在图像盲反卷积的过程中,最主要的难点是缺少点扩散函数的足够信息而导致的病态问题.解决此问题可以通过对原始图像和点扩散函数同时进行正则化约束.为了在图像复原过程中得到惟一、稳定的解,并保证图像恢复结果的有效性,提出了一种具有尺度不变性和稀疏性的正则化函数,并通过两组对比实验例证了利用该函数的图像盲复原算法具有良好的鲁棒性和收敛稳定性.

针对运动模糊图像的模糊去除问题, 提出了一种基于L0范数正则化的模糊核方法。该方法以图像梯度L0范数为正则项, 根据图像的稀疏先验条件, 选取合适的参数估计方法, 构建了一个非凸的最优化能量函数。在对该函数进行数值求解中, 选用了交替迭代法, 交替更新原始图像和模糊核的估计值。在原始图像估计中, 以图像梯度L0范数为稀疏正则项可以有效地保留图像的强边缘并抑制弱边缘对模糊核估计的影响, 从而提高了核估计的正确率。在模糊核计算过程中, 模糊核估计最优化能量函数则转换为一个经典的凸优化问题, 再通过对

为了实现运动模糊图像的盲复原, 提出了一种基于l1/l2的高低阶全变差图像盲复原方法。利用具有更强稀疏表达能力的l1/l2范式正则化先验项, 加入高低阶混合全变差正则化模型。高阶全变差正则化模型可以抑制图像非边缘部分可能出现的阶梯及振铃效应, 低阶全变差正则化模型可以保护自然图像的边缘稀疏特性。分别给出了清晰图像和模糊核的求解算法, 两者的求解过程采用分裂Bregman迭代算法将目标函数分裂成多个子问题进行优化求解。实验结果表明, 提出的方法能够很好地抑制振铃效应并保护图像的边缘细节, 通过与其