2026《图像去模糊算法研究的文献综述》3600字.docxVIP

图像去模糊算法研究的文献综述

当模糊是均匀且空间不变时，我们可以用一个卷积公式来表示模糊过程：

， （1）

其中、、、分别是模糊图片、清晰图片、模糊核还有加性噪声的参数，是卷积符号。由于只有是已知的，我们需要恢复和，那就意味着这个问题是高度不确定的，因为不同的和是有可能产生相同的的。

图像盲去模糊需要用到PSF和原始图像的一些先验知识，并且当我们真正进行去模糊时，加性噪声会造成一定的影响，因此，图像的无参数恢复问题处理起来非常困难，高频噪声容易在这个过程中受到影响，如果PSF的逆直接代入算法计算，会导致算法性能较差。再加上以目前的技术，获取图像中的噪声是很困难的，所以恢复得到的图像并不可能完全与原始图像相同，因为我们无法将所有的加性噪声去掉，又因为原始图像和PSF的先验知识不是全部知道的，所以一般情况下，图像盲去模糊不单单只有一个解，随着初始条件的改变还有不同的估计图像的假设，往往也会得到不用的解的质量，这就导致了图像盲去复原算法的复杂性，我们往往要针对不同类型的图像设计不同的算法，并且还要通过多次迭代实验。图像盲复原需要考虑到很多方面的问题，比如所设计算法的效率，即复杂度，所设计的算法也需要十分稳定，在不同的图像类型上进行图像盲复原还需要考虑到是否适合这种情形。

针对不同的假设，主要来说，我们一般把图像盲复原算法分为以下两种情况:一是从原始图像的某些特有的特征出发，得到一个估计的PSF，然后借助估计得到的PSF，利用经典的图像复原方法进行复原，这种情况要进行两个不同的步骤，即PSF的估计还有图像的复原，它的特点是计算量较小；第二种情况是同时识别PSF和实际图像，把PSF估计和清晰图像的预估结合在一起，在这种情况下设计算法相对来说比较复杂，计算量较大。最近这几年，研究人员通过研究同一张照片的不同模糊图片，把它们总结成多通道的图像盲去复原算法，值得一提的是，当空间发生变换的时候，它的情况较为复杂，所以点函数也应该考虑到这一点，考虑到其实现在人们对图像盲去模糊的研究不是很深入，根据目前已有的条件，同时结合系统退化数据模型的特点，研究人员把图像盲复原算法重新分成3类，结构如图1。

图1.图像盲复原算法分类

为了使去模糊过程性能良好，现有的先进的方法对模糊核或者原始清晰图片或两者进行了假设。比如，很多方法[6,7,8,9,10,11,12]将图像梯度的稀疏性单独提出来进行预估，在简单的图像处理需求中，这些方法十分受欢迎，比如去噪，三维系统还有光照。Levin等人[13]表明，在这种前提的基础上实现的算法能更好的处理已存在原始清晰图片的加模糊合成图片，尤其是当这个算法是在最大后验原则，即MAP的框架制定的时候。为了解决这个问题，在MAP框架下取得最好的去模糊结果，我们就要在前面进行一项边缘提取步骤[14,15]。我们还可以引入一个新的图像先验规则，使得它们在自然图像上表现更好。有一些先验方法已经被证实有效，比如归一化稀疏性先验[7]，正则化先验[11]，内部补丁复原先验[16]等。然而，这样子建立起来得模型就失去了普遍性，在其他类型的图像上表现就没有这么好，比如人脸[17]、文本图像[18,19,20]和低光照强度图片[21]。

图像盲复原算法的前景:图像盲去模糊的研究还处于启蒙阶段，当我们忽略噪声时，线性的退化模型就成了课题难点，因为目前针对这种情况的标准的分析方法还不是很成熟，滤波器的设计也没有一个模式，不仅是实际应用，就连理论研究也很少。更深层次的说，结合目前最新的研究，算法大概可以被分为以下几类：

(1)不断优化现有算法和不断探索更好的算法

有了前文的背景阐述，我们可以知道目前已有的算法还需要花费很大力气去改进,比如在IBD算法中，要保证算法的收敛性，就要设置一定的初始条件；要保证图像的处理质量，就要设置合适的算法终止条件；要降低噪声的影响，就要设置滤波器中合适的条件参数，也就是噪声的参数。当今研究的部分重点就在于，我们需要更好的解决过度敏感的噪声，以及尽量让设计出来的算法也可以应用于非均匀去模糊。在采用神经网络的方法中,文献《BinaryImageRestorationUsingPulseCoupledNeuralNetwork》[22]中提出用脉冲耦合神经网络解决二值图像重建；文献《精确复原退化图像的连续》[23]中提出采用连续Hopfield网络的方法进行精确图像复原；其他方法还包括遗传算法[24]，基于小波理论[25]，基于独立组件分析方法[26,27]，迭代条件编码算法[28]等。

(2)基于非线性退化模型的图像盲复原算法

如果是现实情况下考虑退化模型，我们就会发现一般来说目前所有的该模型都是非线性，但是当我们在进行处理时，我们可以用线性化的方法，只是如果这个退化模型非线性化程度较高，那我们得到的结