图像复原的相关知识点~
1.图像复原是个什么东西（一般流程
时域：原图f 卷积* 退化函数h + 加性噪声n = 退化的图像g
频域：原图F 乘以✖ 退化函数H + 加性噪声N = 退化的图像G
（频域相乘 时域卷积）
2.噪声N(x,y)的种类有哪些（噪声模型
噪声模型本质上是多种不同的概率分布集合。具体而言，在教材中通常会将这些分布的数学表达形式称为概率密度函数（PDF）。因此，在深入理解这些概念之前，请确保你已经掌握了基础的概率知识。
1.概率密度函数PDF(probability density function)的意义
<>
其实就记住这几点：
修改后的内容
其实每个连续变量都对应一个概率值，但是变量取值太多，加起来的概率就有无穷个，假如连续变量用分布率表示(分布律就是离散型变量的分布)，就会有无穷个取值，而且计算也很繁琐，太麻烦了，这时候就想到用概率除以长度来表示连续变量的分布规律，在二维坐标里截取部分长度（全部长度和部分长度服从同样的分布，得到的规律是一样的)，假设知道这部分对应的概率，这个概率除以这个部分长度的大小（可以理解为dx）就叫做概率密度函数。
第二部分讨论的是为什么将其称为概率密度函数及其"密度"概念的核心意义。在物理学中,"密度×体积或面积=质量"这一关系式启发了我们对概率密度函数的理解。具体而言,对于连续型随机变量x,y来说,其联合概率密度函数p(x,y)与某个区域D所围成的空间或平面上的"体积"或"面积"之间的乘积关系,可以用来衡量该区域内发生的事件的概率大小。因此,当我们对p(x,y)在整个定义域内进行积分运算即可得到对应的概率值,这正是我们常说的概率累积分布函数(Cumulative Distribution Function,CDF)
百科:连续型随机变量的概率密度函数（PDF）是一个 表征该随机变量在某一特定取值点附近出现可能性大小 的数学函数。具体来说，在x轴上某一点附近区域对应的y值越大，则表明该随机变量在该位置附近出现的概率越高；而当比较两个等长区间时，则哪个区间所围成曲线下面积越大就意味着该随机变量落入该区间的可能性越高。（例如，在均匀分布情况下各个区间内概率相等因此其pdf是一条水平直线）
2.噪声模型都有哪些，它们的pdf什么亚子，都有哪些决定性参数？
噪声模型有高斯，瑞利，指数噪声等等…
pdf及其参数书上有介绍
3.matlab里怎么给一幅图像添加噪声
核心原因：为了生成一个遵循特定分布规律且与原始图像尺寸相同的随机序列R，并将其直接叠加到原始图像I上作为加性噪声处理即可。
①自带的imnoise()_ 椒盐 高斯 均匀
②制造随机序列R=norm r n d(x,y,M,N),输出=I+R 高斯 均匀 瑞利 指数 伽马
<>这篇似乎还讲述了Matlab中添加噪声的其他思路与方法（难以理解）。
3.常用的退化模型H(u,v)
或者说”点估计函数”
1.线性运动退化
2.散焦退化
3.高斯退化
https://max.book118.com/html/2017/0809/126795733.shtm
4.复原方法
原图F(u,v) = 退化图G(u,v)/退化模型函数H(u,v) - 噪声N(u,v)/H(u,v)
- 逆滤波，不考虑噪声N，步骤:
| 1.读入原始图像 | 记得I=im2double(I) |
|---|---|
| 2.傅里叶变换，F.*H 得到退化图像 | 属于频域滤波行为 |
| 3.退化图作一定半径的逆滤波 | if 半径< threshold, F = F./H |
| 4.傅里叶变换得到f | 记得f=unit8(abs(f)*256) |
- 维纳滤波复原（最小均方误差滤波）：基于噪声信息通过计算得到参数K=Sn/Sf，并结合观测到的混合图像数据，在给定噪声图像功率比下求取最优解f^ ，使得其与真实图像f之间的均方误差达到最小。
- 有约束最小二乘复原：此方法仅需提供观测噪声的均值和方差信息即可实施。
- 在Lucky-Richardson算法中完全不掌握任何关于观测噪声的具体信息, 仅知道观测所用的点扩散函数及其对应的数学期望模型（即噪声模型）。
- 盲去卷积图像复原技术则更加复杂困难, 它要求既不知道观测所用的点扩散函数, 也不知道被卷积模糊过程产生的观测噪声特性。