运动模糊图像点扩散函数（PSF）的精确估算是模糊图像复原的关键。为了提高PSF参数估计的准确性，消除频谱图中央亮线对模糊角度估计的干扰，提出一种运用窗函数来提高PSF参数估计精度的方法。对运动模糊图像进行二维离散傅里叶变换和对数运算，计算图像的功率频谱图，对频谱图像添加窗函数Hanning，对处理后的图像进行中值滤波平滑处理和二值变换处理，再结合形态学算法和Canny算子边缘检测对频谱图进行优化，最后通过Radon变换，得到模糊方向。根据模糊方向结果，在模糊角度方向上对运动模糊图像的频谱图进行Radon变换，分析负峰值之间的距离，得到暗条纹间距，根据暗条纹间距与模糊长度之间的关系，求出模糊长度，从而完成两个点扩散函数参数的估算。结果显示，与现有算法相比，所提算法提高了参数估计的精度，复原时产生的振铃和伪影现象减少，充分利用图像信息的同时操作简便。

图像质量评价方法是为了符合主观视觉图像质量评分结果, 设计出的客观计算方法。在本研究中, 提出了一种基于CIELAB颜色空间局部色貌指标(clarity)的无参考彩色模糊图像评价(NR-IQA)方法。在所提方法中, 结合最大局部clarity和变异局部clarity评价图像模糊等级。最大局部clarity表征提取模糊图像最锐度信息, 即局部模糊特征; 变异局部clarity表示图像内部色貌整体变化情况, 即全局模糊特征。为了验证该方法的性能, 使用五个常用图像质量数据库中的失真图像进行对比测试, 从预测精度、计算复杂度和泛化性进行分析。结果表明, SROCC和PLCC加权平均值分别是0.9345和0.9379, SROCC和PLCC直接平均值分别是0.9331和0.9357, 综合性能优于其他典型和最新提出的NR-IQA方法。研究结果表明, 所提方法是有效的、可行的, 是一个综合性能优异的NR-IQA方法。

现有图像增强方法在处理模糊且分辨率较低的图像时, 因图像的细节缺乏真实性并且存在伪影现象, 会导致增强效果较差。为了解决这一问题, 采用一种基于深度密集残差生成对抗网络(DDR GAN)的低分辨率模糊图像增强算法, 实现了低质量图像的有效增强。首先构建端到端的生成对抗网络框架; 然后设计深度密集残差隐特征编码架构, 提升对输入图像的深层语义特征表示, 增强图像生成效能; 最后重构损失函数, 添加感知损失以指导模型学习生成图像的真实性。结果表明, 相比于目前最先进的增强型超分辨率GAN法(ESR GAN)和第2版去模糊GAN法(DeBlur GAN-V2), DDR GAN生成的图像在视觉效果上更佳, 具有更高的清晰度和更丰富的图像细节; 在客观评价指标方面, DDR GAN相较于ESR GAN和DeBlur GAN-V2, 峰值信噪比分别提高1.7072 dB和1.1683 dB, 结构相似度分别提高0.0783和0.0713。该算法对低分辨率模糊图像的复原增强是有帮助的。

双通道对比度先验（Dual-CP）是基于图像的亮通道和暗通道之间的差异来模拟对比度，故其在模糊图像盲复原中表现出良好的复原效果。但是，实际应用中图像亮通道和暗通道的值并不像理论研究的那样明显地分布在1和0上，为解决这一问题，提出一个联合双通道对比度先验和L₀正则化强度及梯度先验的模糊图像盲复原算法。其中，由于非凸的L₀极小化问题求解比较困难，利用半二次分裂法推导出一种有效优化算法。实验表明，所提算法在直观效果上有更明显的细节恢复能力，且在Levin等人、Köhler等人和Lai等人提出的基准数据集上平均峰值信噪比分别提高了2.1051 dB、1.1273 dB和0.4491 dB，平均结构相似性分别提高了0.1302、0.0599和0.0158。

针对目前石化危险品装车过程中海量监控视频图像人为处理效率低下、模糊图像识别率低等问题, 提出一种基于生成式对抗网络(GAN)和卷积神经网络(CNN)与极限学习机(ELM)相结合的监控模糊图像智能修复及检测方法。首先, 使用深度学习网络作为目标检测框架, 利用GAN网络中生成器与判别器间的零和博弈对模糊图像进行复原, 得到清晰完整的作业图像; 其次, 利用CNN自适应学习图像特征的能力, 对修复后的图像进行自主特征提取; 最后, 将提取的图像特征输入ELM分类器中进行目标识别与分类, 判断作业过程是否存在违规行为。试验结果表明: 所提方法图像修复速度快, 视觉效果自然, 且目标识别准确率高, 具有很好的泛化能力。

近年来有大量关于无参考模糊图像质量评价的研究,但是目前很多方法都忽略了图像内容对评价结果的影响。针对纯背景的无显著性目标图像和含背景的显著性目标图像的模糊评价方式是不同的,基于人眼注意力机制,前者侧重于图像的整体模糊,而后者更侧重于图像的局部细节模糊。整体模糊指的是图像整体内容的锐度信息,局部细节模糊指的是图像不同位置的局部锐度信息,二者可以将视觉显著性和图像内容更好地结合起来。针对上述问题,提出了一种基于显著性目标分类的无参考模糊图像质量评价方法。首先提出了一种基于显著性检测的目标分类算法,对待评价图像进行显著性目标分类,然后根据分类结果提取其局部模糊特征和全局模糊特征,最后对这两个特征进行融合得到最终的质量评估分数。实验结果表明,该算法不仅在BLUR数据库上取得最优的评价效果,同时在LIVE、CSIQ和TID2013数据库上也有较好的结果,具有很好的鲁棒性。此外,本文算法在各数据库中也表现出了优异的统计性能。

为解决距离选通式激光成像中由于图像模糊而导致目标识别率偏低的难题,提出一种保留特征的卷积神经网络(KFCNN)模型,用于激光选通图像中的目标识别。与传统的卷积神经网络不同,KFCNN使用一个特征保留层来提高模糊目标的识别率,提高目标识别的稳健性。为实现特征保留,KFCNN通过增加特征保留约束项及正则化来优化特征保留目标函数并进行训练,通过减小特征保留目标函数值来保证训练样本在模糊之前和之后的特征映射相一致。实验结果表明,KFCNN改善了因模糊造成识别率降低的问题,进而提升了距离选通式激光成像中对指定目标的识别率。

图像盲复原是从一幅观测的模糊图像恢复出模糊核和清晰图像, 传统盲去卷积算法采用简化模型估计模糊核, 导致预测模糊核与真实值误差较大, 最终复原结果不理想。针对此问题提出一种基于改进残差模块的多尺度卷积神经网络模型, 采用端到端模式, 无需估计模糊核。提出了一种基于限制网络输入的改进Wasserstein GAN (WGAN), 增加了一层输入限制层, 能够限定参数初始值, 提高了网络收敛速度。设计了多重损失函数, 融合了基于多尺度网络的感知损失和基于条件式生成对抗网络的对抗损失。实验结果表明: 所提方法在定量和定性评价指标上优于已有的代表性方法, 并且运行速度比相近算法快了4倍。

运动模糊图像的盲复原一直以来都是一个极具挑战的问题。为了能够准确地估计出运动模糊核（Motion Blur Kernel：MBK），进而得到高质量的复原图像，提出了一种基于正则化技术的多约束运动模糊图像盲复原方法。首先，为了能够准确地提取出图像中的大尺度边缘，提出了一种基于梯度选择的稀疏图像平滑方法；然后，在MBK 的估计阶段，根据运动模糊核的内在特性，提出了一种多约束的正则化模型，同时结合提取的大尺度图像边缘，实现了对MBK 的准确估计；最后，采用了半二次性的变量分裂策略对在模糊核估计阶段所提出的多约束正则化模型进行最优化求解，能够在准确估计MBK 的同时得到高质量的复原图像。分别在人造的模糊图像和真实的模糊图像上进行了大量的实验，实验结果表明：提出的方法较近几年的一些代表性的较为成功的运动模糊图像盲复原方法相比，在主观的视觉效果和客观评价指标两方面都具有明显的改进。