针对一阶总变分盲复原块效应严重的问题, 提出了一种自适应阈值的超变分正则化图像盲复原方法来恢复点扩散函数未知的退化图像。对总变分形式进行了分析, 提出了超变分正则项, 并给出了代价函数的数学模型。用估计的图像噪声确定模型中阈值的大小, 然后引进3个辅助变量等价转化代价函数, 以便简化后续计算并提高复原效果。最后, 利用半二次规整化对模型迭代求解。实验结果表明, 复原后图像细节增加且块效应减少, 相对于目前已有的方法, 信噪比提高了近1 dB。恢复效果表明该方法具有较大的实用价值。

介绍了超分辨率重建的基本原理与数学模型，对现有的图像超分辨率重建算法进行了总结。将当前的超分辨率算法分为基于重建约束的方法和基于学习的方法两大类，分别阐述了超分辨率重建技术的经典方法，最后指出了低质量图像超分辨率技术进一步的研究方向。

采用三次相位板进行景深延拓的波前编码系统得到非对称的点扩展函数。为了获得最终清晰的彩色图像，研究了一种基于广义极小残差法(GMRES)的迭代算法，结合Tikhonov规整化方法，并利用多通道处理过程对中间图像进行去卷积恢复。为了消除恢复图像边界的振铃效应，推导了新的光学成像过程数学模型，该模型采用反镜像边界条件并利用直积近似对卷积核进行处理。模拟数据的分析表明，采用多通道处理过程对彩色图片进行恢复时，新的算法在给出精确的反卷积结果的同时能有效地抑制噪声的放大;实验结果显示，较之经典的维纳滤波恢复结果，新算法能够更好的消除边界的振铃和图像边缘的振动波纹。

采用定点迭代进行变分图像恢复并在这个计算框架下提出利用噪声方差选择规整化参数的方法。假定已知观测图像中初始噪声统计特性。为了在反卷积过程中正确地估计噪声的方差，构造一幅纯噪声图像跟实际的观测图像同步进行反卷积计算，并把纯噪声图像的方差作为观测图像中噪声方差的估计值来辅助计算规整化参数。针对规整化的各项异性，提出了能够保持两种噪声同步变化的特殊的规整化项。在能够准确知道迭代过程中图像包含噪声的方差的时候，建立了规整化参数λ与图像噪声方差之间的关系式。实验证明新的算法不但更好地抑制了噪声而且避免了过平滑，明显提高了基于定点迭代法计算变分图像恢复的适应性。

To overcome the shortcomings of traditional image restoration model and total variation image restoration model, we propose a novel Hopfield neural network-based image restoration algorithm with adaptive mixed-norm regularization. The new error function of image restoration combines the L2-norm and L1-norm regularization types. A method of calculating the adaptive scale control parameter is introduced. Experimental results demonstrate that the proposed algorithm is better than other algorithms with single norm regularization in the improvement of signal-to-noise ratio (ISNR) and vision effect.

低信噪比小目标检测能力决定着系统的探测灵敏度和作用距离,是反映红外低可观测目标识别能力至关重要的一项核心技术.自适应杂波背景抑制技术是实现这一目标的有效途径.本文将杂波背景抑制滤波归纳为逆问题求解的优化问题;建立了新的红外弱小目标/背景模型,在此基础上发展了一种基于规整化技术的滤波框架;并提出了"去杂波-保目标"规整化的自适应各向异性滤波新算法.详细的理论分析和试验结果表明:该算法能在单步处理中消除杂波背景、同时增强弱小目标信号,运算量小;对低信噪比的强杂波背景表现出良好的滤波性能和适应能力,且结构简单、利于硬件实时实现.

直接波前解卷积可以有效地克服大气湍流对天文观测的影响,但解卷积问题具有病态特性,必须进行规整化.基于奇异值分解的规整化方法在处理图像边缘等高频部分不够理想;而WVD方法仅适用某些解卷积问题.在提出一种基于小波包变换的新规整化方法的基础上,将此方法应用于室内模拟点源实验中,并与基于奇异值分解规整化的维纳逆滤波进行了对比,实验结果表明:该规整化方法可以有效地解决解卷积问题的病态特性,应用该规整化方法所恢复的图像质量明显提高.

通过合理建立针对红外图像的气动光学效应退化模型,根据极大似然估计准则设计复原算法,同时针对随机变化的点扩展函数和噪声对目标图像尤其是图像中细节恢复的影响,对单一规整化方法进行了扩展,采用双重规整化策略,将规整化分为两个各有侧重点的层次来处理.在微机上进行了一些复原实验,并给出对比结果,证实了该算法的有效性.

介绍了一种波前解卷积中噪声抑制规整化的新方法,并将此方法应用于室内模拟点源实验中.该方法通过在图像复原算法中增加针对图像高频部分的限制条件来抑制高频噪声,以达到对图像复原问题病态特性的规整化.实验结果表明:该规整化方法可以有效地抑制解卷积过程中高频噪声的影响,恢复出达到理论衍射极限分辨率的图像.对于噪声水平较高的降质图像,通过这种解卷积方法可以有效地提高信噪比.同维纳逆滤波方法相比,该方法可以在有效抑制导致病态的高频噪声的基础上充分保持图像的低频;与基于贝叶斯估计的近视解卷积算法相比,该方法不需要知道噪声水平或噪声类型等先验知识,只是从噪声本质出发,通过抑制降质图像高频部分,有效地解决了病态特性问题.

针对大气湍流退化图像复原问题,提出了一种基于各向异性和非线性规整化的总变分盲复原新算法,该算法主要结合图像和湍流点扩展函数的一些性质采用基于各向异性的空间自适应规整化处理,建立了具有非线性和空间各向异性的规整化函数,使其在恢复目标图像和估计点扩展函数时能自适应地进行梯度平滑.最后,通过交替最小化方案来极小化代价函数和通过定点迭代策略将非线性方程进行线性化处理,快速地估计点扩展函数和恢复图像.在微机上对数字模拟和实际退化图像进行了一系列恢复实验,验证了算法的有效性和稳健性.