由于大部分超分辨率图像重建方法都是建立在图像的点扩散函数为已知或假设点扩散函数为高斯模糊核的条件下, 但真实的低分辨率图像中的点扩散函数并不是高斯函数, 而是由随机的相机抖动造成的。为了提高重建的超分辨率图像质量并使其更接近真实场景, 提出了一种基于L0范数稀疏表达的图像盲超分辨率重建方法。首先利用了基于L0范数的梯度最小化方法估计出超分辨率图像中的点扩散函数, 再通过点扩散函数的估计在超分辨率重建的过程中有效地去除图片的模糊效应, 最后利用反向传播算法, 使重建的超分辨率图像更接近真实。通过实验结果表明, 提出的方法相对于双三次插值法和基于多字典学习的图像超分辨率重建算法可以得到更清晰的重建效果, 峰值信噪比和平均结构相似度均有提高, 最后在真实图片重建测试效果中也得到了更好的验证。

针对现有图像盲复原迭代算法多存在耗时较长和难以保证收敛性等问题, 提出一种改进的快速算法.首先根据指数律重建原始图像的频谱, 然后利用原始图像和降质图像的频谱关系, 采用多方向综合估计方法得到点扩散函数.多方向综合估计方法可降低估计误差, 增加算法的稳定性.最后利用得到的点扩散函数和维纳滤波法进行图像重建.与现有算法的对比实验结果表明, 针对适合大量成像系统的G类点扩散函数, 本算法可以得到更准确的点扩散函数估计, 且降低了振铃效应的影响, 取得更好的图像复原效果.

分析了Benvenuto等针对天文图像恢复提出的基于极大似然(ML)代价函数的有效逼近模型, 由此提出了一种比传统ML收敛更快的图像恢复算法。该算法在未知点扩散函数(PSF)条件下, 通过观测模糊图像, 自适应估计湍流PSF, 使PSF估计更符合成像环境; 然后, 将该算法与混合高斯泊松噪声的ML算法相结合, 形成增强ML迭代算法。在迭代过程中动态更新PSF, 交替执行恢复图像、去除噪声等策略。结果显示：对于点源目标图像, 本文算法恢复图像的质量在峰值信噪比、均方误差以及平均对比度3个指标上分别提高了96.64%, 69.26%和25.6%; 对于真实湍流退化图像, 恢复质量也有一定改善。结论表明：该方法可以使迭代过程收敛更稳定, 图像恢复质量得到明显提高, 非常适用于天文观测图像的高清晰恢复与重建。

在高斯类点扩函数退化图像复原的研究中，提出了一种基于降晰图像频谱特征改进的APEX 图像复原算法。该算法采用APEX 算法的基本原理，根据图像频谱信息特征，对点扩散函数(PSF)估计过程进行了改进，采用加权最小二乘算法拟合出降晰图像频谱主方向，采用图像频谱主方向上的数据进行PSF 估计，以利用更多的有效数据，从而减少PSF 的估计误差。针对模拟和实际采集的降晰图像进行实验，采用主观视觉和峰值信噪比进行评价。实验结果表明，改进的算法较使用非主频谱方向上的频谱数据的复原算法在复原效果上有一定的提高。

强背景下空中运动目标主要表现为边缘残缺、模糊,甚至出现闪烁、间断等复杂成像特性,这成为制约目标探测和成像跟踪的瓶颈问题.结合跟踪过程反馈信息来确定目标点扩展函数,利用一种新的Ben-Ezra图像复原模型,解决了目标运动模糊的图像复原问题;采用基于特征伴随值的相似性判断方法,构造联结机制的联想网络模型,来解决目标闪烁和残缺特征的联想问题.对提出的方法进行了图像序列的仿真,取得了较好的实验结果.