点扩展函数（PSF）估计是一种重要的图像处理函数如果要对模糊图像进行反褶积以使其清晰，就必须进行PSF估计估计PSF有三种方法：
同时进行图像反褶积和psf估计。
从一系列PSF候选中选择PSF，然后执行反褶积然后对去模糊图像进行分析，选择与最佳去模糊图像对应的psf作为估计psf。
首先手动或自动选择图像特征（直线或点），然后分析这些特征。根据这些特征与模糊度之间的关系，估计psf。
在这里，我更喜欢使用第三种方法，并基于边缘扩散函数估计PSF，可以从here中看到这种方法的介绍然而，我对使用这种方法的观察是，估计的PSF可能小于真实的PSF然后我的问题是，如果我使用低估PSF进行图像反褶积，会发生什么在图像反褶积中是否可以使用估计不足的PSF，从而得到一个像样但不完美的反褶积结果这里我假设psf是二维高斯型的。
最佳答案
根据你的假设，你的PSF是高斯的，让我们看看反褶积的作用。
反褶积运算可以认为是取图像的傅里叶变换，除以psf的傅里叶变换，然后取逆傅里叶变换得到反褶积图像。
所以，现在让我们考虑一个单一点的图像。在空间域中，它是一个二维高斯，而你的估计是一个更窄的二维高斯。在频域中，你也有一个二维高斯，你的估计是一个更宽的二维高斯。现在是反卷积：如果psf是正确的，那么你将在频率空间中得到一个常值平面。但是你有效地把窄高斯除以宽高斯这给了你一个非常宽的高斯（猜测越好，高斯越宽）。
好消息在频域中很宽的高斯分布在空间域中很窄的PSF这意味着用一个稍窄的psf估计psf将有助于提供一个体面的结果。
请注意，尽管如果PSF不是真的高斯函数，并且您是这样估计的，反褶积方法可能会给您带来振铃伪影。