Phƣơng pháp Maximum Entropy là giải pháp dựa trên các nguyên tắc cơ bản của vật lý thống kê. Phƣơng pháp giả định rằng ảnh đƣợc tạo thành từ một số lƣợng lớn các lƣợng tử, mỗi một lƣợng tử có cƣờng độ q, và đồng khả năng cho bất kỳ vùng lƣợng tử tại điểm ảnh bất kỳ, khi đó chúng đƣợc phát các khóa một cách ngẫu nhiên. Xác suất có đƣợc một tập điểm ảnh (n1, n2,…,nL) với tỉ lệ với sự suy thoái N!/n1!n2!...nL!. Trong giới hạn tiệm cận của số lƣợng tính toán lớn, các thừa số có thể đƣợc xấp xỉ bởi công thức Stirling và thuật toán trở thành:
i i i q i i i q I I n n I p I S( ) ln[ ( )] ln( ) ln( ) ( 2-30)
Ở đây ta đã giảm một hằng số bình thƣờng hóa tổng thể của p (lI). Ảnh đƣợc áp dụng maximum entropy. Phƣơng trình 2-15 tƣơng tự với xác suất phân bổ không gian của các hạt lý tƣởng, thuật toán là entropy Boltzmann. Một entropy ảnh của mẫu ban đầu đƣợc đề xuất bởi Friede (1972).
Hình 2-5: Khôi phục ảnh dùng phƣơng pháp Maximum Entropy bên trên là ảnh gốc, bên dƣới là ảnh đƣợc khôi phục
Có ba vấn đề cơ bản của phƣơng pháp này:
- Có các dạng entropy cạnh tranh, ngay cả đối với cùng một ảnh.
- Với một chƣơng trình entropy bất kỳ thì ảnh maximum entropy không phải là ảnh ƣu tiên.
- Entropy phụ thuộc vào lƣợng tử q - là tập tùy ý và không liên quan đến bất kỳ lƣợng tử vật lý nào tạo nên ảnh. Do những vấn đề này mà phƣơng pháp maximum entropy đã hƣớng theo vật lý thống kê.
Có các phƣơng pháp sử dụng hàm thiết lập với tối thiểu. Kavel sử dụng phƣơng pháp thay thế liên quan đến trung bình H1 cho kernel. Dựa vào nghiên cứu của You và Kavel, Chan và Wong mở rộng ý tƣởng của họ thành trung bình TV cho cả ảnh và kernel, trong nhiều trƣờng hợp hàm kernel có các cạnh sắc (nhƣ là mờ do chuyển động và mờ không tập trung). Các tác giả sử dụng các phƣơng pháp giảm thiểu thay thế đối với việc khôi phục ảnh và kernel.