寫這篇博客的緣由：
對於專利《基於邊緣自適應的高效圖像盲去模糊方法》，是關於圖像處理方面的，平時寫代碼和分析問題時一套一套的，很長時間不講突然要向別人說就磕磕巴巴的也說不清楚。遂有了要認真思考，並陳述總結自己所學的想法。雖然以后並不定做盲去模糊方面的東西，但所學總有相通。遂寫下這篇文章描述整體思路。
- 背景：拍照過程中相機抖動、離焦、散焦或目標物體移動等，帶來圖像模糊。
- 盲去模糊可以概括為：“模型的提出（最優化式的提出）”和“算法求解”兩個方面。
- 盲去模糊的處理模型：
一般模糊圖像y的數學模型是用清晰圖像x卷積模糊核k加上加性高斯白噪聲表示。圖像盲去模糊是一個欠定的圖像逆問題。（盲去模糊處理中“數據項”的根據）
為了獲得清晰的數字圖像，需要利用圖像的先驗知識，如何挖掘、利用准確的圖像先驗知識是圖像盲去模糊的關鍵因素。（盲去模糊處理中“正則項”的根據）
4. 我們提出來的盲去模糊模型（正則項部分）及其根據
傳統的正則項：L2范數、Lp 范數、此外，人們也提出利用學習的方法來獲得自適應的濾波器以代替梯度算子。
利用上述現有的圖像先驗模型，通常難以得到一個清晰的圖像。這是因為，上述先驗圖像模型對於模糊圖像能獲得更小的正則項能量，從而在目標函數能量最小化求解過程中得到原始模糊圖像的局部極值。為了獲得清晰圖像，通常需要采用一些復雜的方法來對圖像邊緣進行銳化，但這種方法不僅復雜，而且從理論和效果上也難以保證其可行性。
為了提高恢復圖像的清晰度，使其最大程度的逼近原始清晰圖。提出如下技術方案：構造新的梯度加權正則模型，利用梯度的方差的倒數作為加權系數，使得圖像先驗模型對清晰自然圖像具有更小的能量，而對模糊圖像具有較大的能量，從而避免原始模糊圖像成為目標函數的解；通過構造去均值的梯度正則模型，提升圖像邊緣和細節。
模型提出的根據：在模糊程度逐漸加大時，正則項的能量energy也即cost逐漸加大，在有輕微銳化的情況下，隨着銳化程度加大時，energy逐漸加大，在清晰圖像時，有最優值。
5. 每一個模塊的解法
對上面提出的數據項+正則項組成的最優化式，采用如下三個模塊計算出最終的清晰圖像：
1) 求梯度域清晰圖
采用迭代收縮閾值算法，ISTA (Iterative Shrinkage-Thresholding Algorithm)。ISTA是解決“二范數+一范數”形式的優化式的一種快速方法。先計算一個比較逼近的v（類似pcg共軛梯度法），然后按照軟閾值收縮，去掉接近0的值。（整個過程即對應一范數的求解過程，按一范數的定義推導）
2) 在梯度域求模糊核k
pcg共軛梯度法。用已知點處的梯度構造一組共軛方向，並沿這組方向進行搜索，求出目標函數的極小點。
3) 非盲去模糊
構造最優化式（全變差模式下的懲罰函數法），隨着懲罰函數逐漸增大，為了energy最小則w越來越接近Dx（梯度域清晰圖），然后根據w直接求解二范（求導為0得到最優點）得到清晰圖。