对单张图像循环进行多次超分辨，图像增强，去模糊等图像处理是否合理？以及如何评价图像质量？
这是知乎原问题，但我没能理解题主的核心意思，超分辨率，去噪，去模糊这类问题在深度学习领域非常流行，而且这个问题也涉及很多高深的数学问题。
如果从深度学习领域回答，那题主可能是在问，涉及重复多次进行超分辨率，增强，去模糊这类操作的深度学习模型的合理性与可行性？
我第一眼看到这个问题，想到的是对图像循环多次进行滤波是否合理？
为什么这样想呢，因为题目问的是图像处理也没提深度学习，而滤波也可以实现平滑，锐化，增强等效果。
本文主要探讨，对图像循环多次进行滤波是否合理？
所以在回答这个问题之前，先捋一下图像滤波的分类。
首先图像处理可以分为空间域和频率域，空间滤波又可分为线性滤波和非线性滤波。
滤波一词来源于频率域处理，通过低频的滤波器为低通滤波器，可以实现平滑（模糊）图像的作用；通过高频的滤波器为高通滤波器，可以实现锐化图像的作用。
而空间滤波可以通过核（也可以叫空间滤波器，模板，窗口等等）来实现类似的功能。
空间滤波器是由一个邻域（典型的是一个较小的矩形）和对该邻域包围的图像像素执行的预定义操作组成。而输出的值就是滤波器中心坐标像素的值。如果在图像像素上执行的是线性操作，则该滤波器称为线性空间滤波器，否则，被称为非线性空间滤波器。
线性滤波器包括均值滤波，方框滤波，高斯滤波等；非线性滤波包括中值滤波，双边滤波，以及形态学操作等。
所以，对图像循环多次进行滤波是否合理？
以均值滤波为例，均值滤波器输出的是包含在滤波器窗口内的像素的简单平均值，可以实现平滑的作用，是一种低通滤波器。
实际应用中，一次平滑不能达到我们的要求时，往往会再平滑一次或几次，这是合理的。
但如果不停的循环进行均值滤波处理，无数次后它将趋近于一个恒定的图像，这个图像没有任何意义。
【原图】【100次均值滤波效果】【1000次均值滤波效果】
形态学操作同样如此，以膨胀为例，膨胀就是求局部最大值的操作。核与图像卷积，计算核覆盖区域的像素点的最大值，并把这个最大值赋值给核的中心坐标像素。这样就会使图像中的高亮区域逐渐增长。
而一直循环进行图像膨胀，100次操作之后还有明显的亮度梯度，1000次时得到的就已经是一张固定亮度的图像了。
【原图】【100次膨胀操作】【1000次膨胀操作】
所以多次进行同一操作达到预期效果是合理的，但无限循环是没有意义的。
至于图像质量，一般可以从对比度，亮度，结构进行评估，可以单独搜到很多优良的回答，就不说了。可以参看：
江户川柯壮：图像质量评估指标 SSIM / PSNR / MSE
代码语言：javascript复制https://zhuanlan.zhihu.com/p/150865007THE END
