模糊圖像復(fù)原算法研究實(shí)現(xiàn)-論文答辯ppt

1、模糊圖像復(fù)原算法研究實(shí)現(xiàn),報(bào)告人： 導(dǎo)師：專(zhuān)業(yè)：計(jì)算機(jī)技術(shù),研究目的和意義,圖像復(fù)原，是通過(guò)圖像復(fù)原技術(shù)對(duì)降質(zhì)的圖像進(jìn)行處理，提升圖像質(zhì)量。,2,目標(biāo)的快速移動(dòng),相機(jī)的抖動(dòng),研究現(xiàn)狀,[利用慣性測(cè)量傳感器 Joshi et al. 2008],[利用模糊和噪聲圖像對(duì) Yuan et al. 2007],[梯度重尾分布及核稀疏性 Fergus et al. 2006],[兩個(gè)不同方向模糊圖像

2、 Rav-Acha et al. 2007],[圖像強(qiáng)度和梯度L0正則化 Pan et al. 2014],3,[ 加入編碼孔徑Levin et al. 2007],濾鏡面板全尺寸展示,濾鏡參數(shù)展示,參數(shù)窗口展示,主窗口展示,商業(yè)應(yīng)用,4,5,主要工作,單尺度基于距離限制的局部模糊檢測(cè)優(yōu)化算法自動(dòng)控制的模糊核估計(jì)算法局部模糊RL非盲反卷積算法,局部模糊檢測(cè)：（1）提出了單尺度的利用基于距離限制上下文的局

3、部模糊檢測(cè)優(yōu)化算法；（2）首先提取圖像塊重尾分布、峰度、功率譜、線(xiàn)性濾波等模糊特征，然后使用貝葉斯法學(xué)習(xí)模型，計(jì)算后驗(yàn)概率作為初步估計(jì)模糊響應(yīng)；（3）再利用單尺度的距離限制的上下文以減小計(jì)算量，從而構(gòu)造新的能量函數(shù)進(jìn)行全局優(yōu)化，通過(guò)最小化能量函數(shù)得到最終的模糊響應(yīng)。,模糊核估計(jì)：（1）提出了自動(dòng)控制的模糊核估計(jì)算法；（2）先將圖像及初始模糊核進(jìn)行多尺度縮放，從分辨率低尺度開(kāi)始，交替迭代的估計(jì)核及中間潛在圖像；（3）在每一次迭代

4、結(jié)束后，根據(jù)模糊核修正情況判斷是否停止迭代。,非盲反卷積：（1）提出了局部模糊RL非盲反卷積算法；（2）首先利用模糊/非模糊響應(yīng)函數(shù)及掩碼控制只有模糊區(qū)域中的像素對(duì)下一次迭代復(fù)原起效果；（3）計(jì)算相鄰兩次迭代復(fù)原圖像的差異變化程度判斷是否停止迭代；再利用模糊/非模糊二值掩碼合并模糊部分的復(fù)原結(jié)果和原圖中非模糊部分得到復(fù)原圖。,,6,退化與復(fù)原模型,退化的數(shù)學(xué)公式：,復(fù)原問(wèn)題難點(diǎn)—反向問(wèn)題，具有嚴(yán)重的病態(tài)性，高維解空間,退化與復(fù)原模

5、型,7,本文總體框架,8,局部模糊檢測(cè)—待解決問(wèn)題,待解決問(wèn)題：多尺度特征局部模糊檢測(cè)方法時(shí)間效率低。,局部模糊圖 初始模糊特征響應(yīng)結(jié)果 多尺度局部模糊檢測(cè)結(jié)果,9,多尺度特征局部模糊檢測(cè)方法,該方法使用三種不同的特征提取窗口獲取三個(gè)不同尺度的局部模糊特征，為了提高初始模糊響應(yīng)估計(jì)準(zhǔn)確率，建立三層圖模型，對(duì)初始模糊特征進(jìn)行全局優(yōu)化。構(gòu)造的能量函數(shù)：,數(shù)據(jù)保真項(xiàng)，防止在求解能量最小化過(guò)程中過(guò)大

6、的失真,同一尺度下各像素與其領(lǐng)域內(nèi)其他像素點(diǎn)模糊特征不同產(chǎn)生的懲罰,不同尺度間相關(guān)聯(lián)像素模糊特征不同產(chǎn)生的懲罰,,,,最終想要得到優(yōu)化后的局部模糊響應(yīng)，就是最小化能量函數(shù)E，使關(guān)聯(lián)的像素盡可能有一致的特征響應(yīng)，并保持總體特征結(jié)構(gòu)。優(yōu)化E的可用環(huán)路置信傳播算法。,10,模糊檢測(cè)優(yōu)化算法——解決方案,多尺度特征局部模糊檢測(cè)方法在對(duì)初始特征進(jìn)行優(yōu)化弊端在于：首先，對(duì)同一尺度內(nèi)像素點(diǎn)只考慮4-鄰域內(nèi)的信息作為其上下文，進(jìn)行平滑，偶然性比較大

7、，易造成誤差；再次，需要在多尺度下重復(fù)計(jì)算局部模糊特征，需要建立的鄰接關(guān)系復(fù)雜，計(jì)算量大，時(shí)間效率低。,--在窗口范圍內(nèi)選擇鄰接點(diǎn)。通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，直接使用以像素點(diǎn)為中心的c*c范圍內(nèi)所有點(diǎn)作為其鄰接點(diǎn)，鄰接點(diǎn)過(guò)多，優(yōu)化算法效率會(huì)下降，因此本文引入距離限制，利用距離像素點(diǎn)c步長(zhǎng)的近鄰信息作為該點(diǎn)上下文，如右圖，其中灰色為處理點(diǎn)，黑色點(diǎn)為灰色點(diǎn)的鄰接點(diǎn)，即灰色點(diǎn)的模糊響應(yīng)值需要考慮所有黑色點(diǎn)的信息。這樣不但可以通過(guò)尺寸的增加，使上

8、下文獲得較大的支撐域，更充分的考慮周?chē)男畔ⅲ瑴p小誤差，還可以減少計(jì)算量，提高時(shí)間效率。,11,改進(jìn)上文的能量函數(shù)：,模糊檢測(cè)優(yōu)化算法——結(jié)果比較,本文方法不同參數(shù)準(zhǔn)確率-召回率曲線(xiàn)對(duì)比 不同方法準(zhǔn)確率-召回率曲線(xiàn)對(duì)比,12,與現(xiàn)有的方法相比，當(dāng)參數(shù)選擇合適時(shí)，在召回率為[0,1]范圍內(nèi)本文的使用的方法都能夠獲得比較高精確度。,使用文獻(xiàn)[9]數(shù)據(jù)集中600張圖（其中包括296張部分運(yùn)動(dòng)模糊和304張散焦模

9、糊圖片，并且每張圖像都有經(jīng)過(guò)人工標(biāo)定模糊區(qū)域的標(biāo)記圖）進(jìn)行模糊檢測(cè),模糊檢測(cè)優(yōu)化算法——結(jié)果比較,13,給出了具體的三個(gè)例子，說(shuō)明本文提出的距離限制的局部模糊檢測(cè)優(yōu)化算法能獲得較明顯的優(yōu)化效果。,,,,對(duì)比文獻(xiàn)中方法,模糊檢測(cè)優(yōu)化算法——結(jié)果比較,14,本文選擇在單尺度下進(jìn)行特征優(yōu)化，不需要多次提取特征，當(dāng)參數(shù)選擇合適時(shí)時(shí)，時(shí)間效率也得到較大提升。,,,15,模糊檢測(cè)優(yōu)化算法——結(jié)論,對(duì)基于特征的局部模糊檢測(cè)算法的改進(jìn)：將鄰近像素點(diǎn)的模

10、糊響應(yīng)信息作為上下文更新像素點(diǎn)自身響應(yīng)信息，通過(guò)增加上下文支撐域的尺寸以更充分的考慮周?chē)畔?，使用單尺度的距離限制的上下文以減小計(jì)算量，從而構(gòu)造新的能量函數(shù)進(jìn)行全局優(yōu)化，通過(guò)最小化能量函數(shù)得到最終的模糊響應(yīng)。 實(shí)驗(yàn)結(jié)果表明該算法在檢測(cè)的優(yōu)化效果得到提升的同時(shí)提升了時(shí)間效率，提高了算法的性能。,局部模糊提取——步驟,最終二值掩碼,,,,,,,,模糊提取階段,,,,模糊區(qū)域提取的流程圖,文獻(xiàn)[9]的分割結(jié)果,文獻(xiàn)[9]的分割結(jié)

11、果,本文的分割結(jié)果,本文的分割結(jié)果,16,雖然此時(shí)的二值掩碼依然存在誤差，但其對(duì)模糊/非模糊區(qū)域的邊界處理較好，在模糊檢測(cè)有誤差的情況下，本文的方法能比較完整地提取出模糊區(qū)域。,,模糊核估計(jì)—待解決問(wèn)題,待解決問(wèn)題：基于圖像強(qiáng)度及梯度的L0正則化模糊核估計(jì)方法，當(dāng)處理的圖像很大時(shí)，時(shí)間效率十分低。,模糊圖像 復(fù)原圖像 模糊核,17,18,基于圖像

12、強(qiáng)度及梯度的L0正則化模糊核估計(jì)方法,基于圖像強(qiáng)度及梯度的L0正則化模糊核估計(jì)方法，首先根據(jù)模糊核大小構(gòu)建模糊核及模糊圖像多層分辨率圖像金字塔，通過(guò)L0正則化項(xiàng)將圖像強(qiáng)度和梯度及模糊核的先驗(yàn)知識(shí)引入模型中，在估計(jì)潛在清晰圖像時(shí)，能將許多微小的不利于復(fù)原的結(jié)構(gòu)去除，形成邊緣定位更準(zhǔn)確的潛在清晰圖像，構(gòu)造總的能量函數(shù)：,,約束噪聲的距離函數(shù)，假設(shè)公式退化復(fù)原模型中加性噪聲是符合均值為零的高斯，采用L2范數(shù)，對(duì)應(yīng)高斯似然，得到的圖像和觀(guān)察到的

13、模糊圖之間的差異,,圖像先驗(yàn)，通過(guò)研究文本圖像與相應(yīng)的模糊圖得出的關(guān)于像素強(qiáng)度與梯度L0正則化項(xiàng)（研究表明，該先驗(yàn)在自然圖像模糊核估計(jì)方面也表現(xiàn)良好，對(duì)低照度或含有飽和像素的模糊圖像同樣表現(xiàn)出良好的魯棒性）,,模糊核具有稀疏性，使用L2正則化進(jìn)行約束,將總的能量函數(shù)分為兩個(gè)獨(dú)立的子問(wèn)題：,交替迭代地求解潛在清晰圖像L和模糊核k，直至收斂。,基于圖像強(qiáng)度及梯度的L0正則化模糊核估計(jì)方法,合成模糊圖像的模糊核估計(jì)時(shí)間方面表現(xiàn)情況,19,雖然

14、上述模糊核估計(jì)的方法能夠得到比較好的結(jié)果，但當(dāng)對(duì)較大的圖像處理時(shí)，時(shí)間的效率十分低，如圖可知，隨著迭代處理圖像大小的增大，耗時(shí)也在增加且增加的速度越來(lái)越快。,基于圖像強(qiáng)度及梯度的L0正則化模糊核估計(jì)方法,估計(jì)的核與真實(shí)模糊核的PSNR值和SSIM,中間潛在圖像與真實(shí)清晰圖像的PSNR和SSIM值,20,隨著迭代不斷進(jìn)行，中間過(guò)程中估計(jì)的模糊核和中間潛在圖像越來(lái)越接近真實(shí)的模糊核和清晰圖像；且在同一個(gè)尺度中，隨著迭代的進(jìn)行，模糊核所得到的

15、修正或改善越來(lái)越??；隨著當(dāng)前處理圖像尺度不斷接近原始圖像尺度，模糊核所得到的修正或改善也越來(lái)越小。,21,L0正則化模糊核估計(jì)方法——解決方案,改進(jìn)：,模糊核及潛在圖像相似度可使用SSIM指標(biāo)，SSIM值越大，那么相鄰兩次迭代的結(jié)果越相似，表示估計(jì)的核修正程度越小。,22,L0正則化模糊核估計(jì)方法——結(jié)果比較,由于迭代過(guò)程的截?cái)嗍贡疚墓烙?jì)的模糊核在精度上確實(shí)有所缺失，但是其趨勢(shì)與原方法保持一致并且誤差較小。,估計(jì)的核與真實(shí)核PSNR值,

16、原方法,本文,估計(jì)的核與真實(shí)核SSIM值,L0正則化模糊核估計(jì)方法——結(jié)果比較,23,中間潛在圖像與真實(shí)清晰圖像的PSNR值,原方法,本文,中間潛在圖像與真實(shí)清晰圖像的SSIM值,同樣，由于迭代過(guò)程的截?cái)嗍贡疚墨@得的中間潛在清晰圖像在精度上確實(shí)有所缺失，但是其趨勢(shì)與原方法保持一致并且誤差較小。,L0正則化模糊核估計(jì)方法——結(jié)果比較,24,使用文獻(xiàn)[21]提供的7個(gè)模糊核及9張真實(shí)圖像（其中2張為飽和圖像）來(lái)合成模糊圖像，共合成63張實(shí)驗(yàn)

17、圖像作為數(shù)據(jù)集進(jìn)行模糊核估計(jì)的實(shí)驗(yàn),雖然本文所提出的改進(jìn)的方法會(huì)因?yàn)榻財(cái)嗟^(guò)程而造成估計(jì)精度的下降，但與現(xiàn)有的效果較好的方法相比，不管從結(jié)構(gòu)相似度或是峰值信噪比看，本文的方法都能得到比較優(yōu)秀的結(jié)果。,,原方法,L0正則化模糊核估計(jì)方法——結(jié)果比較,25,給出第3個(gè)模糊核和清晰文字圖片5合成的模糊圖像使用各方法估計(jì)的復(fù)原結(jié)果比較，可以看出，本文的方法沒(méi)有造成明顯的誤差。,,原方法,L0正則化模糊核估計(jì)方法——結(jié)果比較,(a)模糊圖像,(

18、d)文獻(xiàn)[38]結(jié)果及模糊核,(c)SD復(fù)原圖及估計(jì)的模糊核,(b)PS復(fù)原圖及估計(jì)的模糊核,(g)本文復(fù)原結(jié)果及模糊核,(f)文獻(xiàn)[21]結(jié)果及模糊核,26,給出自然場(chǎng)景、含飽和像素及紋理復(fù)雜的模糊圖像使用各方法估計(jì)的復(fù)原結(jié)果比較，可以看出，本文的方法沒(méi)有造成明顯的誤差，且具有較強(qiáng)的魯棒性和較廣的適用性。,合成的模糊圖像估計(jì)模糊核時(shí)間效率對(duì)比,L0正則化模糊核估計(jì)方法——結(jié)果比較,27,對(duì)于不同的圖片，使用本文算法所帶來(lái)時(shí)間上的改善不

19、同。本文算法在時(shí)間方面對(duì)原方法較明顯的改進(jìn)，尤其是當(dāng)模糊圖像較大時(shí)，由于算法耗費(fèi)的時(shí)間主要集中在最后幾層中，而模糊核的修正不明顯，根據(jù)本文算法符合條件停止迭代，能顯著減少算法耗費(fèi)時(shí)間。,28,L0正則化模糊核估計(jì)方法——結(jié)論,改進(jìn)的L0正則化模糊核估計(jì)方法，通過(guò)在迭代求解過(guò)程中加入結(jié)果相似度判斷來(lái)自動(dòng)控制算法何時(shí)停止，進(jìn)而將一些效率低的步驟刪除，從而提高時(shí)間效率。 實(shí)驗(yàn)表明，本文的改進(jìn)算法能有效地估計(jì)運(yùn)動(dòng)模糊核，在基本保持模

20、糊核準(zhǔn)確率及復(fù)原效果的情況下減少迭代次數(shù)，提高時(shí)間效率，通過(guò)犧牲一部分估計(jì)效果換取了其時(shí)間效率的提高。,29,非盲反卷積——三種情況,非盲反卷積就是使用已知或已計(jì)算得到的模糊核估計(jì)出振鈴少、噪聲少、細(xì)節(jié)豐富、質(zhì)量高的清晰圖像。 本文主要針對(duì)不含飽和像素、含飽和像素和局部模糊圖像這三種模糊圖像分別進(jìn)行討論：(1)不含飽和像素模糊圖像——拉普拉斯先驗(yàn)的非盲反卷積；,復(fù)原清晰圖像的表達(dá)式為：,,,約束噪聲的距離函數(shù)，分布采用L

21、2范數(shù)，對(duì)應(yīng)高斯似然,許多研究中表明，自然場(chǎng)景圖像梯度分布符合重尾分布的。構(gòu)造相應(yīng)的正則化項(xiàng)，對(duì)圖像梯度進(jìn)行懲罰。高斯似然和拉普拉斯先驗(yàn)表達(dá)簡(jiǎn)單并且有較強(qiáng)的抗噪能力和容錯(cuò)能力,30,非盲反卷積——三種情況,非盲反卷積就是使用已知或已計(jì)算得到的模糊核估計(jì)出振鈴少、噪聲少、細(xì)節(jié)豐富、質(zhì)量高的清晰圖像。 本文主要針對(duì)不含飽和像素、含飽和像素和局部模糊圖像這三種模糊圖像分別進(jìn)行討論：(1)不含飽和像素模糊圖像——拉普拉斯先驗(yàn)的非

22、盲反卷積；(2)含飽和像素模糊圖像反卷積——飽和RL反卷積算法；(3)局部模糊圖像——局部模糊RL非盲反卷積。,飽和RL反卷積,在飽和模糊圖像反卷積方面，使用正則化方法，由于飽和像素不符合上文給出的退化模型，通常會(huì)造成比較嚴(yán)重的振鈴，而飽和RL非盲反卷積算法，是迭代的方法，通過(guò)在每次迭代中利用非線(xiàn)性飽和響應(yīng)函數(shù)自動(dòng)地讓飽和像素不參與迭代即不進(jìn)行更新；并利用二值掩碼將圖像分為明亮區(qū)域和非明亮區(qū)域，非明亮區(qū)域內(nèi)的更新操作不允許明亮區(qū)域中

23、像素參與，從而防止誤差傳遞，最終達(dá)到減小飽和像素的影響的目的。,明亮區(qū)域S使用的迭代公式為： 非明亮區(qū)域U使用的迭代公式為：,,由U產(chǎn)生的二值掩碼，其作用是只允許U中的像素參與非明亮區(qū)域的更新迭代,,31,飽和響應(yīng)函數(shù)：非飽和像素部分：飽和像素部分：,原始的清晰圖像與當(dāng)前估計(jì)的清晰圖像的誤差比,,,,,迭代的更新比率,,32,局部模糊非盲反卷積—待解決問(wèn)題,待解決問(wèn)題：雖然標(biāo)準(zhǔn)RL算法在非模糊區(qū)域和模糊區(qū)域交界附近較

24、正則化方法能產(chǎn)生較更少的振鈴，但振鈴仍然明顯。,模糊圖 RL反卷積結(jié)果,拉普拉斯先驗(yàn)正則化方法反卷積結(jié)果,32,局部模糊RL算法——解決方案,根據(jù)標(biāo)準(zhǔn)RL反卷積算法，清晰圖像迭代的表達(dá)式為：標(biāo)準(zhǔn)RL反卷積算法沒(méi)有對(duì)模糊和非模糊區(qū)域分開(kāi)處理，非模糊區(qū)域的誤差容易傳入模糊區(qū)域。 本文提出局部模糊RL非盲反卷積

25、算法，將圖像分為模糊區(qū)域和非模糊區(qū)域分開(kāi)處理，結(jié)合模糊/非模糊響應(yīng)函數(shù)計(jì)算原始的清晰圖像與當(dāng)前估計(jì)的清晰圖像的誤差比，計(jì)算迭代更新速率，根據(jù)更新速率得到新的估計(jì)圖像。,復(fù)原的迭代公式為：,,模糊/非模糊響應(yīng)函數(shù)（逐點(diǎn)操作）：,33,局部模糊RL算法——解決方案,本文提出局部模糊RL非盲反卷積算法，將圖像分為模糊區(qū)域和非模糊區(qū)域分開(kāi)處理，結(jié)合模糊/非模糊響應(yīng)函數(shù)計(jì)算原始的清晰圖像與當(dāng)前估計(jì)的清晰圖像的誤差比，計(jì)算迭代更新速率，根據(jù)更新速率

26、得到新的估計(jì)圖像。,模糊區(qū)域BL使用的迭代公式為： 非模糊區(qū)域CL使用的迭代公式為：,34,,β是由BL產(chǎn)生的二值掩碼，其作用是只允許BL中的像素參與更新迭代,,原始的清晰圖像與當(dāng)前估計(jì)的清晰圖像的誤差比,,,,,迭代的更新比率,拉普拉斯先驗(yàn)的非盲反卷積——結(jié)果比較,各種反卷積結(jié)果PSNR平均值,各種反卷積結(jié)果SSIM平均值,35,使用文獻(xiàn)[21]提供的7個(gè)模糊核及7張不含飽和像素的圖像來(lái)合成模糊圖像，共合成49張實(shí)驗(yàn)圖像

27、作為數(shù)據(jù)集進(jìn)行非盲反卷積的實(shí)驗(yàn)，并使用同一的由本文提出的模糊核估計(jì)方法得到的模糊核,拉普拉斯先驗(yàn)的非盲反卷積算法不管從峰值信噪比和結(jié)構(gòu)相似度指標(biāo)看，總體上都有良好的表現(xiàn)。,拉普拉斯先驗(yàn)的非盲反卷積——結(jié)果比較,(a)合成的模糊圖像及真實(shí)模糊核,(b)中間潛在圖像及本文估計(jì)模糊核,(c)標(biāo)準(zhǔn)的RL反卷積,(d)維納濾波反卷積,(e)約束最小二乘濾波反卷積,(f)拉普拉斯先驗(yàn)的反卷積,36,相比起來(lái)，拉普拉斯先驗(yàn)的非盲反卷積結(jié)果能復(fù)原更多細(xì)

28、節(jié)和結(jié)構(gòu)，同時(shí)引入的噪聲較少。,飽和RL反卷積——結(jié)果比較,各種反卷積結(jié)果PSNR平均值,各種反卷積結(jié)果SSIM平均值,37,給出了各反卷積結(jié)果的PSNR和SSIM值，可以看出對(duì)于含飽和像素模糊像素來(lái)說(shuō)，飽和RL反卷積算法從PSNR指標(biāo)看，有比較明顯的優(yōu)勢(shì)。,使用文獻(xiàn)[21]提供的7個(gè)模糊核及2張夜間含飽和像素的圖像來(lái)合成模糊圖像，共合成14張實(shí)驗(yàn)圖像作為數(shù)據(jù)集進(jìn)行非盲反卷積的實(shí)驗(yàn)，并使用同一的由本文提出的模糊核估計(jì)方法得到的模糊核,飽

29、和RL反卷積——結(jié)果比較,(a)合成的模糊圖像及本文估計(jì)模糊核,(b)維納濾波反卷積,(c)約束最小二乘濾波反卷積,(d)拉普拉斯先驗(yàn)反卷積結(jié)果圖,(e)標(biāo)準(zhǔn)的RL反卷積,(f)飽和RL反卷積結(jié)果圖,38,維納濾波反卷積、約束最小二乘濾波反卷積以及拉普拉斯先驗(yàn)反卷積算法復(fù)原的飽和圖像也存在明顯的振鈴，都不能有效地對(duì)飽和模糊圖像進(jìn)行復(fù)原。而標(biāo)準(zhǔn)的RL算法飽和模糊圖像反卷積時(shí)有比較好的振鈴抑制作用。相較于標(biāo)準(zhǔn)的RL非盲反卷積算法，飽和RL非

30、盲反卷積算法所復(fù)原的圖像擁有更少的振鈴，復(fù)原質(zhì)量更高。,39,局部模糊RL非盲反卷積——結(jié)果比較,(a)模糊圖像,(b)文獻(xiàn)[21]的復(fù)原結(jié)果,(c)使用拉普拉斯先驗(yàn)反卷積的復(fù)原結(jié)果,(d)標(biāo)準(zhǔn)RL反卷積的復(fù)原結(jié)果,(e)本文局部圖像RL非盲反卷積（不控制誤差傳播）的復(fù)原結(jié)果,(f)本文局部圖像RL非盲反卷積的復(fù)原結(jié)果,綜合觀(guān)察各圖可知，本文提出的局部模糊RL非盲反卷積算法能在復(fù)原局部模糊的情況下，能盡量地減少估計(jì)的模糊/非模糊邊界處的

31、振鈴效應(yīng)。,非盲反卷積——結(jié)論,在處理不含飽和像素模糊圖像時(shí)，本文采用高斯似然和拉普拉斯先驗(yàn)，實(shí)驗(yàn)表明，拉普拉斯先驗(yàn)的非盲反卷積算法能在較短的時(shí)間內(nèi)利用估計(jì)出的模糊核復(fù)原模糊圖像，時(shí)間效率高且復(fù)原質(zhì)量高。 在對(duì)含飽和像素模糊圖像反卷積時(shí)，本文采用飽和RL反卷積算法，實(shí)驗(yàn)表明，飽和RL非盲反卷積算法能減小飽和像素的影響，有效地抑制振鈴。 在處理局部模糊圖像時(shí)，本文提出局部模糊RL非盲反卷積算法，利用模糊檢測(cè)提取

32、獲得的二值掩碼構(gòu)造模糊/非模糊響應(yīng)函數(shù)，并利用該二值掩碼防止非模糊區(qū)域的誤差傳播至模糊區(qū)域，實(shí)驗(yàn)表明，本文提出的局部模糊RL反卷積算法復(fù)原的局部模糊圖像振鈴程度低。,40,41,本文結(jié)論,(1)通過(guò)研究多尺度特征局部模糊檢測(cè)算法，提出單尺度的基于距離限制上下文的局部模糊檢測(cè)優(yōu)化算法。實(shí)驗(yàn)表明，本文算法能有效檢測(cè)圖像的局部模糊，在檢測(cè)的優(yōu)化效果得到提升的同時(shí)提升了時(shí)間效率。在模糊檢測(cè)方面，實(shí)驗(yàn)表明，在模糊檢測(cè)有誤差的情況下，本文的方法能將

33、模糊的區(qū)域大部分提取出來(lái)。 (2)改進(jìn)的L0正則化模糊核估計(jì)方法，通過(guò)在迭代求解過(guò)程中加入結(jié)果相似度判斷來(lái)自動(dòng)控制算法何時(shí)停止，進(jìn)而將一些效率低的步驟刪除，從而提高時(shí)間效率。實(shí)驗(yàn)表明，本文的改進(jìn)算法能有效地估計(jì)運(yùn)動(dòng)模糊核，在基本保持模糊核準(zhǔn)確率及復(fù)原效果的情況下，減少迭代次數(shù)，提高時(shí)間效率。 (3)在非盲反卷積階段，本文分別針對(duì)非飽和、飽和以及局部模糊圖像的復(fù)原進(jìn)行了討論分析。在處理局部模糊圖像時(shí)，本文提出局部模糊RL非

34、盲反卷積算法，利用模糊檢測(cè)提取獲得的二值掩碼構(gòu)造模糊/非模糊響應(yīng)函數(shù)，并利用該二值掩碼防止非模糊區(qū)域的誤差傳播至模糊區(qū)域，實(shí)驗(yàn)表明，本文提出的局部模糊RL反卷積算法復(fù)原的局部模糊圖像振鈴程度會(huì)有比較明顯的下降。,42,改進(jìn)與展望,(1)在模糊檢測(cè)階段，當(dāng)模糊區(qū)域紋理豐富而清晰區(qū)域較平坦時(shí)，檢測(cè)常常失靈，雖然本文中有對(duì)其進(jìn)行優(yōu)化，但進(jìn)一步從語(yǔ)義級(jí)別進(jìn)行模糊檢測(cè)，提高檢測(cè)效率，將是未來(lái)的方向。(2)復(fù)雜運(yùn)動(dòng)模糊核大小確定，在之前的文章中