3. 反问题的适定性与正则化思想

反卷积之所以困难，根源不在于算法写得不够精巧，而在于问题本身的性质。要理解这一点，需要先引入“适定性”这个概念。法国数学家阿达马提出，一个数学问题若同时满足三个条件，就称为适定的：解存在、解唯一、解连续依赖于观测数据。第三条最为关键——它意味着观测数据中哪怕极微小的扰动，也只能引起解极微小的变化。反卷积问题恰恰在第三条上失守，因此被称为病态问题（ill-posed problem）。

把卷积写成离散形式，观测模型为 y = Hx + n，其中 H 是由点扩散函数（PSF）构造的卷积矩阵，x 是待恢复的原始信号，n 是噪声。直接求逆得到 x̂ = H⁻¹y = x + H⁻¹n。问题就出在 H⁻¹n 这一项上：卷积矩阵 H 的奇异值随频率升高而迅速衰减，而 H⁻¹ 的奇异值则相应地被放大。噪声 n 通常含有丰富的高频成分，经过 H⁻¹ 后，高频噪声被放大到远超信号本身的量级，恢复结果被噪声彻底淹没。这就是噪声放大机制的本质：不是噪声变大了，而是逆滤波对高频的增益过大。

从谱分解的角度看，H 的奇异值 σᵢ 按从大到小排列，对应从低频到高频的分量。小奇异值方向上的分量对噪声极其敏感。正则化的共同思路，就是压制这些小奇异值方向上的贡献，用可控的偏差换取方差的显著下降。这被称为“偏差—方差权衡”，是正则化思想的核心。

Tikhonov 正则化：用惩罚项约束解的范数

Tikhonov 正则化把原问题改写为一个带惩罚项的最小化问题：

min  ‖Hx − y‖² + λ‖Lx‖²
x

第一项是数据保真项，要求解能解释观测；第二项是正则项，惩罚解的“粗糙程度”。L 通常取单位矩阵（惩罚能量）或一阶/二阶差分矩阵（惩罚梯度或曲率）。λ 是正则化参数，控制两者的平衡。对目标函数求导并令其为零，得到闭式解：

x̂ = (HᵀH + λLᵀL)⁻¹ Hᵀy

当 L = I 时，在奇异值域上，该解相当于对每个分量乘以滤波因子 σᵢ²/(σᵢ²+λ)。可以看到：当 σᵢ ≫ √λ 时，因子接近 1，信号被保留；当 σᵢ ≪ √λ 时，因子趋近于 0，噪声被压制。λ 越大，压制越强，但信号高频细节也损失越多。

以一个一维示例说明参数选择的影响。假设 PSF 为长度 9 的高斯核（σ_psf = 2），信号为含两个窄脉冲的序列，加入标准差 0.01 的高斯白噪声。若取 λ = 0，即直接逆滤波，恢复结果中脉冲位置虽在，但整段信号被高频噪声纹波覆盖，信噪比极低。逐步增大 λ：λ = 0.001 时纹波明显减弱，脉冲仍清晰；λ = 0.1 时纹波基本消失，但脉冲被展宽、峰值下降；λ = 1 时信号过度平滑，两个脉冲开始融合。这个示例说明 λ 的选择不是越大越好，而是存在一个使恢复误差最小的区间。实际中常用L 曲线法：以 ‖Hx−y‖ 为横轴、‖Lx‖ 为纵轴，对不同 λ 描点，曲线拐角处对应的 λ 通常是较好的折中。

截断奇异值分解：直接丢弃不可靠的分量

TSVD 的思路更直接。对 H 做奇异值分解 H = UΣVᵀ，则 x̂ = Σ (uᵢᵀy/σᵢ) vᵢ。当 σᵢ 很小时，uᵢᵀy/σᵢ 会被噪声主导。TSVD 的做法是设定截断阈值 k，只保留前 k 个分量，把 i > k 的项直接置零。其滤波因子是硬截断：i ≤ k 时为 1，否则为 0。与 Tikhonov 的软衰减相比，TSVD 更“干脆”，但也可能在截断处引入振铃。两者在谱域上都是对逆滤波增益的修正，只是修正函数形状不同。

正则化的代价与适用判断

正则化并非没有代价。它引入的偏差会使恢复信号的高频细节变钝，边缘变得不那么锐利。因此评价恢复结果时，不能只看“看起来平滑”，而应结合具体任务判断：若目标是定位脉冲位置，适度的平滑不影响判断；若目标是精确测量峰值幅度，则需谨慎选择参数并在已知仿真数据上校准。实践中建议先用合成数据（已知 x 和 H）扫描参数，观察恢复误差随 λ 或 k 的变化曲线，确定合理区间后再用于真实数据。这样既利用了正则化的稳定性，又避免了盲目调参带来的过平滑或欠抑制。

总结来说，反卷积的病态本质源于卷积算子对小奇异值方向噪声的放大，而 Tikhonov 与 TSVD 分别以软衰减和硬截断的方式修正逆滤波增益，用可控偏差换取稳定解。理解这一权衡，是后续学习迭代正则化、稀疏先验等更高级方法的基础。