基于深度学习的图像去模糊研究综述.docVIP

基于深度学习的图像去模糊研究综述

一、图像去模糊的问题定义与现实需求

图像模糊是数字成像过程中普遍存在的降质现象，其本质是清晰图像与未知模糊核的卷积过程叠加噪声的结果，可数学表示为(I_b=I_c\otimesk+n)，其中(I_b)为模糊图像，(I_c)为原始清晰图像，(k)为模糊核，(n)为加性噪声，(\otimes)表示卷积运算。根据模糊核的特性，图像模糊可分为均匀模糊和非均匀模糊两大类：均匀模糊的模糊核在整个图像空间中保持一致，多由相机全局运动、镜头失焦等原因导致；非均匀模糊的模糊核随空间位置动态变化，成因包括物体局部运动、景深变化、相机旋转抖动、大气湍流等，其建模与恢复难度远高于均匀模糊场景。

在民用领域，智能手机拍照、视频通话、监控安防等场景中，用户手部抖动、被摄物体快速移动、弱光环境下长曝光等因素都会导致图像模糊，直接影响内容识别与观感体验。在工业场景中，自动驾驶系统的视觉感知模块若采集到模糊图像，可能导致交通标志、行人等关键目标识别错误，引发安全隐患；医疗影像采集过程中，患者轻微移动可能导致CT、MRI影像出现伪影模糊，干扰医生对病灶的判断。在航空航天领域，卫星遥感图像受大气湍流、平台振动等影响产生的模糊，会大幅降低地物分类、资源勘测的精度。传统的图像去模糊方法依赖人工设计的先验知识，如梯度稀疏性、暗通道先验等，在复