注1：本文的演示效果仅代表本人的渣水平，不代表其他人照着标准流程就不能获得非常好的效果；
注2：为了作更好的对比，本文演示的“开心流”反卷积效果图可能口味更重；
注3：“开心流”仅仅是对一系列操作合集的戏称。
很多新入门的 PixInsight 用户都会吐槽为什么这软件那么难用，跟着好多大佬的教程一步一步走，到头来还是没搞懂反卷积是什么，到底应该怎么做反卷积。这可太正常了，因为 PixInsight 的反卷积进程 Deconvolution 既没有官方指南，官网里的反卷积处理教程也没有说得很详细，就其效果而言甚至我觉得可以算是反面教材了。
这里只做一个简单的对比。官网教程的效果并不是我们想要的反卷积！
但尽管如此，我们还是需要重头到尾把经典的图像反卷积概念以及流程过一遍，这样才能透彻地理解好本系列的全部内容。在此我主要参考 PI 官网和 RBA 编写的名著《Mastering PixInsight and the art of Astroimage Processing》。
反卷积，是通过对图像受到的大气模糊和光学失真的影响进行分析，逆向其模糊和失真过程从而对原图像进行重新构建，将图像的细节还原为其本该有的样子。
—— 鲁迅
用来描述点光源受到的大气模糊和光学失真的影响的工具，叫做“点扩散函数” Point Spread Function，简称 PSF。复杂物体的图像可以看作是真实物体和 PSF 的卷积，而 PI 里面的反卷积进程，就是通过对一个计算好的 PSF 使用某种算法，反向消除这种卷积，所以就叫做反卷积。
PI 就有一个卷积工具叫做 Convolution，你可以试试对一张图像做卷积是什么效果。而反卷积就是一种把这效果倒退回去的工具。需要留意的是，反卷积后的图像虽然看着清晰了，但事实上清晰跟锐利不是一回事，所以不能把反卷积与锐化混为一谈。
我们有必要花时间去做反卷积吗？如果原图像同时满足以下三个条件的话，我觉得还是挺有必要的：
- 图像有足够的信噪比；
- 主镜为 700mm 或以上焦距以及相机靶面较小，简而言之 fov 要足够小；
- 图像采样率良好或过采样。
所以如果你的原图像信噪比很差，又或者拍的是大广域的话，那真的大可不必大费周章捣鼓反卷积了，除非你大幅度裁切吧。如果原图欠采样或已经非常锐利，可以考虑做 Drizzle，不过这对信噪比要求有了更高的要求。
官网和 RBA 都指出反卷积要在线性状态下操作，大致流程如下：
a，用 DynamicPSF 工具对原图像的星点进行采样，计算出 PSF 模型；
b，对原图像不需要反卷积的地方用蒙版保护住；
c，制作星点蒙版来避免出现 ringring；
d，调整反卷积 Deconvolution 界面的参数，并应用到图像上。
我曾经也是严格按照这个流程来做反卷积的，相信这是唯一正确的方法。然而一次次面对实际操作得来的图像，我一次次陷入了沉思：
这都是啥玩意儿啊？
再回头看看本文开头的官网教程效果图，是不是觉得很眼熟？
在我看来，这套“标准”反卷积的效果，主要存在两个严重的问题：
1，细节并没有很好地重新构建出来；
2，Deringing 的两排数值十分难以把握，输出的图像在星点黑圈和伪亮纹之间摇摆。
因此我有相当长一段时间内在星系后期中排除了反卷积流程，只使用 mmt 和 usm 等工具进行锐化。那时候觉得反卷积全套操作下来先不说累不累，关键是效果不好。
后来经过挂王 Abner 的指点和实际操作试验之后，我大致总结了一套可以获得更好效果的反卷积流程，这里戏称为“开心流”。与 PI 半官方的反卷积教程的效果对比如下：
要做出好的反卷积，首先我们要明白何谓“好”的反卷积。在下一篇文章中，我将会给大家详细演示“开心流”反卷积的效果，敬请期待。
点击此处转跳反卷积系列文章目录