摘要
在数字图像的成像过程中，由于拍摄设备、气候环境以及被拍摄物体自身变化等因素的影响，使得图像存在不同程度的模糊，这种降质现象给图像的实际应用带来了较大的挑战。因此，如何根据真实模糊场景复原出原始的清晰图像成为一个亟须解决的问题。 在模糊核未知的情况下对模糊图像进行复原称为盲解卷积问题，这是一个欠定逆问题。本文以图像的跨尺度自相似性为基础，结合低秩矩阵估计和稀疏表示理论展开对图像先验模型的研究，从而解决盲解卷积的欠定逆问题。 本文的主要工作与创新点包括以下2个方面: 1.本文提出了一种基于跨尺度字典学习的图像盲解卷积算法，采用降采样图像中的图像块训练稀疏表示的字典，并仅对图像中的纹理区域进行稀疏表示，从而建立跨尺度字典学习先验模型。将图像纹理区域在该字典下的稀疏表示作为正则化约束引入盲解卷积目标函数中。图像降采样过程减弱了图像的模糊程度，且图像中存在冗余的跨尺度相似块，利用更清晰的图像块训练字典能够更好地对清晰图像进行稀疏表示，减小稀疏表示误差;同时，由于清晰图像的稀疏表示误差仅在纹理区域小于模糊图像的稀疏表示误差，在该字典下对图像中的纹理块进行稀疏表示，使重建图像偏向清晰图像。在Kohler数据集以及真实模糊图像上的实验验证了本文算法的有效性。 2.由于清晰图像的跨尺度自相似性强于模糊图像的跨尺度自相似性，且降采样模糊图像与清晰图像具有更强的相似性，本文提出了一种基于跨尺度低秩约束的单幅图像盲解卷积算法，利用图像跨尺度自相似性，在降采样模糊图像中搜索相似图像块构成相似图像块组，从整体上对相似图像块组进行低秩约束，构建跨尺度低秩先验，迫使重建图像的边缘接近清晰图像的边缘。本文算法没有对噪声进行特殊处理，由于低秩约束更好地表示了数据的全局结构特性，因此避免了盲解卷积过程受噪声的干扰。在在Kohler数据集、真实模糊有噪图像上的实验验证了本文的算法能够有效重建模糊图像，并对噪声具有良好的鲁棒性。
NETL