skimage unsupervised_wiener传max_num_iter参数报错排查

• 使用scikit-image的restoration.unsupervised_wiener开展图像复原实验时，简单构造测试场景下算法运行正常，结果符合预期；切换到复杂数据集后，复原结果出现明显条纹伪影，像素值出现-1、1这类超出常规范围的极端异常值。
• 为排查异常尝试调整算法参数时，传入max_num_iter参数触发报错：unsupervised_wiener() got an unexpected keyword argument 'max_num_iter'。先后切换scikit-image 0.19.3、0.19.2版本，该报错始终存在；传入官方0.19.x版本API文档标注的其他可选参数时，也会触发同类参数不识别报错。

测试逻辑为构造模拟扫描图像与点扩散函数，通过2D卷积生成退化图像，再调用无监督维纳反卷积尝试复原：

import numpy as np
import matplotlib.pyplot as plt
from skimage import color, data, restoration
import pickle

rng = np.random.default_rng()

from scipy.signal import convolve2d as conv2


scan = np.array([[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                  [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                  [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                  [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                  [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                  [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                  [0, 0, 0, 0, 0, 0, 0, 0, 0.5, 0.5, 0.5, 0, 0, 0, 0, 0, 0, 0, 0],
                  [0, 0, 0, 0, 0, 0, 0, 0, 0.5, 1, 0.5, 0, 0, 0, 0, 0, 0, 0, 0],
                  [0, 0, 0, 0, 0, 0, 0, 0, 0.5, 1, 0.5, 0, 0, 0, 0, 0, 0, 0, 0],
                  [0, 0, 0, 0, 0, 0, 0, 0, 0.5, 1, 0.5, 0, 0, 0, 0, 0, 0, 0, 0],
                  [0, 0, 0, 0, 0, 0, 0, 0, 0.5, 0.5, 0.5, 0, 0, 0, 0, 0, 0, 0, 0],
                  [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                  [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                  [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                  [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                  [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
                  [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
                  ])
print(scan.shape)

psf = np.array([
    [1, 1, 1, 1, 1],
    [1, 0, 0, 0, 1],
    [1, 0, 0, 0, 1],
    [1, 0, 0, 0, 1],
    [1, 1, 1, 1, 1]
])

psf = psf/(np.sum(psf))
print(psf)

scan_conv = conv2(scan, psf, 'same')

deconvolved1, _ = restoration.unsupervised_wiener(scan_conv, psf, max_num_iter=10)

fig, ax = plt.subplots(nrows=1, ncols=3, figsize=(8, 5),
                       sharex=True, sharey=True)

ax[0].imshow(scan, vmin=scan.min(), vmax=1)
ax[0].axis('off')
ax[0].set_title('Data')

ax[1].imshow(scan_conv)
ax[1].axis('off')
ax[1].set_title('Data_distorted')

ax[2].imshow(deconvolved1)
ax[2].axis('off')
ax[2].set_title('restoration1')

fig.tight_layout()

plt.show()

• 参数不识别问题：0.19.x版本的unsupervised_wiener迭代次数参数名为n_iter，并非旧版本/文档笔误标注的max_num_iter，参数名不匹配是报错的核心原因。不要依赖文档标注的参数名，可直接在代码中运行以下命令查看当前环境下函数的真实参数列表，避免版本差异、安装源差异导致的参数不匹配：

  import inspect
  print(inspect.signature(restoration.unsupervised_wiener))
  

• 条纹伪影与像素异常值问题：
  1. 无监督维纳反卷积属于迭代类病态逆问题求解，默认迭代次数较少时参数未收敛，高频分量估计偏差会产生明显振铃条纹，将迭代次数设置为100~300次可显著改善收敛效果
  2. 输入图像需提前归一化到[0,1]数值区间，数值范围不匹配会导致噪声功率估计偏差，产生溢出的异常像素值
  3. 点扩散函数（PSF）的形状、尺寸与实际退化过程不匹配是振铃伪影的最常见诱因，需尽可能校准PSF的精度
  4. 得到复原结果后可对像素值做截断，消除数值求解过程中产生的极端异常值：

     deconvolved_res = np.clip(deconvolved_res, scan_conv.min(), scan_conv.max())
     

内容的提问来源于stack exchange，提问作者Bende