-
摄影中若出现图像模糊现象，则可能是由散焦、大气扰动、相对运动等因素造成的。结合点扩散函数(PSF)外加一些噪音，卷积一个清晰图像，便可模拟上述情况。图像去卷积一般分为两类，即非盲和盲图像去卷积，旨在从模糊图像中找出清晰图像。26791
- 上一篇：android手机应用的开发研究现状
- 下一篇：国内外智能车辆发展研究现状
非盲图像去卷积过程中，可提前通过某些方法，结合斜边缘法计算出PSF。该过程还包括很多方法，如有名的Richardson-Lucy（RL）算法和文纳滤波法。然而，PSF运用在非盲图像去卷积过程中时却仍存在不适定性，由于噪音和边缘振荡效应被放大了，因而使得早前运用这些方法得到的结果都不是很理想，所以需要对实验进行正则化。吉洪诺夫正则化方法中提出了一系列的二次正则化项，尽管这一方法使得计算变得较为简便，但是修复后的图像却变得比较平滑。相反，总变差正则化方法（TV）则能确保图像边缘保持清晰，因而被广泛用于图像修复。然而TV正则化法的主要问题便是非线性问题，若想有效解决这一问题存在难度。辛运的是，随着技术的逐渐优化，一些精心设计的算法开始出现，用以高质量修复图像。近年来，这一领域也取得了一些进步，一些学者在文献[1]中提出优先使用超拉普拉斯模拟自然图像梯度的稀疏分布情况，运用迭代重加权最小二乘法（IRLS）解决上述问题。通过这一方法得到的结果更有竞争优势，同时也比TV正则化法得到的效果更佳，但是计算比较慢。文献[2]中采用了变量分割法解决相同问题，计算速度比较快，而且得到的结果也还不错。文献[3]中的学者建议使用一种稳健渐进的内外去卷积法，依照双边和联合双边滤波中规定的两个正则化项，将模糊图像从大尺度修复到了小尺度，所得修复图像的质量非常高。另外，其他一些方法中也采用了不同的正则化项，如文献[4,5]中所述。论文网
显然，盲图像去卷积存在不适定性问题，因而我们需要同时对清晰图像和PSF进行判断。之前也有针对该问题的大量文献资料，如一些基于RL运算[6]、吉洪诺夫正则化法[7]、TV正则化法[8,9]等的方法。最近一些研究人员设计了一些新的稳健算法[10,11]，按照前人经验做出深思熟虑后的选择以及结合多尺度方法是他们成功的关键。
纵观图像处理的历史，数字图像处理的研究有很多都是关于图像恢复的，包括对算法的研究以及针对特定问题的图像处理程序的编写。数字图像处理中很多值得注意的成就就是在这个方面取得的。在751十年代中期，去卷积(逆滤波)开始被广泛地应用于数字图像恢复。Nathan用二文去卷积的方法来处理由漫游者、探索者等外星探索发射器得到的图像。在同一个时期，采用PSF(Point Spread Function )的解析模型对望远镜图像中由于大气扰动所造成的模糊进行了去卷积处理。从此以后，去卷积就成了图像恢复的一种标准技术。但是这种方法对于噪声很敏感，在噪声较大的情况下，图像恢复的效果不明显。
大部分图像中，邻近的像素是高度相关的，同时为了减少噪声的干扰。Pratt提出了提高文纳滤波计算的方法[12,13]。若在最小均方意义下，文纳滤波是的最优方法，但对于某个具体图像，它不一定是恢复图像的最好方法。后来canon提出了功率谱均衡滤波器[14]，它和文纳滤波器类似，但是在某些情况下，它的恢复性能优于文纳滤波器[15]。在轻微模糊和适度噪声条件下，Andrews和Hunt对逆滤波器、文纳滤波器进行了对比研究。其结果表明:在上述条件下，采用去卷积(逆滤波)效果较差;而文纳滤波器会产生超过人眼所希望的严重的低通滤波效应。Andrews提出一种基于线性代数的图像恢复方法[16-18]。它为恢复滤波器的数值计算提供了一个统一的设计思路。这种方法可以适用于各种退化图像的复原，但是由于涉及到的向量和矩阵尺寸都非常大，因此线性代数方法可能无法给出一种高效的实现算法。