图像盲反卷积问题仅根据模糊图像估计清晰图像和模糊核，也是一个欠定问题且求解更加困难。但图像盲反卷积算法更实际，因为许多情况下，模糊核都是未知或部分已知的。求解盲反卷积问题需要为未知量选择适当的先验模型，以得到清晰图像和模糊核的确定解。
图像盲反卷积算法的发展可以追溯到上世纪70年代中期。此后，图像盲反卷积算法在专用领域缓慢发展。近十年来，图像盲反卷积算法的研究兴起。变分贝叶斯推理受到广泛关注，给盲反卷积算法性能带来重要飞跃。研究者们引入多种先验模型，结合VB推理，使得盲复原算法通用而强大。超高斯是最受欢迎的先验模型，具有稀疏性，包括TV模型，lp，MOG和SMG等。有研究人员根据自然图像梯度的统计特征呈现重尾分布，采用稀疏图像先验模型，即混合高斯模型，结合变分贝叶斯推理估计模糊核，再通过RL非盲反卷积算法复原图像；有研究人员提出了基于VB推理和超高斯稀疏图像先验模型的盲反卷积算法，给出了这类盲反卷积算法估计清晰图像和模糊核的一般程序；有研究人员将TV先验模型做近似，使其适应VB推理架构，得到了优于非TV先验模型方法的复原效果。学生t-分布，本质上是高斯尺度混合的一种，可以表示成有限数目的高斯分布的叠加，其中高斯分布的精度服从伽马分布，这样的性质使得基于VB推理的盲反卷积问题更简单。
鉴于图像盲反卷积方法的优势，提出一种基于超高斯全自动组织学图像的盲彩色反卷积方法，算法运行环境为MATLAB R2018A，压缩包=数据＋代码＋参考文献。部分代码如下：
clc,clear all
I = imread('histWB.jpg');
% In this example we will be using Landini reference vectors (default).
% It is strongly recommended to update the reference matrix according to the images you are working with.
% The reference should be representative of the tissue/ stain center/ scanner
load 'MLandini' RM;
[m,n,nc] = size(I);
subplot(241),imshow(I)
title('Original H&E Image')
%% Deconvolution
ns=2; %number of stains
p=1; %prior parameter
prior= 'lp' %'lp' or 'log'
filtersetname='fo'; %high pass filters ('none', 'fohv', 'fo')
%% Band visualization (OD space)
ns = size(M,2)
concentrations = reshape(CT',m,n,ns);
%figure()
subplot(242),imshow(concentrations(:,:,1))
title('OD H Band')
subplot(246),imshow(concentrations(:,:,2))
title('OD E Band')
%% Band reconstruction (RGB space)
Hrec_OD = reshape((M(:,1)*CT(1,:))',m,n,nc);
Hrec_RGB = OD2intensities(Hrec_OD);
Erec_OD = reshape((M(:,2)*CT(2,:))',m,n,nc);
Erec_RGB = OD2intensities(Erec_OD);
%figure()
subplot(243),imshow(Hrec_RGB)
title('RGB H Band')
subplot(247),imshow(Erec_RGB)
title('RGB E Band')
%% Image Normalization出图如下：
工学博士，担任《Mechanical System and Signal Processing》审稿专家，担任
《中国电机工程学报》优秀审稿专家，《控制与决策》，《系统工程与电子技术》，《电力系统保护与控制》，《宇航学报》等EI期刊审稿专家。
擅长领域：现代信号处理，机器学习，深度学习，数字孪生，时间序列分析，设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。