本示例说明如何使用Lucy-Richardson算法对图像进行去模糊处理。当已知点扩展函数PSF（模糊运算符），但是很少或没有关于噪声的信息时，这个算法很有效。模糊且含噪声的图像通过迭代，加速，衰减的Lucy-Richardson算法得以恢复。您可以将光学系统的特性用作输入参数，以提高图像恢复的质量。

该示例读取RGB图像并将其裁剪为256 x 256 x 3。deconvlucy函数可以处理任何维数的数组。

模拟现实生活中的图像，该图像可能由于相机运动或对焦不足而变得模糊。或者由于随机干扰，图像也可能有噪声。该示例通过将高斯滤波器与真实图像进行卷积来模拟模糊（使用imfilter）。然后，高斯滤波器表示点扩展函数PSF。

该示例通过向模糊图像添加方差为V的高斯噪声（使用imnoise）来模拟噪声。噪声方差V稍后用于定义算法的衰减参数。

仅使用5次迭代即可恢复提供PSF的模糊且嘈杂的图像（默认值为10）。输出是与输入图像相同类型的数组。

生成的图像随每次迭代而变化。要研究图像恢复的演变，您可以分步进行反卷积：进行一组迭代，查看结果，然后从停止的地方继续迭代。为此，必须将输入图像作为单元阵列的一部分传递。例如，通过传入{BlurredNoisy}而不是BlurredNoisy作为输入图像参数来开始第一组迭代。

在这种情况下，输出luc1_cell变为元胞数组。元胞输出由四个数值数组组成，其中第一个是BlurredNoisy图像，第二个是double类的还原图像，第三个数组是前一次迭代的结果，第四个数组是的迭代集的内部参数。输出元胞数组，图像luc1_cell{2}的第二个数字数组与第3步的输出数组——图像luc1相同，除了它们的类可能会有所不同（元胞输出始终提供已恢复的double类图像）。

要继续迭代，请获取上一个函数调用元胞数组luc1_cell的输出，并将其传递给deconvlucy函数。使用默认的迭代次数（NUMIT= 10）。还原的图像是总共15次迭代的结果。

最新的图片luc2是15次迭代的结果。尽管它比5次迭代的早期结果更清晰，但图像仍显示出“斑点”外观。（与真实图像进行比较可知）斑点不对应于任何真实结构，而是将噪声过于紧密地拟合到数据中的结果。

要控制噪声放大，请通过指定DAMPAR参数使用衰减选项。DAMPAR必须与输入图像属于同一类。该算法在与噪声相比差异较小的区域中抑制了模型的变化。这里DAMPAR使用的等于噪声的3个标准偏差。请注意，图像更平滑。

本示例的下一部分将使用模拟的星空图像（为了简化和提高速度），探索deconvlucy函数的WEIGHT和SUBSMPL输入参数。

该示例创建一个四颗星的黑白图像。

该示例通过创建高斯过滤器PSF并将其与真实图像进行卷积来模拟恒星图像的模糊。

现在模拟一个只能观察到部分恒星图像的相机（只能看到模糊）。创建一个加权函数数组WEIGHT，该数组由模糊图像中心部分的一个（虚线内的“好”像素）和边缘的零（“坏”像素-不接收信号的像素）组成。

为了减少与边框相关的振铃效应，请对给定的PSF应用edgetaper函数。

该算法在还原图像时根据WEIGHT数组对每个像素值加权。在我们的示例中，仅使用中央像素的值（其中WEIGHT = 1），而“坏”像素值不包括在优化中。但是，该算法可以将信号功率置于摄像机视野范围之外的这些“坏”像素的位置。注意所解析的恒星位置的准确性。

给定更精细采样的PSF（通过SUBSMPL次数进行细化），deconvlucy可以恢复欠采样图像。为了模拟分辨率较差的图像和PSF，该示例将图像Blurred和原始PSF进行分箱，每个维度上，两个像素一组。

使用欠采样的PSFBinnedPSF，恢复欠采样的图像BinnedImage。请注意，luc5图像仅可识别3颗星。

下一个示例使用更精细的PSF（在SUBSMPL-times精细网格上定义）来还原欠采样图像BinnedImage。重建的图像luc6更准确地解析了恒星的位置。请注意，它如何在图像右下角的两颗星之间分配功率。这暗示着存在两个明亮的物体，而不是像先前的修复那样存在一个。

注：本文根据MATLAB官网内容修改而成。

以下的免费视频教程，特点是没有PPT，不掺水，直接编程环境下的实操课程：

用100分钟了解MATLAB编程

欢迎您进一步了解以下MATLAB系列文章：