維納濾波進行影象去抖動去模糊
首先，我們簡單說明一下利用維納濾波進行影象去抖動去模糊的基本原理，並給出模擬結果。
利用維納濾波器進行影象去抖去模糊的基本原理如下所示：
對原始影象進行維納濾波的演算法是首先估計出每個畫素點的M*N鄰域內的平均值和方差值。有如下兩個表示式計算：
用如下的表示式計算輸出的灰度值。其中a(n1,n2)是調整前的灰度值，b(n1,n2)是調整後的灰度值：
以上這部分是維納濾波的基本原理，在我們提供的一些參考文獻中均有詳細介紹，所以這裡就不多做介紹了，我們主要是對後面的創新部分進行詳細的說明。
注意：由於手機拍攝抖動導致的模糊，在數學上屬於運動模糊，所以，我們為了對比濾波效能的好壞，直接使用運動模糊來模擬抖動效果。然後進行濾波對比。
使用傳統的維納濾波演算法，對抖動模糊的模擬效果如下所示：
執行程式：main.m
車1：
車2：
車3：
其餘結果可自行測試。
下面，我們對維納濾波之後的影象質量進行實際的分析。
執行程式：main_pnsr.m
圖1 圖2
圖3
注意，在程式main_pnsr.m中
上面的圖中：
圖1：引數為LEN=30，Motion=30
圖2：引數為LEN=30，Motion=38
圖3：引數為LEN=30，Motion=20
從模擬結果可知，通過維納濾波之後，影象的質量得到了明顯的提升，和我們肉眼看到的結果一致。
當影象處理端定義的運動模糊模型引數和實際模型完全吻合的時候，影象具有較好的濾波特性，而兩個引數出現偏差的時候，濾波效果較差。這個是維納濾波的一個缺陷，
在分析另一個缺陷：
缺陷分析：
開啟main_test.m
由於在實際中，進行維納濾波的模組都是固定引數的，但是手機拍攝輸入的抖動程度是不一定的，那麼這個時候，會導致某些程度的抖動，系統無法正常工作。我們對這種現象進行測試，效果如下所示：
設定模糊引數LEN=5，運動模型引數motion=10。
很明顯，當兩個引數不一致的時候，濾波效果比較差（注意，在實際中，我們不能直接使用PSF這個引數，因為這個引數僅僅在影象源）。
設定模糊引數LEN=15，運動模型引數motion=10。
假設LEN和motion引數完全相同，這個時候，我們又需要對維納濾波的引數進行設定，
假設LEN = Motion =50；然後設定不同的引數：
0.1:
0.01:
0.001:
0.0001:
0.00001:
0.000001:
即，引數的不同，會對最後的濾波效果有較大的影響。
通過上面分析，使用維納濾波的時候，由於同時需要控制兩個引數，這就大大增加了系統濾波的引數控制難度
注意，在很多現有資料中，程式碼都deconvwnr(Ipsf,PSF)這麼寫，其實這麼做是不完善的，因為PSF是在影象源中加入抖動的時候產生的。實際中PSF的具體值是未知的，只能知道其維度。
所以，直接使用維納濾波具有很大的難度。這裡我們選擇逆卷積+自適應引數控制的方法進行設計。
改進演算法的實現：
% 引數自適應識別
這裡，我們首先需要引入影象模糊度的概念（影象模糊度的參考論文很多，但是我這沒發現利用影象模糊度和去抖動濾波的資料，所以我這裡將這兩種演算法進行結合）
影象模糊度，這裡我提供的文獻如下所示：
首先，我們開啟這個資料夾，執行程式，選擇不同的影象進行測試，這裡，我們隨機的選擇三個影象來測試。模擬結果如下所示：
從上面的模擬結果可知，通過對不同的影象進行測試，我們都可以計算其模糊度來區分該影象的模糊程度，從而選擇一個合適K值。
這裡，我們發現，對於設定不同的模糊度LEN，其值差不多都是0.8左右最小，最大到0.9左右。因此，我們設定如下的對應關係：
即通過計算模糊度，然後根據不同的值，輸入進入逆卷積濾波。
改進後的演算法流程如下所示：
左圖是原始的演算法，有圖是本文介紹的改進後的演算法（看了一些資料，貌似都沒這麼幹）
通過加入模糊度計算之後，我們進行模擬，分別設定抖動程度為
10：
10：
50：
100：
從程式上看，改進後的演算法：
其通過對輸入模糊影象的模糊度估計，得到K值，而INIIPSF是全1的初始值，因此，整個模型，只需要輸入模糊影象即可，而不需要進行其他引數的人為輸入。
同時，我們對改進後的演算法，計算PNSR。
main_psnr1：輸入模糊程度相同的情況，LEN = 50；執行，獲得如下的曲線：
main_psnr2：輸入模糊程度隨機的情況，LEN = 20~100之間隨機變化；執行，獲得如下的曲線：
這個是對同一個場景下的不同抖動程度的模擬，通過分析，可知，對於任意隨機情況下的抖動，系統都能夠自動的獲得加好的去抖動效果。
關於論文的這個部分內容書寫提綱：
1.介紹抖動模糊的一些理論知識——運動模糊
2.介紹維納濾波和逆卷積濾波的理論知識
3.對維納濾波進行模擬分析，分析其優勢，缺陷
4.根據存在的缺陷，給出本問題的演算法
4.1模糊度的介紹（具體參考我發你的資料）
4.2根據模糊度得到逆卷積濾波引數
4.2模擬分析
5將我們的這個去模糊演算法，引入到你的模型中進行測試，分析效能提升了多少。