在过去的十年当中，人们尝试了各种算法来消除数字图片的模糊问题。在光学显微术中，应用最为广泛的算法可分为两类，去模糊（deblurring）及图像还原（image restoration）。deblurring算法适用于二维去模糊，这种算法采取逐层计算的方式还原三维图像。相对的，image restoration则是三维意义上的算法，这种算法以每一个体素为目标同时进行去模糊计算。 在介绍详细的内容之前，我们先来书记几个术语。object指显微镜视野下被激发的三维荧光。raw image指显微镜下获得的未经处理的数字图片或图片层。features指图片中某一感兴趣的特定区域。 deburring算法 二维算法比如 nearest-neighbor，multi-neighbor，no-neighbor，及 unsharp masking在这里，我们都将其归为 deblurring算法中。在三维图片层中，这种算法通过逐层计算来去除每一层的模糊。Figure 1显示，为三维图片中的某一光切层面，样品为 Xenopus细胞的微管结构。a为处理前图片，b为经 nearest-neighbor算法处理后的图片。 这种单层计算的方式相对来说很经济有效。但deblurring算法也有一些较大的缺点。首先，几个层面中的噪音重叠在了一起；另外，deblurring算法去除了干扰信号的同时降低了信号的总强度；第三，features中的信号在 z轴方向上的扩散，在每一个层面中都会计算一次，但实际上某些层面，这些信号是假的，于是 features的位置会发生偏移。这种情况在二维图片的去模糊中尤为严重，这些二维图片上，其他层面的干涉环或光经过计算后会被认为是这一层的信号而留在二维图像上。总的来讲，deblurring算法改进的图像对比度，但牺牲了信噪比，并且还有可能引入假信号。 当需要快速去模糊或计算机性能有限的时候，二维 deblurring算法是很有用的。它尤其适用于荧光结构分散的样品，但考虑到这种算法会降低信号强度，最好不要用于形态学计算、荧光定量及比率计算实验。 image restoration算法 image restoration算法的基本功能是消除三维图像的模糊，效果很理想。这种算法并不是去掉模糊，而是通过运算，逆转图像固有的卷积效应，将模糊的光线算回到焦点位置。假设图像中的object遵循点扩散方程（psf，point spread function）变得模糊，那么通过翻卷积运算，即可将 object复原。但是由于成像系统固有的限制以及图像的组成，object无法被完美的还原；只能通过已知的限制因素，估算object。restoration算法通过计算psf还原 object。 这种算法的优势在于，三维图...
