Show HN: Deconvolution – 一个 Rust 图像反卷积与复原库

背景

在数字图像处理、科学成像以及计算机视觉领域，图像模糊是一个常见且棘手的问题。模糊可能由多种因素引起，如相机抖动（运动模糊）、对焦不准（散焦模糊）或光学系统的固有缺陷。为了从模糊的图像中恢复清晰细节，反卷积（Deconvolution） 技术应运而生。

反卷积的核心在于利用点扩散函数（Point-Spread Function, PSF） 来建模模糊过程，并通过数学方法在频域或空域中进行逆向运算。然而，这一过程高度依赖于数值稳定性、频率域工具以及精细的正则化处理，否则极易引入噪声放大或振铃伪影。

在此背景下，Rust 社区推出了一个新的开源库 deconvolution。该库旨在为 Rust 开发者提供一套完整、高效且类型安全的图像反卷积与复原解决方案。它支持已知 PSF 的复原、盲反卷积工作流、PSF/光学传递函数（OTF）转换、预处理辅助工具以及模拟测试数据生成，并深度集成了 ndarray 以支持多维数组处理。

核心内容

deconvolution 库（当前版本 0.2.0）是一个功能全面的 Rust 图像处理 crate，其核心功能模块与 API 设计如下：

1. 图像 API 与类型支持

库提供了顶层函数，直接接受 image::DynamicImage 作为输入，并返回可直接保存的图像对象，简化了应用层的集成。

• 支持的图像格式：
  • 8位/16位无符号整数：ImageLuma8, ImageLumaA8, ImageRgb8, ImageRgba8, ImageLuma16, ImageLumaA16, ImageRgb16, ImageRgba16。
  • 32位浮点数：ImageRgb32F, ImageRgba32F。
• ndarray 支持：通过 nd 模块暴露数组优先的工作流，支持 2D 图像数组和 3D 体积（Volume）工作流。可选启用 f16 特性以支持 half::f16 输入，但内部计算仍保持在 f32 精度。

2. 反卷积算法体系

库实现了多种经典的反卷积算法，分为已知 PSF 和盲反卷积两大类。

已知 PSF 方法：

• 逆滤波类：包括朴素逆滤波（naive_inverse_filter）、截断逆滤波、正则化逆滤波及 Tikhonov 逆滤波。
• 维纳滤波：支持标准维纳滤波（wiener）和无监督维纳滤波（unsupervised_wiener）。
• 迭代式算法：
  • Richardson-Lucy (RL)：基于泊松统计的乘法复原，支持阻尼变体（damped_richardson_lucy）和总变差正则化（richardson_lucy_tv）。
  • 残差更新算法：如 Landweber、Van Cittert、Tikhonov-Miller 和 ICTM。
• 约束与近端梯度：
  • 边界感知：非负最小二乘（nnls）和有界变量最小二乘（bvls）。
  • 近端梯度：ISTA 和 FISTA，支持稀疏基（SparseBasis）。
• 科学成像求解器：针对特定科学应用优化的求解器，如 MRNSD、CGLS、WPL 和 Hybr。
• 显微镜 MLE 风格：CMLE、GMLE、QMLE 等最大似然估计方法。

盲反卷积方法： 盲反卷积旨在同时估计复原图像和 PSF。

• 盲 Richardson-Lucy：blind::richardson_lucy。
• 盲最大似然：blind::maximum_likelihood，与盲 RL 共享相同的泊松 EM 复原核心。
• 参数化 PSF 估计：blind::parametric，允许用户指定高斯、线性运动、散焦或定向高斯等参数化模型。

3. PSF 与 OTF 工具

• 基本生成器：提供 delta2d/3d、gaussian2d/3d、motion_linear、disk、pillbox、defocus、box2d/3d 和 oriented_gaussian 等基础 PSF 生成函数。
• 光学与显微镜模型：支持复杂的物理光学模型，如 Born-Wolf、Gibson-Lanni、Richards-Wolf、洛伦兹线型、散光模型和双螺旋模型等。
• 转换工具：提供 PSF 与 OTF 之间的双向转换函数（2D 和 3D）。
• 预处理工具：包括边缘衰减（edgetaper）、加窗（apodization）、范围归一化及噪声信号比（NSR）估计，用于减少频率域反卷积中的振铃伪影。

4. 配置与策略

库通过枚举类型提供细粒度的控制：

• 边界处理 (Boundary)：Zero, Replicate, Reflect, Symmetric, Periodic。
• 填充策略 (Padding)：None, Same, Minimal, NextFastLen, Explicit2/3。
• 通道模式 (ChannelMode)：
  • Independent：逐通道颜色复原。
  • LumaOnly：仅对亮度通道进行模糊/复原处理。
  • IgnoreAlpha / PremultipliedAlpha：处理 Alpha 通道。
• 范围策略 (RangePolicy)：PreserveInput, Clamp01, ClampNegPos1, Unbounded。

5. 模拟与测试

为了便于测试和基准测试，库提供了确定性模拟工具：

• 模糊与退化：支持确定性模糊、3D 模糊及 OTF 模糊。
• 噪声模型：高斯噪声、泊松噪声、读出噪声。
• 合成样本：棋盘格、高斯斑点、RGB 边缘、3D 体素等合成图像生成器。

6. 构建与特性

• 依赖管理：

  [dependencies]
  deconvolution = "0.2.0"
  # 若需加载/保存图像文件，需额外添加
  image = "..."
  

• 特性标志 (Feature Flags)：
  • rayon：默认启用，提供并行计算支持。
  • f16：可选，支持 half::f16 输入。
  • 串行构建：可通过 default-features = false 禁用 rayon。

关键要点

• 全功能反卷积套件：deconvolution 不仅包含基础的维纳滤波和逆滤波，还涵盖了复杂的迭代算法（如 Richardson-Lucy）、约束优化（NNLS/BVLS）以及针对科学成像的专业求解器。
• 盲反卷积支持：库提供了盲 Richardson-Lucy 和盲最大似然算法，能够自动估计 PSF，适用于模糊核未知的场景。
• 丰富的 PSF 模型：除了基础的高斯和运动模糊，还支持 Born-Wolf、Gibson-Lanni 等高级光学模型，满足显微镜成像等专业需求。
• 灵活的配置系统：通过 Boundary、ChannelMode 和 RangePolicy 等枚举，开发者可以精确控制边缘处理、通道交互和数据范围，以适应不同的图像类型和处理需求。
• 高性能与并行计算：默认启用 rayon 进行并行处理，显著提升大规模图像和 3D 体积的处理速度。
• **完善的测试与