从理论上来说完全合理！因为你用的是全局快门CMOS，每个像素的曝光时间一致，且场景是匀速直线运动，运动模糊的本质就是每个像素在曝光期间，把沿运动路径的光线累加起来，对应的模糊核自然应该是一条长度等于视场移动距离（210px）的直线。

但实际手动直线核效果差，问题出在「理想模型」和「实际场景」的差距上：比如你手动制作的核可能没考虑到图像配准误差、传感器噪声、微小的运动抖动，或者像素响应的不均匀性，这些实际因素都会让真实的模糊核偏离完美直线，导致手动核不匹配。

你得到的「直线叠加离散点」的核，其实是真实运动分量+噪声/伪影分量的混合：

• 核心的直线部分：这就是你预期的匀速运动模糊的真实核分量，对应曝光期间视场移动的路径；
• 叠加的离散点：主要来自三个原因：
  • 噪声放大：朴素维纳滤波（NIF）属于逆滤波的一种，对高频噪声极其敏感，图像里的传感器噪声、环境噪声会在逆过程中被放大，变成离散的尖峰；
  • 配准误差：如果你的静止图像和模糊图像没有做到亚像素级的精确对齐，哪怕微小的偏移，都会让逆滤波的结果出现伪影，表现为离散点；
  • 传感器非理想性：全局快门虽然是同步曝光，但实际像素的响应速度、曝光时长可能存在微小差异，也会给核带来额外的离散分量。

结合你的实验结果，给你几个优先级从高到低的方案：

• 优先用Lucy-Richardson迭代反卷积：你已经验证过效果不错，原因是LR是基于最大似然的迭代方法，自带噪声抑制能力，不需要依赖完美的先验核，能通过迭代过程自动适配真实场景的噪声、配准误差等因素，估计出更贴合实际的核；
• 优化手动直线核的使用：如果一定要用直线核，先做亚像素级配准（用ImageJ的配准工具，比如StackReg）把静止图和模糊图精确对齐，然后根据配准后的偏移量生成直线核，同时给维纳滤波加平滑约束（DeconvolutionLab2里可以设置核的平滑参数），减少噪声干扰；
• 尝试盲反卷积：如果之后遇到没有静止参考图的场景，DeconvolutionLab2里的盲反卷积工具可以直接从模糊图像估计核，不需要参考图，适合更复杂的场景；
• 预处理降噪+逆滤波：先用高斯滤波或者双边滤波对图像做预降噪，再用朴素维纳滤波估计核，能大幅减少核上的离散点，让核更接近理想直线。

内容的提问来源于stack exchange，提问作者DLokt