2.1 系統簡介
首先在復原模糊影像問題中，有兩個重要的準則。第一個準測，當我們在 復原模糊影像的過程裡，必須盡可能的不要讓振鈴現象在復原過後的影像裡產 生，因為振鈴現象在復原模糊影像問題裡是最常見的影像失真問題。第二個準 則，相較於原始的模糊影像，銳利度在復原過後的影像裡是必須要被改善。因 此我們分別要使用影像的振鈴現象及影像模糊的特徵，去偵測復原後的模糊影 像，是否有振鈴現象的產生。
在系統設置階段裡，我們使用支持向量機(Support Vector Machine，SVM) 訓 練復原後的模糊影像，作為偵測振鈴現象的模型。我們可以大略將之分為三大 部分，如圖2-1：前置處理（Preprocessing）、訓練（Training）及偵測（Detection）。
以下就是對這三大部分的說明：
圖2-1 特徵辨識流程圖
前置處理部分：這個部分主要是將所有可能影響偵測結果的變因做某個程 度的去除。例如正規化，就是把剛收集到的雜亂無章的資料，整理成比較有規 則的情況。前處理可以強化這些有用的特徵且能夠在訓練工作執行時更容易把 我們所要的特徵取出來，因此可以讓之後在訓練特徵時，有好的訓練模型。同 時因為把有用的部分擷取出來，所以也可以達到資料的降維。
訓練部分：如圖2-2，這個部分主要是取出可以作為偵測依據的特徵，並將 所有需要的特徵加以量化以便處理，且需要的特徵可以是每一個像素（pixel）
的灰階值（0～255），也可以是人臉模糊影像復原後的振鈴現象特徵。由得到的 特徵來當作訓練的資料（training data），以得到所有類別（class）的特有資訊，
這些資訊即是用參數描述所有類別分佈的情況（例如：假設有n個訓練資料，
的資料判斷到正確的類別。人腦做偵測振鈴現象判斷的依據就是「抽象的感覺」
之間的關係，簡單的說，就是用具體的參數來描述抽象的感覺，使電腦能夠根 據這些具體的參數做分析及運算，達到最後偵測的目的。
圖2-2 訓練階段
偵測部分：如圖2-3，在第二部分時已經得到所有類別各自的參數，當測試 資料（testing data）進入系統後，可以利用演算法來估算測試資料是否與某個類 別最為接近（最簡單的就是計算測試資料與每一個訓練類別之間的距離），就判 斷到正確的類別。有的系統當遇到較為模糊不清（ambiguous）的測試資料時，
由於偵測的結果有較高的錯誤機率，也就是擁有較低的信賴度（confidence），
系統則拒絕此次偵測的要求，以儘量降低錯誤發生的機率及發生錯誤所造成的 影響。
圖2-3 偵測階段
2.2 偵測系統流程
整個系統的處理流程如圖2-4 所示，當資料建立之後，將分為三大部份作 處理。
圖2-4 系統流程圖
本論文所提出的系統中，當模糊人臉影像資料建立後，將分為三個大部份 作處理。首先建立模糊人臉影像，接著利用溫納濾波器(Wiener filter)，將模糊 人臉影像進行解模糊。接下來第一部份，將復原後的人臉影像透過區域對比增 強（local contrast enhancement）的方式，來處理每張影像被復原過後所產生振 鈴現象的問題，而經過此處理後，可增強影像中振鈴現象的細節對比，之後再 利用離散餘弦轉換擷取特徵，以進行下一步的特徵訓練。
在整個系統處理的程序中，通常要經過前置處理的步驟，並產生很多相關 的數據，但是如何快速的處理這些數據完成判斷，此時就需要進行數據的分類；
所預期的處理結果，一般的做法會先擁有一群用以建立系統的樣本，這些樣本 通常稱為訓練樣本(training sample)，訓練樣本進入系統後，會改以各種型態的 特徵表現出來，然後根據這些樣本建立某種規則，藉以將來對其它的樣本進行 判斷分析，而這樣的過程便稱為分類(classification)，最後根據某些測試樣本(test sample)對這個系統進行測試，利用測試出來的結果反覆改進這個分類規則以得 到最佳的分類效果。最後第三部份，要進行偵測分類處理程序就必須仰賴分類 器(classifier)的幫助，而分類器種類眾多而且用途也不同，本研究採用支持向量 機，這個是近年來被廣泛運用在分類問題上的數學工具，其具備參數較易調整、
學習收斂速度快速及處理快速等優點。