针对水下图像存在的雾化、模糊和颜色失真问题，提出一种基于全变分和颜色平衡的水下图像复原方法。以完整水下光学成像模型为基础，分别结合四叉树细分法与光在水中传播特性估计背景光，利用水下中值暗通道先验估计透射率，并采用共轭梯度和迭代最小二乘法估计模糊核。为提高计算效率，引入交替方向乘子法对变分能量方程进行逆求解得到去雾、去模糊的图像。在此基础上，在YCbCr空间采用颜色平衡算法对颜色通道进行补偿以校正色彩失真。与6种流行的水下图像增强和复原方法进行比较，实验结果表明，所提方法可以有效地去除雾化和模糊、校正色偏、恢复出清晰、色彩真实的水下图像。

依据完整的水下光学成像模型,提出一种新的基于红通道稀疏先验的变分盲复原方法。为了能同时克服水下场景中因水体流动及悬浮颗粒对光的散射和吸收作用而引起的雾化、对比度低、色彩失真及模糊等退化问题,变分能量方程中引入不同功能的规则项。首先,根据水下光学成像模型的直接分量和后向散射分量得到拟恢复图像,将其作为图像色彩恢复的导向图;然后基于前向散射分量建立变分能量方程的数据保真项,利用水下图像红通道稀疏性先验引入L0范数并作为去模糊规则项。为了提高多规则项、多变量变分模型的运算效率,利用交替方向乘子法对其进行迭代求解。实验结果表明,本文方法不仅在去雾、提升对比度、恢复色彩方面效果出色,并能有效去除图像模糊,改善清晰度。

由于水体及水中的悬浮粒子对光的吸收和散射作用,水下观测到的图像呈现出模糊、对比度低、噪声严重等问题,加大了水下图像分析与理解的难度。为了克服这些缺陷,以水下光学成像模型为基础,提出了一种基于拉普拉斯算子先验项的,可同时去雾、去噪的快速变分复原方法。首先,根据水下光学成像模型设计变分模型的数据项和规则项,对拟恢复图像采用拉普拉斯算子先验项作为变分能量方程的规则项。然后,采用改进后的红通道先验估计得到全局背景光,结合红通道先验估计得到每个通道的透射率图。为进一步提高计算效率,引入交替方向乘子法(ADMM)对所提出的模型进行交替优化迭代求解。实验结果表明,该算法能有效地去除水雾,抑制水下图像的噪声,提高图像的对比度和清晰度。

针对基于卷积神经网络的超分辨技术在纹理恢复时存在信息丢失、边缘模糊的现象,将密集块和激励模块结合,对图像进行低分辨率到高分辨率的端对端处理。密集连接融合后组成的密集块结构使图像区域的上下文信息得到有效利用。激励模块将有价值的全局信息选择性放大并将无用特征加以抑制。图像重建部分中的多个1×1卷积层结构减小了前一层的尺寸,在加速计算的同时减少了信息丢失。直接处理的原始图像缩短了训练时间,卷积层和滤波器的优化显著降低了计算复杂度。

图像的模糊会给图像内容的识别和分析带来极大的不便。为了克服这个难题，提出一种高效的去模糊算法。为了提高其效率，采用基于变分方法的盲复原模型为彩色图像去模糊，其使用非线性扩散方程作为变分能量方程中的规则项，此外，在处理图像的过程中将单通道扩展成多通道，在最后的图像复原阶段还引入了分裂Bregman方法。基于非线性扩散项算法的去模糊效果相比于其他算法有更好的平滑滤波和保留图像边缘信息的能力、更快的计算速度和更高的复原图像质量，并通过实验验证了该方法的有效性。本文算法提高了图像复原的效率，获得了更好的视觉评价和客观评价结果。

基于变分方法提出了一种运动模糊退化图像的盲复原算法。考虑自然场景的图像梯度符合长拖尾概率分布, 提出的方法采用归一化的超拉普拉斯先验项作为变分能量方程中的光滑项, 从而有利于图像在去模糊的求解过程中正确解收敛。由于建立的能量方程不是严格凸的函数, 故引入了分裂方法进行求解。整个运动模糊退化图像的盲复原过程在多尺度框架下由粗到细尺度渐进执行。最后利用估计出的点扩展函数计算清晰图像。相对于传统的盲复原算法, 本文提出的算法不需要预测图像的梯度信息和对梯度进行筛选, 直接求解能量方程就能够得到相应的正确解。得到的结果验证了本文算法的有效性。