Richardson–Lucy算法中PSF空间反转的原理及用途咨询

阿华AIGC实验室

2026-5-15

嘿，这个问题问到点子上了——在Richardson-Lucy（RL）去模糊算法里，空间反转PSF（就是你看到的PSF_HAT = PSF(end:-1:1,end:-1:1);）可不是随便加的，它是算法核心逻辑里的关键环节，我来给你掰扯清楚：

空间反转PSF的工作机制

首先，先搞懂什么是“空间反转”：这段Matlab代码的意思是把PSF的行和列都完全倒转过来。举个直观的例子，如果你的原PSF是一个3×3的矩阵：

PSF = [1 2 3;
       4 5 6;
       7 8 9];

执行PSF(end:-1:1,end:-1:1)之后，得到的反转PSF就是：

PSF_HAT = [9 8 7;
           6 5 4;
           3 2 1];

从数学角度说，这个操作对应的是卷积的伴随算子。我们知道，图像模糊的过程可以建模为真实图像I和PSF的卷积：O = I ⊗ PSF（⊗表示卷积）。而反转PSF之后，用它和图像做互相关（⊛），其实就是卷积伴随操作的实现——这在迭代优化类的算法里是非常重要的数学基础。

它在RL算法里的核心用途

RL算法本质是期望最大化（EM）框架下的迭代去模糊方法，反转PSF的存在直接支撑了算法的迭代逻辑和收敛性：

实现迭代更新的核心步骤：RL的迭代公式是这样的（逐元素操作）：
```
I_{k+1} = I_k × (O ⊛ PSF_HAT) / (I_k ⊛ PSF)
```
这里的PSF_HAT就是反转后的PSF：我们先计算观测图像O和反转PSF的互相关，再除以当前估计图像I_k和原PSF的互相关，最后和I_k逐元素相乘得到下一轮的估计。这个步骤的本质是用反转PSF去“反向传播”残差信息，修正当前的图像估计。
保证算法收敛性：作为EM算法的一种，RL要求每一步迭代都能让似然函数单调递增，最终收敛到局部最优解。反转PSF的使用刚好满足了EM框架里的“E步”和“M步”的数学要求，如果不用反转的PSF，整个迭代逻辑就会失效，算法要么不收敛，要么得到完全错误的去模糊结果。
适配空间不变模糊的高效计算：当图像的模糊是空间不变的（也就是整个图像用同一个PSF模糊），反转PSF可以一次性完成全局的互相关计算，不需要针对每个像素单独处理，极大提升了算法的运行效率。