 ：通过不断迭代更新图像估计值)
文章目录
- 一、RL反卷积（Richardson-Lucy）
- 1、基本介绍
- （1）主要特点
- （2）基本原理
- （3）关键步骤
- （4）优化策略
- 2、项目实战
- （1）RL 反卷积
- （2）优化：RL 反卷积 + Total Variation (TV) 正则化—— 相比于RL反卷积，效果各有千秋
- （3）优化：RL 反卷积 + 动态停止迭代—— 用于设置较大迭代次数（如：100）
- （4）优化：RL 反卷积 + 多分辨率（分辨率层数越多，效果越好） —— 相比于输入图像略有提升，但不如RL反卷积
- 二、盲RL反卷积（Blind Richardson–Lucy Deconvolution）
- 1、基本介绍
- （1）基本模型
- （2）盲 RL 交替优化流程
- （3）常见问题与限制
- 为什么盲RL反卷积慢？（根本原因）
- 迭代过多越异常？（根本原因）
- （4）改进方法与发展趋势
- 2、项目实战
一、RL反卷积（Richardson-Lucy）
Richardson–Lucy deconvolution（图解）
1、基本介绍
Richardson-Lucy（RL）反卷积算法：是一种基于最大似然估计（Maximum Likelihood Estimation, MLE）的图像去卷积方法，常用于去模糊和图像增强。通过不断地更新图像估计值，来最小化模糊图像和恢复图像之间的误差，逐步消除模糊，最终接近真实的原始图像，每次迭代都会根据当前估计的图像来修正下次迭代的结果。该算法最初由 Richardson 和 Lucy 在 1972 年提出，应用于天文学中的 X 射线成像，但随后被广泛应用于各类图像处理领域，尤其是在医学成像、显微镜图像分析、遥感图像恢复等领域取得了显著的应用成果。
