维纳滤波进行图像去抖动去模糊
首先，我们简单说明一下利用维纳滤波进行图像去抖动去模糊的基本原理，并给出仿真结果。
利用维纳滤波器进行图像去抖去模糊的基本原理如下所示：
对原始图像进行维纳滤波的算法是首先估计出每个像素点的M*N邻域内的平均值和方差值。有如下两个表达式计算：
用如下的表达式计算输出的灰度值。其中a(n1,n2)是调整前的灰度值，b(n1,n2)是调整后的灰度值：
以上这部分是维纳滤波的基本原理，在我们提供的一些参考文献中均有详细介绍，所以这里就不多做介绍了，我们主要是对后面的创新部分进行详细的说明。
注意：由于手机拍摄抖动导致的模糊，在数学上属于运动模糊，所以，我们为了对比滤波性能的好坏，直接使用运动模糊来模拟抖动效果。然后进行滤波对比。
使用传统的维纳滤波算法，对抖动模糊的仿真效果如下所示：
运行程序：main.m
车1：
车2：
车3：
其余结果可自行测试。
下面，我们对维纳滤波之后的图像质量进行实际的分析。
运行程序：main_pnsr.m
图1 图2
图3
注意，在程序main_pnsr.m中
上面的图中：
图1：参数为LEN=30，Motion=30
图2：参数为LEN=30，Motion=38
图3：参数为LEN=30，Motion=20
从仿真结果可知，通过维纳滤波之后，图像的质量得到了明显的提升，和我们肉眼看到的结果一致。
当图像处理端定义的运动模糊模型参数和实际模型完全吻合的时候，图像具有较好的滤波特性，而两个参数出现偏差的时候，滤波效果较差。这个是维纳滤波的一个缺陷，
在分析另一个缺陷：
缺陷分析：
打开main_test.m
由于在实际中，进行维纳滤波的模块都是固定参数的，但是手机拍摄输入的抖动程度是不一定的，那么这个时候，会导致某些程度的抖动，系统无法正常工作。我们对这种现象进行测试，效果如下所示：
设置模糊参数LEN=5，运动模型参数motion=10。
很明显，当两个参数不一致的时候，滤波效果比较差（注意，在实际中，我们不能直接使用PSF这个参数，因为这个参数仅仅在图像源）。
设置模糊参数LEN=15，运动模型参数motion=10。
假设LEN和motion参数完全相同，这个时候，我们又需要对维纳滤波的参数进行设置，
假设LEN = Motion =50；然后设置不同的参数：
0.1:
0.01:
0.001:
0.0001:
0.00001:
0.000001:
即，参数的不同，会对最后的滤波效果有较大的影响。
通过上面分析，使用维纳滤波的时候，由于同时需要控制两个参数，这就大大增加了系统滤波的参数控制难度
注意，在很多现有资料中，代码都deconvwnr(Ipsf,PSF)这么写，其实这么做是不完善的，因为PSF是在图像源中加入抖动的时候产生的。实际中PSF的具体值是未知的，只能知道其维度。
所以，直接使用维纳滤波具有很大的难度。这里我们选择逆卷积+自适应参数控制的方法进行设计。
改进算法的实现：
% 参数自适应识别
这里，我们首先需要引入图像模糊度的概念（图像模糊度的参考论文很多，但是我这没发现利用图像模糊度和去抖动滤波的资料，所以我这里将这两种算法进行结合）
图像模糊度，这里我提供的文献如下所示：
首先，我们打开这个文件夹，运行程序，选择不同的图像进行测试，这里，我们随机的选择三个图像来测试。仿真结果如下所示：
从上面的仿真结果可知，通过对不同的图像进行测试，我们都可以计算其模糊度来区分该图像的模糊程度，从而选择一个合适K值。
这里，我们发现，对于设置不同的模糊度LEN，其值差不多都是0.8左右最小，最大到0.9左右。因此，我们设置如下的对应关系：
即通过计算模糊度，然后根据不同的值，输入进入逆卷积滤波。
改进后的算法流程如下所示：
左图是原始的算法，有图是本文介绍的改进后的算法（看了一些资料，貌似都没这么干）
通过加入模糊度计算之后，我们进行仿真，分别设置抖动程度为
10：
10：
50：
100：
从程序上看，改进后的算法：
其通过对输入模糊图像的模糊度估计，得到K值，而INIIPSF是全1的初始值，因此，整个模型，只需要输入模糊图像即可，而不需要进行其他参数的人为输入。
同时，我们对改进后的算法，计算PNSR。
main_psnr1：输入模糊程度相同的情况，LEN = 50；运行，获得如下的曲线：
main_psnr2：输入模糊程度随机的情况，LEN = 20~100之间随机变化；运行，获得如下的曲线：
这个是对同一个场景下的不同抖动程度的仿真，通过分析，可知，对于任意随机情况下的抖动，系统都能够自动的获得加好的去抖动效果。
关于论文的这个部分内容书写提纲：
1.介绍抖动模糊的一些理论知识——运动模糊
2.介绍维纳滤波和逆卷积滤波的理论知识
3.对维纳滤波进行仿真分析，分析其优势，缺陷
4.根据存在的缺陷，给出本问题的算法
4.1模糊度的介绍（具体参考我发你的资料）
4.2根据模糊度得到逆卷积滤波参数
4.2仿真分析
5将我们的这个去模糊算法，引入到你的模型中进行测试，分析性能提升了多少。