景，问题就暴露出来了。

第一是噪声放大问题。deconvlucy本质上是一种最大似然迭代，在低光照、高ISO这类低信噪比场景下，迭代次数稍微多一点，恢复图像就会出现大量颗粒状噪声。第二是振铃伪影。当PSF尺寸估计偏大，或者初始PSF方向不一致时，恢复结果会出现一圈圈的环状条纹，尤其在图像边缘附近特别明显。第三是初始值敏感。deconvblind交替估计图像和PSF，如果初始PSF给得离谱，迭代很容易陷入局部最优，最终输出一张“看着像锐化过但依然很糊”的图像。

这些问题不是算法不能用，而是缺乏有效的约束。实验室里的干净合成图还好说，真实场景里的模糊图像很少是单一退化类型，噪声和模糊叠加在一起，必须针对性地加正则项和改进迭代结构。

1.3 改进方案：TV正则项加支撑域约束的交替优化

我的改进思路很简单，就是把原来的“最大似然型盲反卷积”改造成“正则化交替最小化”框架。目标函数写成：

J(x, h) = ||y - h⊗x||² + λ_tv·TV(x) + λ_h·||h||²

第一项是数据保真项，保证恢复结果和观测值一致；第二项是对图像的全变差正则项，用来保持边缘的同时抑制噪声；第三项是对PSF的L2正则项，防止PSF在迭代中变得过激。整个优化过程拆成两个子问题交替求解：

固定h，更新图像x，这时问题变成带TV正则的非盲反卷积，可以用梯度下降法或近端算子迭代求解；固定x，更新PSF h，这个问题在频域里有解析解，再加上非负约束、支撑域约束和能量归一化。

这种交替结构的好处很直接：每次只估计一个未知量，子问题要么是凸优化，要么有闭式解，稳定性和收敛性比直接同时优化强得多。而且TV正则项能明显抑制振铃和噪声放大，PSF支撑域约束能让模糊核估计更贴近物理实际。方案思路先定在这里，下面讲具体的MATLAB实现和参数怎么配。

2. MATLAB R2018A环境与核心实现准备

2.1 环境规划与工具箱依赖

这次算法运行环境是MATLAB R2018A。R2018A属于比较稳的一个版本，图像处理工具箱里反卷积相关函数已经非常成熟，deconvblind、deconvlucy、deconvreg、edgetaper都可用，ssim、psnr这些评价指标也有现成函数。需要注意，做反卷积时图像一律转成double类型，不要用uint8直接算，否则卷积累加时溢出会非常头疼。

建议在脚本开头加三行：

matlab复制clc; clear; close all;
rng(42);  % 固定随机种子，保证实验结果可复现

我习惯把模糊图像统一标准化到[0, 1]区间：

matlab复制I_blur = im2double(imread('blurred.png'));
if size(I_blur,3) == 3
    I_blur = rgb2gray(I_blur);
end

如果工具箱加载有问题，可以用ver('images')命令确认图像处理工具箱版本。R2018A没有深度学习工具箱也能跑通整个工程，这也是我喜欢用传统迭代方法的原因——对硬件和工具箱依赖都小。

2.2 模拟退化图像的生成

验证算法前，先要造出可控的测试退化图像。对运动模糊，用fspecial生成motion核；对离焦模糊，用disk核；高斯模糊则直接用gaussian核。给一个我自己常用的生成代码：

matlab复制% 生成运动模糊核
psf_true = fspecial('motion', 15, 30);   % 15像素长度，30度方向
% 生成高斯模糊核
psf_true = fspecial('gaussian', [21 21], 3);
% 卷积加噪
I_clear = im2double(imread('cameraman.tif'));
I_blur = imfilter(I_clear, psf_true, 'circular', 'conv');
I_blur = I_blur + 0.005 * randn(size(I_blur));
I_blur = max(min(I_blur, 1), 0);

这里imfilter用的是'circular'边界选项，模拟的是周期性边界下的模糊，可以避免边界振铃干扰后续实验对比。真实图像上跑算法时，通常先用edgetaper处理一下边界区域，效果会更好。生成图像之后我一般会顺手存成my_blur.png，后续各种参数实验都基于同一张图，保证可对比性。

2.3 初始PSF估计：模糊方向与尺寸的预判

盲反卷积对初始PSF非常敏感，我在实操里从不会用随机噪声初始化。最常用的方法是先用边缘检测加Hough变换估计运动模糊方向，再把初始PSF设置成对应方向的线段核。这一步虽然不是算法主体，但直接影响最终收敛结果。

matlab复制% 用Canny边缘检测提取边缘
edge_map = edge(I_blur, 'canny', [0.05 0.15]);
% Hough变换统计主方向
[H, T, R] = hough(edge_map);
peaks = houghpeaks(H, 5);
lines = houghlines(edge_map, T, R, peaks);
angle_est = median([lines.theta]);
% 按估计角度生成直线型psf
len = 15;
psf_init = zeros(len, len);
cx = ceil(len/2); cy = ceil(len/2);
for k = 1:len
    idx = round(cx + (k - len/2) * sind(angle_est));
    idy = round(cy + (k - len/2) * cosd(angle_est));
    psf_init(idx, idy) = 1;
end
psf_init = psf_init / sum(psf_init(:));

这段代码不复杂，但能把“初始PSF方向和真实方向差90度”这种低级错误直接消掉。离焦模糊则可以直接用fspecial('disk', r)生成圆形盘状核，半径r根据模糊程度从3到10试。还有一个备选方案是用Radon变换做方向估计，Robust性稍好，但Hough变换在MATLAB里调用更简洁，工程上够用。

2.4 边界处理与支撑域掩膜

实际图像不可能满足循环边界假设，所以进入主算法前建议先做边界衰减。MATLAB里edgetaper是专门干这个的，代码就一行：

matlab复制I_blur_pre = edgetaper(I_blur, psf_init);

它会根据PSF尺寸对图像边缘做渐变衰减，把边界振铃的影响压到最低。支撑域掩膜也很关键，我一般生成一个和psf_init等尺寸的中心椭圆掩膜：

matlab复制mask = zeros(size(psf_init));
[yy, xx] = meshgrid(1:size(psf_init,2), 1:size(psf_init,1));
mask(((xx-ceil(size(psf_init,1)/2)).^2/1.5^2 + ...
      (yy-ceil(size(psf_init,2)/2)).^2/1.5^2) <= ceil(size(psf_init,1)/2)^2) = 1;

这个掩膜的作用是强制PSF集中在中心区域，不允许出现分散的离群亮斑。

3. 核心迭代实现与参数调优过程

3.1 交替迭代主循环

下面给出我自己实现的核心函数。为了便于阅读，我把图像子问题和PSF子问题拆成两个helper函数。

matlab复制function [I_est, P_est] = improved_blind_deconv(I_blur, psf_init, opts)
    if nargin < 3, opts = struct(); end
    lambda_tv = getopt(opts, 'lambda_tv', 0.02);
    lambda_h  = getopt(opts, 'lambda_h', 0.01);
    mu        = getopt(opts, 'mu', 0.3);
    Niter     = getopt(opts, 'Niter', 80);
    support   = getopt(opts, 'support', ones(size(psf_init)));

    H = psf_init;
    X = I_blur;
    for iter = 1:Niter
        X_old = X;
        X = update_image_tv(X, H, I_blur, lambda_tv, mu);
        H = update_psf_l2(X, H, I_blur, lambda_h, support);
        H = max(H, 0);
        H = H / sum(H(:));
        rel_chg = norm(X - X_old, 'fro') / norm(X_old, 'fro');
        if mod(iter, 10) == 0
            fprintf('iter %d: rel_chg=%.4f\n', iter, rel_chg);
        end
        if rel_chg < 1e-4
            break;
        end
    end
    % 最后用估计出的PSF再做一轮非盲恢复
    [I_est, ~] = deconvblind(I_blur_pre, H, 20);
    P_est = H;
end

function val = getopt(opts, name, default)
    if isfield(opts, name)
        val = opts.(name);
    else
        val = default;
    end
end

主循环里，每次迭代先更新图像，再更新PSF，固定一个变量交替前进。最后用deconvblind基于估计出的H再精修一轮，主要是利用它内部的阻尼项把残余噪声压一遍。这一步在实际实验中收益很大，恢复出的图像比直接输出X更平滑、更干净。

3.2 图像子问题：TV正则约束实现

图像更新子问题用梯度下降求解。对数据保真项求梯度，需要把当前残差h⊗x-y和翻转后的PSF做相关运算，对应MATLAB里用rot90(h,2