数字图像复原技术中运动模糊图像相关问题研究
(完整word版)运动模糊图像复原开题报告
数字图像处理大作业 - 运动模糊图像复原开题报告小组成员：张博文、范桂峰、笪腾飞一、研究意义相机对物体成像时 ,由于平台的颤振,在曝光时间内成像器件与物体之间往往存在着相对运动 ,在像面上产生像移 ,因此拍出来的图像是被运动模糊后的图像。
这种图像质量较差 ,对比度和分辨率均降低 ,需要进行恢复。
二、研究现状如果这种相对运动属于平动,则可以把模糊过程看作一个线性位移不变的系统。
因此 ,如果知道了系统的冲激响应 ,在这里是点扩展函数 ( PSF) ,就可以用来恢复图像。
但是 ,模糊过程的点扩展函数往往是不知道的,因此图像恢复的关键就变成了如何推导点扩展函数。
如 Marius Tico 从图像序列入手 ,通过一帧快速曝光未被运动模糊,但却因曝光不足而信噪比很低的图像,以及一帧曝光充足但被运动模糊了的图像来计算点扩展函数,然后恢复。
但更多的研究还是集中在如何从单帧被模糊了的图像中找出点扩展函数,主要有2类 ,一类从空域直接入手,利用差分、相关等等各种方法计算,另一种则是通过图像变换后的频谱域中的零值点来计算,这些方法往往只能计算特殊运动形式的点扩展函数 ,主要是匀速直线运动,而且受噪声影响精度比较低。
相机的振动通常比较复杂 ,这些方法的适用性受到限制,因此 ,需要找到一种能够不受运动形式和运动方向限制的计算模糊过程点扩展函数的方法。
一种方法是利用了利用经阈值化处理的Radon 变换估计模糊方法，通过微分自相关法估计模糊长度，最后应用带最优窗的维纳滤波进行图像复原，该算法能够较为精确地估算出运动模糊图像的模糊参数并取得了较好的恢复效果，提升了图像恢复的抗噪性能，具有实际参考价值。
这是属于第一种空域处理方法。
另一种方法是运动模糊图像经傅立叶变换后在频域有频谱零点进行参数估计，通过霍夫变换初步求得运动模糊图像的点扩展函数，当估计出运动模糊图像的点扩展函数的参数后，用神经网络方法进行恢复。
这种恢复模型可以对任意角度的匀速运动模糊图像的恢复取得恢复效果。
运动模糊图像恢复算法研究背景意义及现状
运动模糊图像恢复算法研究背景意义及现状1研究背景及意义 (1)2国内外的研究现状分析 (2)2.1图像恢复算法的情况 (2)2.2运动模糊图像恢复算法的情况 (2)2.3小波去噪算法的发展情况 (3)1研究背景及意义视觉与听觉是人类获取信息的主要途径。
据统计，大约75%以上的信息是通过人的视觉捕获，而图像正是人类获取视觉信息的主要媒介。
图像是各种观测系统通过不同形式和各种手段观测客观世界而获得的，并且可以直接或间接作用于人眼并进而产生视知觉的实体。
现在由于数字化技术的飞速发展，我们越来越多地接触到的图像是数字图像。
目前人们研究的数字图像，主要应用的是计算机图像技术。
所谓数字图像是先由图像数字化器，如数码摄像机或扫描仪等对模拟图像按照一定的规则进行扫描、采样、量化，然后按照一定的编码规则进行编码后再存储在存储器中。
在图像的形成、传输、存贮、记录和显示过程中不可避免地存在程度不同的变质和失真。
由于数字图像形成过程的每一环节都可能造成图像质量退化，因此，要想得到高质量的数字图像，很多情况下，都需要对图像进行复原，以达到适应人视觉系统的生理、心理性质从而以便观赏、识别或者其他应用的需要。
因此现如今图像复原是数字图像处理中的一个重要课题。
它的主要目的是改善给定的图像质量并尽可能恢复原图像。
图像在形成、传输和记录过程中，受多种因素的影响，图像的质量都会有不同程度的下降，典型的表现有图像模糊、失真、有噪声等，这一质量下降的过程称为图像的退化。
为了更好的观察事物，采集到的图像需要根据相应的退化模型的相关知识重建或恢复出原始图像，这种重建或恢复的过程通常称之为图像复原。
图像复原的目的就是尽可能恢复被退化图像的本来面目。
聚焦不准造成的散焦模糊，太阳辐射、大气湍流造成的遥感照片的高斯模糊，以及在图像系统中始终存在的噪声干扰等因素都有可能造成图像退化。
除此之外，在拍摄期间，如果相机与景物之间存在足够大的相对运动同样会造成所拍摄图像的模糊，这种模糊一般称之为运动模糊。
运动模糊图像PSF参数估计与图像复原研究
㊀ｄｏｉ:１０.３７７２/ｊ.ｉｓｓｎ.１００２￣０４７０.２０１９.０４.００４运动模糊图像ＰＳＦ参数估计与图像复原研究①廖秋香②㊀卢在盛㊀彭金虎(梧州学院广西高校图像处理与智能信息系统实验室㊀梧州５４３００２)摘㊀要㊀运动模糊图像复原对于改善图像质量有重要的理论意义和现实意义ꎮ在研究运动模糊图像复原中ꎬ对点扩散函数(ＰＳＦ)的估计是关键点也是难点ꎮ本文利用Ｒａｄｏｎ变换原理来求解点扩散函数ＰＳＦ中的运动模糊方向ꎬ并提出了消除十字亮线引起的干扰的新方法ꎮ利用运动模糊图像频谱上的中心暗条纹间距来计算运动模糊尺度ꎮ基于估计的ＰＳＦ参数采用维纳滤波算法来恢复运动模糊图像ꎮ实验结果表明ꎬ运动模糊参数估计精确ꎬ运动模糊方向控制在１ʎ以下ꎬ运动模糊尺度控制在１个像素以内ꎮ同时采用维纳滤波算法来恢复运动模糊图像ꎬ效果优异ꎬ可获得细节清晰的图像ꎮ关键词㊀点扩散函数(ＰＳＦ)ꎬ模糊方向ꎬ模糊尺度ꎬＲａｄｏｎ变换ꎬ维纳滤波０㊀引言采集图像时ꎬ如果采集设备和目标在曝光瞬间产生相对运动将导致图像降质ꎬ从而造成的图像模糊称为运动模糊[１]ꎮ在不同的图像应用领域ꎬ比如天文㊁军事㊁医学㊁工业控制㊁道路监控以及刑侦等方面ꎬ清晰的图像是采集图像信息进行各种分析的重要前提ꎮ因此ꎬ运动模糊图像的复原研究成为很多学者研究的一个热点课题ꎮ在研究运动模糊图像复原中ꎬ对点扩散函数(ｐｏｉｎｔｓｐｒｅａｄｆｕｎｃｔｉｏｎꎬＰＳＦ)的估计是关键点也是难点[２]ꎮ国内很多学者在点扩散函数(ＰＳＦ)的精确估计方面做了很多的研究ꎮ文献[３]利用Ｒａｄｏｎ变换和Ｓｏｂｅｌ算子对模糊图像进行一阶微分计算ꎬ所求模糊方向绝对误差控制在２ʎꎬ但该算法对于低信噪比图像的估计不理想ꎮ文献[４]提出了在改进的倒频域中使用位平面分解提取算法结合Ｒａｄｏｎ变换ꎬ提取出了含模糊方向信息的清晰中央细线条纹ꎮ但是该算法在估计小尺度模糊中出现了一些波动ꎬ其效果不是很稳定ꎮ文献[５]利用全局均值标准差法对频谱图进行阈值分割来估计模糊尺度ꎬ但在阈值的选取上比较复杂ꎮ本文从频谱分析角度出发ꎬ利用Ｒａｄｏｎ变换原理来求解点扩散函数中的运动模糊方向ꎬ并消除了频谱图中的十字亮线出现导致的干扰ꎮ同时利用图像频谱上的中心暗条纹间距来求解运动模糊尺度ꎮ基于估计的ＰＳＦ参数构建点扩散函数ꎬ利用维纳滤波算法来对运动模糊图像复原ꎮ实验结果表明ꎬ该算法简单可行ꎬ运动模糊参数估计精确ꎬ运动模糊方向误差控制在１ʎ以下ꎬ运动模糊尺度误差控制在１个像素以内ꎮ同时采用维纳滤波算法来恢复运动模糊图像ꎬ效果良好ꎬ可获得细节清晰的图像ꎮ１㊀运动模糊图像的退化模型图像复原处理的关键在于退化模型的确定ꎮ图１中ꎬ用退化函数ｈ(ｘꎬｙ)把退化过程模型化ꎬ它和加性噪声ｎ(ｘꎬｙ)一起ꎬ作用于输入图像ｆ(ｘꎬｙ)上ꎬ产生一幅退化的图像ｇ(ｘꎬｙ):８３３ ㊀高技术通讯２０１９年第２９卷第４期:３３８~３４３㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀①②国家自然科学基金(６１５６２０７４)ꎬ２０１８年广西高校中青年教师基础能力提升(２０１８ＫＹ０５４２)ꎬ梧州学院重点科研(２０１７Ｂ００６)和梧州学院中青年骨干教师培养工程资助项目ꎮ女ꎬ１９８１年生ꎬ硕士ꎬ副教授ꎻ研究方向:图像处理ꎬ电路系统ꎻ联系人ꎬＥ￣ｍａｉｌ:ｌｉａｏｑｉｕ１２３４５６＠１６３.ｃｏｍ(收稿日期:２０１８￣０４￣１９)图１㊀图像退化的模型图中ｈ(ｘꎬｙ)涵盖了整个退化的物理过程ꎬ这正是寻找的退化数学模型函数ꎬ即需要估计的点扩散函数ＰＳＦꎮ如果空间域Ｈ是线性的㊁空间不变的ꎬ则在空间域中退化图像可由式(１)给出:ｇ(ｘꎬｙ)＝ｈ(ｘꎬｙ)∗ｆ(ｘꎬｙ)＋ｎ(ｘꎬｙ)(１)其中符号∗表示卷积ꎬ空间域的卷积和频域的乘法组成了一个傅立叶变换对ꎬ式(１)在频域上可以表示成式(２)ꎮＧ(ｕꎬｖ)＝Ｈ(ｕꎬｖ)Ｆ(ｕꎬｖ)＋Ｎ(ｕꎬｖ)(２)其他运动产生的模糊在一定条件下都可以转换为分段匀速直线运动模糊ꎬ其点扩散函数可表示为式(３)ꎮｈ(ｘꎬｙ)＝１Ｌ㊀０ɤｘɤＬｃｏｓθꎬ０ɤｙɤｘｔａｎθ０㊀其他{(３)上式中ꎬθ指运动方向与水平方向之间的夹角ꎬ称为运动模糊方向ꎮＬ指在运动方向上像素移动的距离ꎬ称为运动模糊尺度ꎮ以下讨论的运动模糊仅由水平匀速直接运动导致ꎬ假如图像沿水平正方向移动ꎬ则ｈ(ｘꎬｙ)变为ｈ(ｘꎬｙ)＝１Ｌ㊀㊀０ɤｘɤＬꎬｙ＝０(４)对式(４)中的点扩散函数做傅立叶变换:Ｈ(ｕꎬｖ)＝ʏ＋ɕ－ɕʏ＋ɕ－ɕｈ(ｘꎬｙ)ｅ－ｊ２π(ｕｘ＋ｖｙ)ｄｘｄｙ＝ʏＬ０１Ｌｅ－ｊ２πｕｘｄｘ＝ｓｉｎ(πｕＬ)πｕＬｅ－ｊπｕＬ(５)所以Ｈ(ｕꎬｖ)是一个ｓｉｎｃ函数ꎬ当ｕＬ＝０ꎬＨ(ｕꎬｖ)取最大值ꎬ当ｕＬ为非０整数时ꎬＨ(ｕꎬｖ)＝０ꎬ同时使得Ｇ(ｕꎬｖ)＝０(在不考虑噪声的情况下)ꎬ也就是说在运动模糊图像的频谱图中将会出现明暗相间并平行的条纹ꎮ经过若干图像进行实验ꎬ结果表明运动模糊图像频谱图中的亮条纹和模糊方向之间是垂直的关系ꎬ见图３ꎮ在文献[６￣８]中也提到了该结论ꎮ图２给出了实验中的一幅原图和运动模糊图像(设定的模糊方向为３０ʎꎬ模糊尺度为２０像素)ꎮ图２㊀清晰图像和运动模糊图像图３为将运动模糊图像直接进行傅立叶变换后的频谱图与对其进行压缩居中后的频谱图对比ꎮ图３㊀运动模糊图像的频谱图对比依据傅立叶变换的时域特性ꎬ亮条纹与运动模糊方向是垂直关系ꎬ所以要检测ＰＳＦ中的运动模糊方向这个参数ꎬ只需要检测出其频谱图中亮条纹方向即可ꎮ２㊀运动模糊参数的估计为测出频谱图中亮线的方向ꎬ早期的文献中大多采用Ｈｏｕｇｈ变化来检测亮线的方向ꎬ如文献[９ꎬ１０]ꎮ由于Ｈｏｕｇｈ变换的应用以二值图像为基础ꎬ实际处理中难以对一幅图像进行恰当的二值分割ꎬ因此在大部分情况下ꎬ与Ｈｏｕｇｈ变换相比ꎬＲａｄｏｎ变换更加精细和准确ꎮ本文正是基于Ｒａｄｏｎ变换原理来检测频谱图中亮线的方向ꎮ９３３廖秋香等:运动模糊图像ＰＳＦ参数估计与图像复原研究２.１㊀运动模糊方向的估计Ｒａｄｏｎ变换的本质是将直角坐标系的函数做了一个空间转换ꎬ即将原来的ＸＹ平面内的点映射到极坐标(ρꎬθ)空间ꎬ那么原来在ＸＹ平面上的一条直线的所有的点在极坐标(ρꎬθ)平面上都位于同一点ꎮ记录极坐标(ρꎬθ)平面上的点的积累厚度ꎬ便可知ＸＹ平面上的线的存在性ꎮＲａｄｏｎ变换就是图像中的像素点在某个方向上的一个积分ꎬ所以ꎬ图像中高灰度值的直线投影到(ρꎬθ)空间将会形成亮点ꎬ而低灰度值的直线投影到(ρꎬθ)空间将会形成暗点ꎮ因此对ＸＹ平面内直线的方向检测就转变为在极坐标(ρꎬθ)空间中对亮点㊁暗点的检测ꎮＲａｄｏｎ变换定义示意图如图(４)所示ꎮ图４㊀Ｒａｄｏｎ变化定义示意图在实验过程中ꎬ对运动模糊图像进行灰度化ꎬ并进行二维快速傅立叶变换ꎬ生成其频谱图ꎮ将频谱压缩居中后可以发现ꎬ以原点为中心出现的对称平行线条是沿着同一个方向ꎬ这个方向就是与运动模糊图像的模糊方向相垂直的方向ꎮ然后对频谱图进行１~１８０ʎ的Ｒａｄｏｎ变换ꎬ结果得到的是一个１８０列的矩阵Ｒꎬ矩阵Ｒ中各列的取值正是模糊图像频谱图在某个方向上沿一族直线积分所得的投影值ꎮ当Ｒａｄｏｎ变换是在运动模糊方向上时ꎬ因为频谱中的亮㊁暗条纹与积分直线平行ꎬ所得的投影向量中就会有一个最大值ꎬ且此最大值就是整个矩阵中的最大值ꎮ通过找到Ｒ矩阵中的最大值所在的列ꎬ便可得到运动方向ꎮ实验结果如表１所示ꎮ实验过程中进一步增大模糊尺度到５２㊁５５㊁５８㊁６０㊁７０㊁１００㊁１５０㊁２００㊁５００ꎬ模糊尺度增大ꎬ可以扩表１㊀不同模糊尺度下的实验结果模糊尺度/设定运动方向值(ʎ)测量运动方向值(ʎ)误差５０/２５９０出错５０/２６２６０６０/３０３００６０/３５３５０７０/４０４１１７０/４５４５０２００/５０５００２００/５５５５０５００/６０６００５００/６４６４０５００/６５９０出错大测量范围到２５~６６ʎꎬ影响不是很大ꎮ分析表１的实验结果ꎬ当运动方向为２６~６４ʎ范围时ꎬ基本能准确测出运动模糊图像的运动方向ꎬ误差最大为１ʎꎬ非常准确ꎮ但如果运动方向不在２６~６４ʎ范围内ꎬ结果将会出错ꎬ出现９０ʎ或者１８０ʎꎮ分析原因是频谱图中出现了十字亮线ꎬ对结果形成了干扰ꎮ由于十字亮线的存在直接影响到实验的结果ꎬ必须要对其进行处理ꎮ文献[８]中采用分块取阈值的方法来避开十字亮线的干扰ꎬ但阈值的选取没有固定的算法ꎮ文献[１１]中采取的是对二值频谱图进行自适应形态学滤波ꎬ算法复杂ꎮ文献[１２]采取滑动邻操作的办法ꎬ对频谱图中每个像素３ˑ３邻域范围内的像素灰度取平均值ꎬ以此作为该像素二值化处理的依据从而去除十字亮线的干扰ꎮ但这种方法只适用于二值化后的频谱图ꎬ且容易删除频谱ꎬ影响检测精度ꎮ文献[１３]中通过图像大小确定十字亮线的位置ꎬ再根据亮线宽度判断该亮线是否是由于图像中的条纹引起的十字亮线ꎬ若是ꎬ就重新对该像素值赋其邻域的灰度值ꎬ从而除去十字亮线ꎮ本文的算法正是基于文献[１３]的一个改进ꎮ十字亮线导致计算结果出现９０ʎ或者是１８０ʎꎬ可以在程序中设置一个判断ꎬ当结果出现９０ʎ或者是１８０ʎ时ꎬ就对其赋零值ꎬ赋完后继续对新的Ｒ矩阵找最大值ꎬ这样就可以很容易地避开了十字亮线对结果的干扰ꎮ实验结果如表２所示ꎮ０４３ 高技术通讯㊀２０１９年４月第２９卷第４期表２㊀改进算法后不同模糊尺度下的实验结果模糊尺度/设定运动方向值(ʎ)测量运动方向值(ʎ)误差５０/２５２５０５０/２６２６０６０/３０３００６０/３５３５０７０/４０４１１７０/４５４５０２００/５０５００２００/５５５５０５００/６０６００５００/６４６４０５０/６５６５０６０/７５７５０７０/８０８００２００/１００１０００５００/１３０１３００５００/１５０１５００该算法与文献[１３]中所提到的算法相比ꎬ不用判断亮线是否由图像中的条纹引起ꎬ速度更快ꎮ赋零值可以直接避开该十字亮线的干扰ꎮ从表２实验结果可以看出ꎬ算法改进后有效地避免了十字亮线的干扰ꎬ同时对于原来的实验精度没有影响ꎬ误差控制在１ʎ以下ꎮ该算法原理简单㊁有效㊁容易实现ꎮ图５为实验结果对比ꎮ图５㊀实验结果对比２.２㊀运动模糊尺度的估计基于对运动模糊图像频谱的分析和Ｒａｄｏｎ变换原理ꎬ在估计运动模糊尺度参数时引入了投影的理论ꎮ设图像有Ｎ行ꎬ对式(５)进行离散化ꎬ得到表达式:Ｈ(ｕ)＝ｓｉｎ(πｕＬ/Ｎ)πｕＬ/Ｎ(６)令Ｈ(ｕ)＝０ꎬ则ｓｉｎ(πｕＬ/Ｎ)＝０ꎬ假设有２个频谱图上连续的零点ｕ１ꎬｕ２ꎬ则满足πｕ２ＬＮ－πｕ１ＬＮ＝πꎬ化简可得到ｕ２－ｕ１＝ＮＬꎬ而(ｕ２－ｕ１)就是运动模糊图像频谱图中暗条纹之间的距离ꎬ设为Ｄꎬ则得到式(７)ꎮ㊀㊀Ｌ＝ＮＤ(７)求解运动模糊尺度Ｌꎬ只需求出频谱图中的暗条纹间距即可ꎮ由于频谱图中的暗条纹不是垂直方向ꎬ所以首先将频谱图顺时针旋转θ度(θ为之前Ｒａｄｏｎ变换所求出的运动模糊方向)至水平方向ꎬ图６为Ｌｅｎａ的运动模糊图像(ＬＥＮ＝５０ꎬ模糊尺度取５０ʎ)的频谱图及旋转至水平方向的频谱图ꎮ图６㊀频谱图旋转前后对比对旋转后的频谱图进行垂直投影ꎬ得到垂直投影图ꎬ图７为频谱图垂直投影后的图像ꎮ图７㊀频谱垂直投影图１４３ 廖秋香等:运动模糊图像ＰＳＦ参数估计与图像复原研究在投影图中查找暗条纹对应的极值点ｄｋ(ｋ＝１ꎬ２ꎬ )ꎮ根据式(７)来计算运动模糊尺度Ｌꎬ实验结果见表３ꎮ表３㊀图６(ｂ)中暗条纹的间距(像素)暗条纹序列ｕ１ｕ２ｕ２ｕ３ｕ３ｕ４ｕ４ｕ５暗条纹间距Ｄ２０２０２０４１暗条纹序列ｕ５ｕ６ｕ６ｕ７ｕ７ｕ８ｕ８ｕ９暗条纹间距Ｄ２１２０２１２０㊀㊀其中ｕ４ｕ５为中心两侧间距ꎬ是两倍的暗条纹间距ꎬ将表格中的８组数据取平均值得Ｄ＝２０.３ꎬ图像行数Ｎ＝１０２４ꎬ带入得运动模糊尺度Ｌ＝Ｎ/Ｄ＝５０.４４ꎬ实际设置的运动模糊尺度为５０ꎬ表明测量非常准确ꎬ误差不到１个像素ꎮ３㊀运动模糊图像复原ＰＳＦ参数估计出来后ꎬ采用经典的线性图像复原方法维纳滤波来对图像进行复原ꎮ维纳滤波器是一种基于最小均方误差准则的最优估计器ꎬ如下式所示:㊀㊀ｅ２＝Ｅｆ－ｆ＾()２{}(８)式中ꎬｅ２为统计误差ꎬｆ＾是使统计误差为最小的估计值ꎬＥ表示数学期望ꎬｆ是未退化的图像ꎮ该表达式在频域可表示为式(９):Ｆ＾(ｕꎬｖ)＝１Ｈ(ｕꎬｖ)[｜Ｈ(ｕꎬｖ)２｜｜Ｈ(ｕꎬｖ)２＋Ｓη(ｕꎬｖ)/Ｓｆ(ｕꎬｖ)｜]Ｇ(ｕꎬｖ)(９)其中ꎬＨ(ｕꎬｖ)表示退化函数ꎬ｜Ｈ(ｕꎬｖ)２｜＝Ｈ∗(ｕꎬｖ)Ｈ(ｕꎬｖ)ꎬＨ∗(ｕꎬｖ)表示Ｈ(ｕꎬｖ)的复共轭ꎮＳη(ｕꎬｖ)＝｜Ｎ(ｕꎬｖ)｜２是噪声的功率谱ꎬＳｆ(ｕꎬｖ)＝｜Ｆ(ｕꎬｖ)｜２是未退化图像的功率谱ꎮ比率Ｓη(ｕꎬｖ)/Ｓｆ(ｕꎬｖ)称为噪信功率比ꎮ这里讨论的两个量是噪声平均功率和图像平均功率ꎬ分别定义为ηＡ＝１ＭＮðｕðｖＳη(ｕꎬｖ)(１０)ｆＡ＝１ＭＮðｕðｖＳｆ(ｕꎬｖ)(１１)上式中ꎬＭ和Ｎ分别代表图像和噪声数组的垂直和水平大小ꎮ设它们的比值为Ｒ＝ηＡｆＡ(１２)图８为实验结果对比ꎬ选取不同的Ｒ值ꎬ复原效果不同ꎬ图８(ｃ)为Ｒ＝０.０００００１９的复原结果ꎬ图８(ｄ)为Ｒ＝０.０００９７的复原效果ꎮ从实验结果来看ꎬ适当增大Ｒ的值ꎬ复原效果较好ꎮ尽管得到的结果里面仍然包含一些噪声ꎬ但从视觉上看已经比较接近原始图像了ꎮ图８㊀复原效果对比４㊀结论为了求取运动模糊图像的点扩散函数ＰＳＦ中的两个重要参数ꎬ本文利用Ｒａｄｏｎ变换原理来求解ＰＳＦ中的运动模糊方向ꎬ并对十字亮线出现导致的干扰进行了优化和改善ꎮ利用求解图像频谱上的中心暗条纹间距来估算运动模糊尺度ꎮ基于估计的ＰＳＦ参数采用维纳滤波算法来恢复运动模糊图像ꎮ实验结果表明ꎬ运动模糊参数估计精确ꎬ运动模糊方向误差控制在１ʎ以下ꎬ运动模糊尺度误差控制在１个像素以内ꎮ同时采用维纳滤波算法来恢复运动模糊图像ꎬ效果良好ꎬ可获得细节清晰的图像ꎮ２４３ 高技术通讯㊀２０１９年４月第２９卷第４期参考文献[１]梁宛玉ꎬ孙权森ꎬ夏德森.利用频谱特性鉴别运动模糊方向[Ｊ].中国图象图形学报ꎬ２０１１ꎬ１６(７):１１６４￣１１６９[２]王玉全ꎬ隋宗宾.运动模糊图像复原算法综述[Ｊ].微型机与应用ꎬ２０１４ꎬ３３(１９):５４￣５７[３]贤光ꎬ颜昌翔ꎬ张新洁.运动模糊图像点扩散函数的频谱估计法[Ｊ].液晶与显示ꎬ２０１４ꎬ２９(５):７５１￣７５４[４]吕霞付ꎬ王博化ꎬ陈俊鹏.基于位平面分解方法的运动模糊图像ＰＳＦ参数辨识[Ｊ].半导体光电ꎬ２０１６ꎬ３７(３):４４９￣４５３[５]许兵ꎬ牛燕雄ꎬ邓春雨ꎬ等.基于图像频谱全局均值标准差分割的点扩散函数估计[Ｊ].光学技术ꎬ２０１５ꎬ４１(４):３４１￣３４５[６]高树辉ꎬ樊攀登ꎬ蔡能斌.基于Ｍａｔｌａｂ平台的运动模糊图像复原研究[Ｊ].中国人民公安大学学报(自然科学版)ꎬ２０１５ꎬ４:５￣８[７]陈至坤ꎬ韩斌ꎬ王福斌ꎬ等.运动模糊图像模糊参数辨识与逐行法恢复[Ｊ].科学技术与工程ꎬ２０１６ꎬ１６(５):１７７￣１８０[８]乐翔ꎬ程建ꎬ李民.一种改进的基于Ｒａｄｏｎ变换的运动模糊图像参数估计方法[Ｊ].红外与激光工程ꎬ２０１１ꎬ４０(５):９６３￣９６９[９]黄琦ꎬ张国基ꎬ唐向东.基于霍夫变化的图像运动模糊角度识别法的改进[Ｊ].计算机应用ꎬ２００８ꎬ２８(１):２１１￣２１３[１０]陈波.一种新的运动模糊图像恢复方法[Ｊ].计算机应用ꎬ２００８ꎬ２８(８):２０２４￣２０２６[１１]胡硕ꎬ张旭光ꎬ吴娜.基于Ｒａｄｏｎ变换的运动模糊方向估计的改进方法[Ｊ].高技术通讯ꎬ２０１５ꎬ２５(８￣９):８２２￣８２８[１２]孔勇奇ꎬ卢敏ꎬ潘志庚.频谱预处理模糊运动方向鉴别的改进算法[Ｊ].中国图象图形学报ꎬ２０１３ꎬ１８(６):６３７￣６４６[１３]唐春菊.基于频谱分析的运动模糊图像参数检测[Ｊ].太赫兹科学与电子信息学报ꎬ２０１５ꎬ１３(１):１４８￣１５２ＲｅｓｅａｒｃｈｏｎＰＳＦｐａｒａｍｅｔｅｒｅｓｔｉｍａｔｉｏｎａｎｄｉｍａｇｅｒｅｓｔｏｒａｔｉｏｎｏｆｍｏｔｉｏｎｂｌｕｒｒｅｄｉｍａｇｅＬｉａｏＱｉｕｘｉａｎｇꎬＬｕＺａｉｓｈｅｎｇꎬＰｅｎｇＪｉｎｈｕ(ＧｕａｎｇｘｉＣｏｌｌｅｇｅｓａｎｄＵｎｉｖｅｒｓｉｔｉｅｓＫｅｙＬａｂｏｒａｔｏｒｙｏｆＩｍａｇｅＰｒｏｃｅｓｓｉｎｇａｎｄＩｎｔｅｌｌｉｇｅｎｔＩｎｆｏｒｍａｔｉｏｎＳｙｓｔｅｍｓꎬＷｕｚｈｏｕＵｎｉｖｅｒｓｉｔｙꎬＷｕｚｈｏｕ５４３００２)ＡｂｓｔｒａｃｔＴｈｅｒｅｓｔｏｒａｔｉｏｎｏｆｍｏｔｉｏｎｂｌｕｒｒｅｄｉｍａｇｅｓｈａｓｉｍｐｏｒｔａｎｔｔｈｅｏｒｅｔｉｃａｌａｎｄｐｒａｃｔｉｃａｌｓｉｇｎｉｆｉｃａｎｃｅｆｏｒｉｍｐｒｏｖｉｎｇｔｈｅｑｕａｌｉｔｙｏｆｔｈｅｉｍａｇｅ.Ｅｓｔｉｍａｔｉｏｎｏｆｐｏｉｎｔｓｐｒｅａｄｆｕｎｃｔｉｏｎ(ＰＳＦ)ｉｓｃｒｕｃｉａｌａｎｄｄｉｆｆｉｃｕｌｔｉｎｒｅｓｅａｒｃｈｏｎｒｅｓｔｏｒａｔｉｏｎｏｆｍｏｔｉｏｎｂｌｕｒｒｅｄｉｍａｇｅｓ.ＴｈｅｍｏｔｉｏｎｂｌｕｒｄｉｒｅｃｔｉｏｎｉｎｐｏｉｎｔｓｐｒｅａｄｆｕｎｃｔｉｏｎｉｓｇａｉｎｅｄｂｙｕｓｉｎｇｔｈｅＲａｄｏｎｔｒａｎｓｆｏｒｍｐｒｉｎｃｉｐｌｅꎬａｎｄａｎｅｗｍｅｔｈｏｄｔｏｅｌｉｍｉｎａｔｅｔｈｅｉｎｔｅｒｆｅｒｅｎｃｅｃａｕｓｅｄｂｙｔｈｅｃｒｏｓｓｌｉｎｅｉｓｐｒｏｐｏｓｅｄ.Ｔｈｅｍｏｔｉｏｎｂｌｕｒｅｘ￣ｔｅｎｔｉｓｃａｌｃｕｌａｔｅｄｂｙｕｓｉｎｇｔｈｅｃｅｎｔｒａｌｄａｒｋｆｒｉｎｇｅｄｉｓｔａｎｃｅｏｎｔｈｅｍｏｔｉｏｎｂｌｕｒｒｅｄｉｍａｇｅｓｐｅｃｔｒｕｍ.ＴｈｅＷｉｅｎｅｒｆｉｌｔｅ￣ｒｉｎｇａｌｇｏｒｉｔｈｍｉｓｕｓｅｄｔｏｒｅｓｔｏｒｅｔｈｅｍｏｔｉｏｎｂｌｕｒｒｅｄｉｍａｇｅｂａｓｅｄｏｎｔｈｅｅｓｔｉｍａｔｅｄＰＳＦｐａｒａｍｅｔｅｒｓ.Ｔｈｅｅｘｐｅｒｉｍｅｎｔｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｍｏｔｉｏｎｂｌｕｒｐａｒａｍｅｔｅｒｓａｒｅｅｓｔｉｍａｔｅｄａｃｃｕｒａｔｅｌｙꎬｔｈｅｅｓｔｉｍａｔｅｄｅｒｒｏｒｉｎｂｌｕｒｒｅｄｄｉｒｅｃｔｉｏｎｉｓｌｅｓｓｔｈａｎ１ｄｅｇｒｅｅꎬａｎｄｔｈｅｅｓｔｉｍａｔｅｄｅｒｒｏｒｏｆｂｌｕｒｒｅｄｅｘｔｅｎｔｉｓｌｅｓｓｔｈａｎ１ｐｉｘｅｌ.ＡｔｔｈｅｓａｍｅｔｉｍｅꎬｔｈｅｒｅｓｔｏｒａｔｉｏｎｂａｓｅｄｏｎｔｈｅＷｉｅｎｅｒｆｉｌｔｅｒｉｎｇａｌｇｏｒｉｔｈｍｈａｓｇｏｏｄｒｅｓｔｏｒｅｅｆｆｅｃｔａｎｄｇａｉｎｃｌｅａｒｄｅｔａｉｌｓ.Ｋｅｙｗｏｒｄｓ:ｐｏｉｎｔｓｐｒｅａｄｆｕｎｃｔｉｏｎ(ＰＳＦ)ꎬｂｌｕｒｒｅｄｄｉｒｅｃｔｉｏｎꎬｂｌｕｒｒｅｄｅｘｔｅｎｔꎬＲａｄｏｎｔｒａｎｓｆｏｒｍꎬＷｉｅｎｅｒｆｉｌｔｅ￣ｒｉｎｇ３４３廖秋香等:运动模糊图像ＰＳＦ参数估计与图像复原研究。
数字图像复原技术的研究
数字图像复原技术的研究[摘要] 图像是人类视觉的基础，给人具体而直观的作用。
图像的数字化包括取样和量化两个步骤。
数字图像处理就是将图像信号转换成数字格式，并利用计算机进行加工和处理的过程。
在获取图像的过程中有许多因素会导致图像质量的下降即降质，如光学系统的像差大气扰动、运动、散焦和系统噪音，它们会造成图像的模糊和变形。
图像复原的目的是对退化图像进行处理，使其复原成没有退化前的理想图像。
目前图像复原的方法主是进行图像滤波，对图像滤波的要求是既能去除图像以外的噪声，同时又能保持图像细节。
由于噪声和图像细节在频带上混叠，所以在图像滤波中，为了复原图像的去噪细节保持往往是一对矛盾。
图像复原问题是图像处理中重要而又富有挑战性的课题，今仍没有完全解决。
本文以传统的数字图像复原算法为基础，探讨了几种图像复原算法，并力求使其像复原效果较传统算法有所提高。
[关键词]数字图像处理;MATLAB实现;图像复原[Abstract]Image is human visual base，and it gives us idiographic and intuitionistic sense. Image digital mode involves two steps，sampling and converting to quantity. Digital image processing is to transform the image signal to digital format，and then use the computer to Process.There are a lot of factors such as the phase difference of the optical system，the atmosphere turbulence，moving，diffusion of the focus and the system noise that degrade the digital images during their obtaining. The destination of image restoration is to recover image that has been degraded and make sure that the processed image as near as possible to the original image. In general，in order to recovering the degraded image we resort to filtering of image. In filtering of image，both denoising and maintaining of the detail about the image is required. But in most cases denoising of image conflicts with maintaining of detail in restoration processing. For the reason that mentioned above restoration of image is very challenge as a issue of digital image processing full of importance. Many problems attached to this specific issue call for better solutions that have not been provided at present.In this paper，several algorithms dealing with restoration of digital image are proposed and discussed based on some basic classic approach. By some improvement and combination operations these new algorithms can do better than some basic classic approach in work.[Key words]Digital Image Processing; Rrealizing by MATLAB; Image Restoration目录第一章绪论 (3)第一节数字图像处理简介 (3)第二节数字图像的复原 (4)第二章图像及其数字化 (5)第一节概述 (5)一、图像和数字图像 (5)二、图像类型 (5)第二节数字图像的处理 (6)第三章MATLAB处理软件简介 (8)第一节MATLAB简介 (8)第二节图像格式与MATLAB图像类型 (8)第四章图像预处理及MATLAB实现 (10)第一节概述 (10)第二节图像的预处理 (10)一、图像显示 (10)二、图像裁剪 (11)三、图像旋转 (11)四、图像轮廓检测 (12)五、改变图像尺寸 (12)第五章图像变换 (14)第一节傅里叶变换及其性质 (14)第二节小波变换 (15)第三节从傅里叶变换到小波变换 (15)第六章图像复原 (17)第一节图像退化模型 (17)一、图像退化的原因 (17)二、图像退化的数学模型 (18)第二节常用的图像复原方法 (19)一、逆滤波复原 (19)二、维纳滤波复原 (20)三、小二乘方复原 (20)第三节图像复原的MATLAB实现举例 (22)一、 MATLAB复原函数简介 (22)二、维纳滤波复原的MATLAB实现[1] (22)三、其他复原方法 (24)结束语 (26)致谢 (28)参考文献 (29)第一章绪论第一节数字图像处理简介图像信息是人类获得外界信息的主要来源，在近代科学研究、军事技术、工农业生产、医学、气象及天文学等领域中，人们越来越多地利用图像信息来认识和判断事物，解决实际问题。
如何应对图像识别中的运动模糊问题(五)
应对图像识别中的运动模糊问题引言：在如今数字图像处理的领域中，图像识别已经成为一项非常重要的技术。
然而，由于各种可能的问题和影响因素，尤其是运动模糊问题，图像识别的精确性和可靠性仍然面临一定的挑战。
本文将从多个角度探讨如何应对图像识别中的运动模糊问题，以提升图像识别的准确度和稳定性。
一、了解运动模糊的原因和机制运动模糊是指物体在图像捕捉过程中出现的由于运动造成的模糊效果。
了解运动模糊的原因和机制是解决该问题的第一步。
一般来说，主要原因是相机或物体的运动导致曝光时间过长，从而导致图像细节模糊。
因此，可通过控制曝光时间、使用快门优先模式或增加光线等方式来减少运动模糊。
二、选择合适的图像采集设备和参数图像采集设备的性能和参数对图像识别的精确性和稳定性具有重要影响。
因此，在处理图像识别中的运动模糊问题时，我们应选择具备较高采集速度和抗运动模糊性能的设备，同时优化设备参数，如ISO、快门速度和光圈大小等，以最大程度地减少运动模糊的发生。
三、运动模糊修复算法的应用在图像识别中，运动模糊修复算法是一种常用的解决方案。
常见的算法包括基于滤波和深度学习的方法。
滤波方法通过对图像进行滤波处理，以去除或减弱运动模糊。
深度学习方法则基于大量样本数据，通过训练神经网络模型来学习图像的运动模糊模式以及如何进行修复。
选择适合特定数据集和应用场景的运动模糊修复算法可以有效提升图像识别的准确性。
四、多帧图像叠加和图像增强技术为了进一步减少运动模糊对图像识别的影响，可以利用多帧图像叠加和图像增强技术。
多帧图像叠加可以通过将多张图像叠加在一起，平均化图像中的噪声和运动模糊，从而提高图像的清晰度。
而图像增强技术可以通过提升图像的对比度、锐度和细节等方面来增强图像的可识别性，从而抵消部分运动模糊造成的影响。
五、利用先进的硬件技术和算法优化图像处理效果随着科技的进步，硬件技术与图像处理算法的结合为解决图像识别中的运动模糊问题提供了新的可能性。
数字图像复原技术中运动模糊图像相关问题研究
数字图像复原技术中运动模糊图像相关问题研究[摘要]随数字图像复原处理技术是当前数字图像处理领域的重要研究课题之一，运动模糊图像的复原是数字图像复原处理技术中较常见也是较难解决的一类问题。
本论文的研究工作正是围绕运动模糊图像复原技术展开。
分析运动模糊图像的成因以及成像过程；建立运动模糊退化模型；用维纳滤波复原方法对模糊图像进行复原；根据维纳滤波运动模糊图像复原方法中的不足之处，引入介绍了一种新的方法，降低了原有算法的复杂度，改进了维纳滤波。
本文主要研究了维纳滤波复原方法并对其进行了改进，其他复原方法有待我们进一步研究。
【关键词】数字图像复原处理技术；运动模糊图像复原；维纳滤波复原；改进维纳滤波复原图像成像的过程中存在很多的退化源，数字图像在获取、传输和存储过程中受各种原因的影响，会造成图像质量的退化，典型的表现有图像模糊、失真、有噪声等。
运动模糊图像是由于相机和被拍摄对象之间的相对运动而造成的模糊现象，这一现象在日常生活中经常遇到，因此运动模糊图像复原技术便成为目前图像复原技术的研究热点之一，运动模糊图像复原是数字图像处理中的一个重要课题。
它研究的主要目的是改善给定的图像质量并尽可能复原图像。
图像复原的目的就是尽可能恢复被退化图像的本来面目。
运动模糊图像的复原方法研究非常具有现实意义。
无论在日常生活还是在国防军工领域，运动造成图像模糊现象普遍存在，这给人们生活和航空侦察等造成很多不便，所以很有必要对运动模糊图像的恢复做深入研究。
在交通系统、刑事取证中图像的关键信息至关重要，但是在交通、公安、银行、医学、工业监视、军事侦查和日常生活中常常由于摄像设备的光学系统的失真、调焦不准或相对运动等造成图像的模糊，使得信息的提取变得困难。
通过对于运动模糊图像的复原，使图像变的清晰，便于更好地提取相应信息。
因此对于运动模糊图像的复原技术研究更具有重要的现实意义。
一、图像复原的基本概念图像复原技术，也称为图像去卷积技术，它是按着图像模糊的反过程进行，其目的是获取清晰的，未被污染的图像的近似值，从而我们可以使用相关信息来正确解读图像所包含的有效信息。
运动模糊图像复原技术的研究(原创论文)
1 研究背景及意义
近年来，随着计算机、网络、图像处理技术及传输技术的飞速发展，运动模糊图像复原 技术呈现出前所未有的发展势头和潜力。 运动模糊图像复原系统是安全防范、 监控系统的重 要组成部分，它是一种图像处理能力较强的系统。因此，基于运动模糊图像复原系统的开发 不仅具有研究价值，还具有广阔的市场价值。运动模糊图像复原以其直观、方便、信息内容 丰富而广泛应用于许多场合， 因此对于运动模糊图像复原系统的研究非常具有现实意义。 一 个典型的例子就是随着我国经济快速发展， 城市中的汽车越来越多， 汽车的增多引发了很多 交通事故， 其中一个很重要的原因就是有些司机缺乏交通安全意识， 在灯控路口乱闯红灯或 超速行驶。这些交通事故不仅危害到人们的生命安全，而且给国家带来大量的经济损失。现 在很多城市的一些重要交通路口都设置了电子眼--交通监视系统，它能够及时记录下闯红灯 车辆的车牌号， 但由于车辆在闯红灯时的速度较高或传感设备的原因， 摄像机摄取的画面有 时是模糊不清的， 这就需要运用运动模糊图像复原技术进行图像复原， 来得到违章车辆可辨 认的车牌图像。 综上所述，无论在安保还是在监控等领域，运动模糊图像现象普遍存在，这给人们生活 和相关执法部门的执法工作都造成很多不便，所以有必要对运动模糊图像的恢复做深入研 究。 全文的组织结构，第 1 部分是绪论，介绍了数字图像产生运动模糊的原因，阐述了运动 模糊图像复原的主要工作， 预计了本课题的研究将会产生的社会效益及经济效益， 说明了本 课题研究的目的和意义， 对所研究的课题所做的工作分步骤作了详细阐述， 并对论文的组织
g ( x, y ) f [ x x0 (t ), y y0 (t )]dt
0
T
(1)由水平方向匀速直线运动造成的图像模糊的模型及其恢复用以下两式表示:
运动模糊图像复原算法研究的开题报告
运动模糊图像复原算法研究的开题报告一、选题背景及意义运动模糊是一种常见的图像模糊形式，例如在拍摄运动物体时，相机的曝光时间较长，导致影像出现模糊。
由于运动模糊在拍摄和图像采集中难以避免，因此运动模糊图像复原一直是计算机视觉领域的研究重点。
该领域的核心内容是如何为运动模糊图像提供更准确、逼真的复原。
运动模糊图像复原技术对于科学研究、生产应用、人类生活等方面具有重要意义。
例如，在街景图像、无人驾驶、物联网等领域的发展中，高质量运动模糊图像复原是必要的前提之一。
二、研究内容和方法本文将针对运动模糊图像复原算法进行研究，旨在开发一种高效、准确的复原算法，为解决运动模糊图像复原问题提供新思路。
具体研究内容和方法如下：1. 技术背景和框架分析介绍运动模糊的概念，阐述运动模糊图像复原技术的研究意义和发展现状。
对比不同算法的优缺点，提出改进方案。
2. 基于维纳滤波的算法维纳滤波是一种基于信噪比的滤波技术，可用于复原运动模糊图像。
本文将分析维纳滤波算法的原理和处理步骤，重点探究其应用于运动模糊图像复原的实现方法。
3. 基于深度学习的算法深度学习具有自动学习和自适应性等优点，已被广泛应用于计算机视觉领域。
本文将研究和实现基于深度学习的算法，以提高运动模糊图像复原效果。
4. 综合评估和改进通过对以上两种算法的实现和优化，进行实验验证，以比较算法的优劣，并结合实验结果提出优化方案。
三、预期成果本文预期通过研究运动模糊图像复原算法，开发出一种高效、准确的运动模糊图像复原算法，提高运动模糊图像复原的准确性和可靠性。
四、研究难点本文研究的难点在于对算法范围的准确定义和实验验证的难度。
同时，在使用深度学习算法时，需要大量的数据和计算资源。
五、研究计划和进度安排预计本文研究工作将分为以下几个阶段：1. 数据准备阶段：收集现有的运动模糊图像数据集，进行数据处理和预处理，以建立实验数据集。
2. 维纳滤波算法研究阶段：对维纳滤波算法进行深入研究，实现并调试该算法，以及对算法的复原效果进行实验验证。
基于运动模糊图像还原的分析与研究
基于运动模糊图像还原的分析与研究运动模糊是由于相机或物体的移动引起的图像模糊现象，会导致图像的细节丢失和边缘模糊。
在许多实际应用中，如摄影、视频捕捉和无人机图像采集等，由于拍摄环境或平台的不稳定性，运动模糊是一个常见的问题。
针对运动模糊图像还原的研究可以分为两个主要方向：运动模糊估计和图像还原算法。
运动模糊估计是指估计图像中的运动模糊参数，包括运动方向、长度和角度等，以便后续的图像处理。
常用的运动模糊估计方法包括快速傅里叶变换（FFT）法、相位相关法和最小二乘法等。
这些方法通常需要大量的计算和时间，但能够较为准确地估计运动参数。
图像还原算法则是根据估计的运动模糊参数恢复原始的清晰图像。
常用的图像还原算法包括逆滤波法、维纳滤波法和盲去卷积法。
逆滤波法是最简单和直接的方法，其原理是将图像的频率谱经过逆变换得到原始图像。
逆滤波法对于噪声和运动方向难以估计的情况下效果较差。
维纳滤波法是在逆滤波法的基础上引入了噪声模型，能够更好地抑制噪声。
盲去卷积法是一种不需要估计运动参数的方法，它通过最小化图像的能量函数来还原清晰图像。
除了以上方法，还有许多其他的运动模糊图像还原算法。
基于图像边缘和纹理的算法可以提取出图像的结构信息，从而更好地还原图像。
基于深度学习的方法利用深度神经网络对运动模糊图像进行学习和训练，能够获得更好的还原效果。
一些针对特定应用场景的算法也被提出，例如针对特定模糊类型的算法和针对特定图像内容的算法等。
基于运动模糊图像还原的分析与研究是一个重要的课题。
通过对运动模糊的估计和图像还原算法的研究，可以提高图像的清晰度和质量，从而提升图像处理的效果和应用的可行性。
随着计算机技术和图像处理算法的发展，相信将来还会有更多更好的运动模糊图像还原算法被提出并应用于实际生活中。
运动模糊图像的恢复与处理的开题报告
运动模糊图像的恢复与处理的开题报告一、研究背景随着摄影和视频技术的发展，人们对于图像质量和清晰度的要求也越来越高。
然而，在运动拍摄时，由于拍摄物体或相机的运动，可能会产生运动模糊的现象，导致图像质量下降，影响视觉效果和识别准确度。
因此，对于运动模糊图像的恢复和处理成为图像处理领域的一个重要研究方向之一。
二、研究内容本次研究的主要内容包括运动模糊图像的恢复和处理两个方面。
具体而言，重点关注以下内容：1. 运动模糊图像的成因和特点分析：探究运动模糊的原因和图像的特点，以便更好地理解和处理运动模糊图像。
2. 运动模糊图像的恢复方法研究：了解当前主流的运动模糊图像恢复方法，包括基于盲复原的方法、基于非盲复原的方法等，并分析其优缺点。
3. 运动模糊图像的处理方法研究：除了恢复模糊图像本身外，还需要针对不同的应用场景，进行其它相关的图像处理，如去噪、图像增强等。
4. 运动模糊图像的评价指标：对于不同的恢复和处理方法，需要明确评价其效果的指标，如峰值信噪比（PSNR）、结构相似度指标（SSIM）等。
三、研究意义本次研究对于运动模糊图像在实际应用中的处理和改善具有重要意义，具体表现在：1. 提高运动模糊图像的清晰度和质量，增强图像的可视化效果和识别准确度。
2. 推动图像处理技术的发展，进一步完善和优化运动模糊图像的恢复和处理方法。
3. 拓展图像处理应用领域，如智能交通、医疗图像等，提升社会生产力水平。
四、研究方法本次研究主要采用文献调研法和实验分析法相结合的方法进行。
具体而言，主要包括以下步骤：1. 文献调研：收集运动模糊图像恢复和处理的相关文献和文章，了解现有的研究进展和成果。
2. 方法分析：对不同的恢复和处理方法进行分析和比较，确定其优缺点和适用范围。
3. 实验研究：选取合适的数据集和评价指标，进行实验研究，评估各种方法的恢复效果和处理效果。
五、研究计划本次研究的时间安排及进程如下：1. 第一周：确定研究主题、目标和研究内容。
运动模糊图像的恢复技术研究
2021年第40卷第4期传感器与微系统(Transducer and Microsystem Technologies)63DOI：10.13873/J.1000-9787(2021)04-0063-03运动模糊图像的恢复技术研究**收稿日期：2019-09-27*基金项目：国家自然科学基金资助项目(61762067)陈英，洪晨丰(南昌航空大学软件学院，江西南昌330063)摘要：针对运动模糊图像的恢复，提出了基于生成式对抗神经网络(GAN)网络与FSRCNN网络的方案。
采用GoPr。
模糊图像数据集与DIV2K图像恢复数据集进行网络训练;通过图像处理对模糊图像进行规格化、归一化、色彩空间转换等预处理操作;利用GAN对模糊图像进行图像恢复,并结合FSRCNN针对模糊图像进行图像增强;针对GAN与FSRCNN的处理结果进行分析与对比，经由FSRCNN网络图像增强的恢复图像的峰值信噪比虽然有一定的下降，但结构相似度则得到了提升。
实验结果表明本文的算法方案具有较好的可行性。
关键词：生成式对抗神经网络；卷积神经网络；运动模糊；图像处理中图分类号：TP391.41文献标识码：A 文章编号：1000-9787(2021)04-0063-03Research on restoration technology of motion blur imageCHEN Ying,HONG Chenfeng(School of Software,Nanchang Hangkong University,Nanchang330063,China)Abstract:An image restoration scheme based on generative adversarial networks(GAN)network and FSRCNN network for motion blurred images is proposed.GoPro fuzzy image dataset and lhe DIV2K image restoration dataset are used for network training・Image processing operation is used to normalize the fuzzy image,convert color space・GAN is used to restore lhe image of lhe blurred image,and the FSRCNN is combined to enhance the image for the blurred image・Processing results of GAN and FSRCNN are analyzed and compared.The peak signal-noise ratio of the reconstructed image enhanced by the FSRCNN network image has a certain decline・However,the structural similarity is improved・Experimental results show that the proposed algorithm has good feasibility.Keywords:generative adversarial networks(GAN)；convolutional neural network(CNN)；motion blur；image processing0引言计算机领域在近年来的急速进步与图像存储在日常生活中逐渐普及，焦距、相机抖动和目标物体的运动等因素都是图像模糊的原因，同样因为这些因素，导致了图像信息发生小不服或与空间的大面积退化，从而使图像信息存储与使用发生错误E。
运动模糊图像恢复方法研究
糊的盲复原算法。
４、基 于 倒 谱 的 运 动 模 糊 盲 复 原 方 法
倒谱在不同的应用领域有不同的定义， 此处倒谱定义如下：
Ｃｅｐ（ｇ（ｘ，ｙ））＝ＦＦＴ－ １（ｌｏｇ（Ｇ（ｕ，ｖ）））
（１）
其中 Ｇ（ｘ，ｙ）是 ｇ（ｘ，ｙ）的傅 立 叶 变 换 。 在 实 际 应 用 中 ， 常 常 只
想利用其实部部分， 可定义如下：
《Ｐ ＬＣ 技术应用 ２００ 例》
邮局订号： ８２－９４６ ３６０ 元 ／ 年 － ２９３ －
图像处理
中 文 核 心 期 刊 《 微 计 算 机 信 息 》（ 管 控 一 体 化 ）２００７ 年 第 ２３ 卷 第 ８－３ 期
文、军 事 、道路 交 通 、医学 图 像 、工业 控 制 及侦 破 领 域， 具 有 重 要
最小的估计 。其中， Ｅ 是期望值操作符， ｆ 是未退化的图 像。该表达式在频域可表示为
其中，
Ｈ（ｕ，ｖ）表 示 退 化 函 数
｜Ｈ（ｕ，ｖ）｜２＝Ｈ＊（ｕ，ｖ）Ｈ（ｕ，ｖ）
Ｈ＊（ｕ，ｖ）表示 Ｈ（ｕ，ｖ）复共轭
Ｓη＝｜Ｎ（ｕ，ｖ）｜２ 表示噪声的功率谱 Ｓｆ＝｜Ｆ（ｕ，ｖ）｜２ 表示未退化图像的功率谱
的限制。
运动类型不同造成的运动模糊类型也不尽相同， 例如， 匀
速直线运动， 变速直线运动， 振动等等。不同的类型存在着不同
的复原方法， 本节针对不同的运动类型， 介绍几种典型的运动
模糊复原方法。
技
２．１ 匀速直线运动 １、信 息 叠 加 方 法
为了说明运动模糊产生的主要原因， 以水平匀速运动为例
术 加以介绍。目标图像的运动是一个连续的过程， 而图像是以离
的现实意义。
运动模糊初期研究的主要原因是为了对卫星所拍摄的图
基于运动模糊图像还原的分析与研究
基于运动模糊图像还原的分析与研究随着数码相机的普及，人们拍摄的照片数量越来越多。
然而，由于拍摄时的手持不稳或快门速度过慢等原因，往往会导致照片出现运动模糊。
运动模糊是指由于相机或拍摄对象运动导致的图像模糊现象，严重影响了照片的质量。
因此，对于解决运动模糊问题具有重要意义。
本文将从图像运动模糊还原的角度来进行分析和研究。
图像运动模糊还原的基本原理是通过降低图像的运动模糊度来还原原始图像。
运动模糊是由物体在拍摄期间移动导致的，其具有一定的方向性。
因此，运动模糊还原可以分为两个步骤：方向估计和模糊核估计。
方向估计是指对运动模糊方向的预估计，其目的是为后面的模糊核估计提供方向约束。
常用的方向估计方法包括灰度共生矩阵法、极值法和拉普拉斯金字塔法等。
灰度共生矩阵法根据图像中灰度值的空间分布来计算图像方向，具有较高的精度。
极值法是将图像变换为频域后通过寻找频率域上的极值点来计算方向，具有较好的抗噪性能。
拉普拉斯金字塔法则是利用基于高斯滤波和下采样操作形成的金字塔结构来计算像素方向，具有较快的计算速度。
模糊核估计是指通过图像运动模糊度和方向来估计模糊核大小和形状的过程。
常用的模糊核估计方法有盲方法和非盲方法。
盲方法是指在不知道图像运动模糊参数的情况下进行模糊核估计的方法。
常用的盲方法包括暴力搜索法、退火算法、粒子群优化算法等。
这些方法的计算量大，适用于小规模的模糊核估计。
非盲方法是指在知道图像运动模糊参数的情况下进行模糊核估计的方法。
常用的非盲方法包括逆滤波、最小二乘法、Wiener滤波等。
这些方法在计算上简单快速，但容易受到图像噪声的影响。
除基本的运动模糊还原方法外，还有许多优化和改良算法，如基于深度学习的方法、基于边缘优化的方法、多图像融合方法等。
这些方法在技术上较为复杂，但对提高图像质量和还原效果有明显的优化作用。
综上所述，图像运动模糊还原是一项有挑战性的问题，在实际应用中有着广泛的应用前景。
通过对运动模糊进行方向估计和模糊核估计，可以有效地还原原始图像的清晰度和细节，提高图像质量和观感。
基于运动模糊图像还原的分析与研究
基于运动模糊图像还原的分析与研究运动模糊是指由于摄像机或者拍摄物体的运动引起的图像模糊现象。
在实际应用中，由于各种原因，如拍摄环境不稳定、拍摄器材不佳等，导致图像出现运动模糊是常见的现象。
这对于摄影师或者摄像师来说是一种挑战，因为模糊的图像往往无法表达出真实的细节和清晰的轮廓。
运动模糊图像的还原成为了一个重要的研究课题。
在过去的几十年里，已经涌现出了许多基于运动模糊图像还原的算法和方法。
这些方法可以分为两大类：基于图像的方法和基于视频的方法。
基于图像的方法主要是通过对运动模糊图像进行处理，恢复出清晰的图像。
该类方法常常利用图像中的边缘特征来进行图像复原。
其中一种常用的方法是使用逆滤波器来去除模糊，但是逆滤波器往往会导致图像降噪不足和图像估计不准确的问题。
为了解决这些问题，研究人员提出了一些改进的方法，如基于最小二乘的方法、基于边缘保持的方法等。
基于视频的方法则是通过对连续帧的处理，恢复出清晰的图像。
这种方法通常利用连续帧之间的相互关系来进行图像复原。
其中一种常用的方法是使用运动估计来获取每个像素点的运动轨迹，进而可以通过图像补偿来去除模糊。
运动估计往往需要大量的计算资源，并且对于复杂的运动情况效果不佳。
研究人员提出了一些改进的方法，如基于加权平均的方法、基于运动补偿的方法等。
无论是基于图像的方法还是基于视频的方法，都存在着一些缺点。
基于图像的方法对于复杂的运动情况处理效果不佳，基于视频的方法对于大量的计算资源要求较高。
研究人员正在不断探索更加高效和准确的运动模糊图像还原方法。
基于运动模糊图像还原的分析与研究是一个具有挑战的课题，涉及到图像处理、计算机视觉、图像学等多个领域。
目前已经涌现出了许多有效的算法和方法，并且还有很多研究工作有待完成。
相信随着科技的进步和研究的深入，运动模糊图像还原的技术会得到进一步的突破和提高。
运动模糊图像复原的全变分方法研究的开题报告
运动模糊图像复原的全变分方法研究的开题报告一、选题背景和依据运动模糊是指在相机或物体运动状态下，在曝光时间内，图像因运动造成的模糊现象。
运动模糊使得图像清晰度降低，不利于后续的图像处理和分析。
因此，运动模糊图像复原一直是计算机视觉领域研究的热点问题之一。
在十分繁荣的算法体系中，全变分方法是一种应用广泛的图像复原方法。
通过全变分方法可以有效地恢复运动模糊图像，但是该方法存在一些问题，如处理大尺度的图像时需要较长时间；复原结果的质量受到网格精度和迭代次数等参数的影响。
为了进一步研究和改进全变分方法，本项研究选取运动模糊图像的全变分方法研究为研究对象，为解决现有问题提供贡献。
二、主要研究内容和意义本项研究的主要内容是针对全变分方法的局限性，提出一种改进方法，使其能够更有效地恢复运动模糊图像。
主要的研究工作包括：1. 采用一种更高效的求解优化问题的方法，如ADMM（Alternating Direction Method of Multipliers），以加速全变分方法的计算过程；2. 基于自适应网格精度的方法，使得算法可以处理大尺度的图像；3. 建立两种全变分方法之间的关系，探讨各种方法对复原结果的影响，并选择合适的方法进行复原。
本项研究的意义在于提高运动模糊图像复原的效率和精度，更广泛地应用于计算机视觉领域，例如在人脸识别、自动驾驶等领域中，减小运动模糊的影响，提高识别和控制的精度。
三、拟采用的研究方法和技术本项研究采用数学建模和计算机仿真相结合的方法进行研究。
主要的技术手段包括：1. 全变分方法的理论分析与数学建模；2. 使用MATLAB等数值计算软件进行全变分方法的计算和仿真实验；3. 对比实验，选取合适的算法进行对比实验。
四、拟完成的工作及时间进度在本项研究中，拟完成以下工作：1. 研究运动模糊图像复原的全变分方法，并分析其局限性和需要改进的方面；2. 提出改进方法并验证其可行性；3. 对比不同算法，并选取最优的算法进行复原实验；4. 实现仿真实验，验证算法的效果。
数字图像处理运动模糊图像复原
运动模糊图像复原实验报告一、运动模糊图像复原【应用背景】运动模糊是一种重要的图像退化原因，在图像采集的过程中，如果采集设备与目标之间存在足够大的相对运动，将会导致获得的图像模糊，这就是所谓的运动模糊。
现在大多数交通路口都设置有电子眼，拍摄记录车辆的违章行为，但是一般情况下违规车辆的行驶速度都较高，由电子眼拍摄到的有违规行为的车辆照片或多或少都存在运动模糊，因而导致很难准确获取包括车牌在内的车辆信息，如何利用图像复原技术对退化图像进行处理，得到相对清晰的图像就显得十分重要，另外，在国防航天等领域，图像的运动退化问题也十分常见，对于图像复原技术的研究具有重要的理论价值与现实意义【模糊图像的一般退化模型】图像的模糊过程可用下面的数学表达式表示：g x,y=f x,y∗ x,y+n(x,y)f(x,y)：原输入图像n(x,y)：噪声h(x,y)：退化函数g(x,y)：模糊图像模糊过程即原始图像在被退化函数作用后再叠加上噪声的过程，其中f(x,y)*h(x,y)表示原始图像与退化函数的卷积，退化模型可表示为下图[19]：其中H 为h(x,y)的频域变换，也称作点扩散函数(PSF)或传输函数，退化过程在频域可表示为：G x,y=F x,y H x,y+N(x,y)G(u,v)、F(u,v)、H(u,v)和N(u,v)分别为g(x,y)、f(x,y)、h(x,y)和n(x,y)的傅里叶变换。
【维纳滤波方法】维纳滤波是一种线性滤波方法，以小误差准则为基础，即使恢复图像与原图像的均方误差小。
利用Matlab的维纳滤波恢复函数：deconvwnr(I,PSF)其中参数I为输入图像，PSF为点扩散函数，PSF为：PSF=fpescial(‘motion’,len,theta)其中，恢复图像的重点为确定参数len和theta参数len为模糊图像位移的像素，theta为运动的角度。
【算法原理】第一步：确定运动方向对于匀速直线运动模糊而言，其点扩散函数具有零点，这就导致模糊图像的频谱也具有零点，在相应的频率处，频谱上会出现一系列平行的暗纹。
基于运动模糊图像还原的分析与研究
基于运动模糊图像还原的分析与研究【摘要】运动模糊是一种常见的图像模糊现象，对图像质量会造成影响。
针对运动模糊图像还原的问题，本文从研究背景和研究意义入手，分析了运动模糊的形成原因以及目前常用的还原方法。
特别关注基于深度学习的运动模糊图像还原技术，通过实验设计和结果分析展示了其在改善图像质量方面的效果。
对运动模糊图像还原的性能评价提供了一种客观的评价方法。
在结论部分总结了本文的研究成果，并展望了未来在这一领域的研究方向，为进一步提高运动模糊图像还原技术的效果和应用提供了有益的参考。
本文将有助于深入了解运动模糊图像还原技术，促进相关研究的发展。
【关键词】运动模糊，图像还原，深度学习，实验设计，性能评价，分析，研究总结，未来研究方向1. 引言1.1 研究背景运动模糊是指由于快速运动的物体导致相机或观察者移动而产生的图像模糊现象。
在现实生活中，许多场景都会受到运动模糊的影响，比如拍摄运动中的体育比赛、快速移动的车辆等。
运动模糊会降低图像的清晰度和细节，影响图像的质量和观赏效果。
在数字图像处理领域，对运动模糊图像进行还原是一个具有挑战性的问题。
传统的图像恢复方法往往效果不佳，无法满足实际需求。
研究人员引入了深度学习技术来解决运动模糊图像的恢复问题。
深度学习通过建立复杂的神经网络模型，可以实现对复杂图像信息的学习和提取，从而提高图像恢复的效果和准确性。
通过对运动模糊图像还原的研究与分析，可以更好地理解图像恢复的原理和方法，为图像处理技术的进一步发展提供技术支持和理论指导。
本文将围绕运动模糊图像还原展开研究，探讨基于深度学习的技术在图像处理中的应用，并对运动模糊图像还原的性能进行评价和分析。
1.2 研究意义运动模糊是在图像采集过程中经常出现的现象，主要由于摄像机或目标的运动造成图像模糊不清。
而对于运动模糊图像的还原技术在图像处理和计算机视觉领域具有重要的意义。
研究运动模糊图像还原的意义在于提高图像质量和视觉效果，使得图像更加清晰和真实。
如何应对图像识别中的运动模糊问题(九)
图像识别在现代科技中扮演着重要的角色，然而，运动模糊问题一直是这个领域面临的挑战之一。
运动模糊指的是由于摄像机或物体的运动而导致图像失真或模糊的现象。
本文将探讨如何应对图像识别中的运动模糊问题，并介绍一些解决方案和技术。
一、运动模糊的原因和影响运动模糊通常由以下几个因素引起：相机晃动、快速移动的物体、长曝光时间等。
这些因素会导致图像中的边缘模糊、细节消失，从而影响图像的识别和分析。
运动模糊对图像识别的影响是显而易见的。
首先，模糊的图像很难提供清晰的信息，使得图像中的特征难以被准确识别。
其次，由于模糊导致的细节丢失，可能会使得算法难以对图像中的对象进行分类和定位。
因此，解决运动模糊问题对于提高图像识别算法的准确性和稳定性至关重要。
二、传统方法的局限性在过去，人们通常采用一些传统的方法来处理运动模糊问题。
例如，图片增加曝光时间、使用快门优先模式、使用相机稳定器等。
这些方法可以在一定程度上减轻运动模糊问题，但仍存在一些局限性。
首先，增加曝光时间可能导致图像明暗不均匀，使得图像质量下降；其次，在一些快速移动的物体场景中，相机稳定器可能无法完全消除运动模糊。
因此，单纯采用传统方法难以解决运动模糊问题，需要借助先进的技术和算法来提高图像识别的准确性。
三、深度学习在运动模糊问题中的应用深度学习是近年来图像识别领域的一大突破。
通过构建深层神经网络，可以有效提取图像中的特征并进行准确的分类和识别。
针对运动模糊问题，深度学习可以采用两种方法进行处理。
首先是利用大量的运动模糊图像和清晰图像进行训练，从而使网络能够学习到运动模糊的特征。
其次是采用图像复原技术，利用深度学习网络进行图像恢复。
这种方法通过学习清晰图像和运动模糊图像之间的映射关系，能够有效减轻运动模糊带来的影响。
四、其他解决方案和技术除了深度学习，还有其他一些解决运动模糊问题的方案和技术。
首先是图像去模糊算法。
这些算法通过估计运动模糊的模型和参数，以及对图像进行盲去卷积来减轻运动模糊的影响。
数字图像的盲复原研究
数字图像的盲复原研究1 引言图像复原，是指消除或减轻图像获取过程中所发生的质量下降，也就是退化，使它趋向于复原成退化前的理想图像。
图像复原的难易程度主要取决于对退化过程的先验知识掌握的精确程度。
如果我们对退化的类型、机制和过程都十分清楚，那么就可以根据图像退化的先验知识建立退化模型，采用各种反退化处理方法，如维纳滤波等，对图像进行复原处理，这是比较典型的图像复原方法。
然而，在实际的图像处理时，许多先验知识(包括图像的及成像系统的先验知识)往往并不具备。
一方面，某些情况下，要获得图像的先验知识需要付出很大的代价，甚至有的还是物理不可实现的。
如，在遥感和天文应用中，得出原始图像的统计模型或获得从未被拍摄过的景象的特定信息都是十分困难的;在航空拍摄和天文学中，因为点扩散函数(PSF)的变化难以把握，所以无法获得模糊过程的精确模型;在医学、电视会议等实时图像处理中，PSF的参数很难预知，从而也无法实时地恢复图像。
另外，用于估计退化过程的识别技术还会产生很大的误差，以致于复原出的图像存在人为假象。
由此看来，图像退化是不可避免的，同时又很难用硬件准确测出图像系统的PSF。
基于以上原因，提出了图像盲复原技术这一课题。
图像盲复原是指在图像系统(即退化过程)的信息全部或部分未知的情况下，通过退化图像的特征来估计真实图像和模糊算子的过程。
不管从理论上，还是从实际操作上，都是一个十分困难的问题。
尽管对经典的线性图像复原己进行过深入的研究，但这些方法并不能直接应用于图像的盲复原，而是有待于进一步的探讨。
另外，对图像复原结果的评价也应确定一些准则，这些准则包括最小均方误差(MMSE)准则、加权均方准则、最大墒准则等。
本章通过对己有算法的研究来讲述图像盲复原的基本原理和方法，探讨它的发展趋势和价值。
2、图像的成像模型图像复原的首要任务是建立图像的退化模型，即首先必须了解、分析图像退化的机理，并用数学模型表现出来。
由于图像退化的原因很多，退化机理比较复杂，因此，要提供一个完善的数学模型是非常复杂和困难的。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
数字图像复原技术中运动模糊图像相关问题研究【摘要】随数字图像复原处理技术是当前数字图像处理领域的重要研究课题之一，运动模糊图像的复原是数字图像复原处理技术中较常见也是较难解决的一类问题。
本论文的研究工作正是围绕运动模糊图像复原技术展开。
分析运动模糊图像的成因以及成像过程；建立运动模糊退化模型；用维纳滤波复原方法对模糊图像进行复原；根据维纳滤波运动模糊图像复原方法中的不足之处，引入介绍了一种新的方法，降低了原有算法的复杂度，改进了维纳滤波。
本文主要研究了维纳滤波复原方法并对其进行了改进，其他复原方法有待我们进一步研究。
【关键词】数字图像复原处理技术；运动模糊图像复原；维纳滤波复原；改进维纳滤波复原
图像成像的过程中存在很多的退化源，数字图像在获取、传输和存储过程中受各种原因的影响，会造成图像质量的退化，典型的表现有图像模糊、失真、有噪声等。
运动模糊图像是由于相机和被拍摄对象之间的相对运动而造成的模糊现象，这一现象在日常生活中经常遇到，因此运动模糊图像复原技术便成为目前图像复原技术的研究热点之一，运动模糊图像复原是数字图像处理中的一个重要课题。
它研究的主要目的是改善给定的图像质量并尽可能复原图像。
图像复原的目的就是尽可能恢复被退化图像的本来面目。
运动模糊图像的复原方法研究非常具有现实意义。
无论在日常生
活还是在国防军工领域，运动造成图像模糊现象普遍存在，这给人们生活和航空侦察等造成很多不便，所以很有必要对运动模糊图像的恢复做深入研究。
在交通系统、刑事取证中图像的关键信息至关重要，但是在交通、公安、银行、医学、工业监视、军事侦查和日常生活中常常由于摄像设备的光学系统的失真、调焦不准或相对运动等造成图像的模糊，使得信息的提取变得困难。
通过对于运动模糊图像的复原，使图像变的清晰，便于更好地提取相应信息。
因此对于运动模糊图像的复原技术研究更具有重要的现实意义。
一、图像复原的基本概念
图像复原技术，也称为图像去卷积技术，它是按着图像模糊的反过程进行，其目的是获取清晰的，未被污染的图像的近似值，从而我们可以使用相关信息来正确解读图像所包含的有效信息。
要想复原图像，其中必须要知道的是模糊是空域不变的还是空域变化的：空域不变意味着模糊和位置无关。
也就是说，一个模糊的物体无论从图像的那个位置看都是一样的。
空域变化意味着模糊和位置有关。
也就是说，模糊图像中的物体因位置变化而看起来有所不同。
二、维纳滤波图像复原
从噪声中提取信号波形的各种估计方法中，维纳滤波是一种最基本的方法，适用于需要从噪声中分离出的有用信号是整个信号，而不只是它的几个参量。
设维纳滤波器的输入为含噪声的随机信号。
期望输出与实际输出
之间的差值为误差，对该误差求均方，即为均方误差。
因此均方误差越小，噪声滤除效果就越好。
为使均方误差最小，关键在于求冲激响应。
如果能够满足维纳-霍夫方程，就可使维纳滤波器达到最佳。
根据维纳-霍夫方程，最佳维纳滤波器的冲激响应，完全由输入自相关函数以及输入与期望输出的互相关函数所决定。
三、改进维纳滤波复原方法
由于维纳滤波复原算法复杂，复原图像的质量并不是十分理想，在这里引入国外学者提出的改进维纳滤波复原的方法，在保证图像复原质量的同时，可以有效地降低算法处理复杂度；同时，在相同的算法复杂度的情况下，有效地提高了复原图像的质量。
在一般情况下，我们都会将图像去卷积问题当作整体问题来看待，但是这样的话，其在复原过程中运算的时间复杂度相当大，同时，对物理硬件的要求也会很高。
如果把大的模糊图像分成若干的大小相同的图像子块进行复原。
当然，每个子图像必须比psf图像大，因为，如果图像子块小于psf图像的支撑区间，那么是无法复原图像的，而且，分块越多，引入的外界噪声也越多，这样，即使算法的性能有所提升，但必定会对复原的图像质量造成一定的影响。
同时，分块不可避免的会引入边界噪声，为了抑制边界噪声对复原质量造成的影响，我们采取了块部分重叠的方法。
同时为了降低在复原的图像中所产生的振铃效应，我们对图像的边界进行处理。
边界处理通常和子空间迭代法一起使用，为了加快
收敛速度，也就是说，为了减少计算一个很好的近似解的迭代的次数。
边界处理通常在解决线性系统的环境中提出来。
我们需要注意截断参数的选取很重要。
如果选的太小，迭代结果将受噪声的污染，也不可能得出正确的解值。
如果选的太大，边界处理几乎没有做什么工作，收敛速度没有改进。
我们主要的目标是计算一个比较接近正确解的近似值，当选择近似值时我们应该存储结果；也就是说，我们应仔细避免参数选的太小
四、实验结果比较分析
综上所述，虽然改进维纳滤波图像复原方法在图像复原质量上有所下降，但是同时对系统开销也大大降低，缩短了算法的处理时间，降低了图像处理的复杂度；另外，在同样的算法复杂度的情况下，对图像进行边界处理后复原的图像的质量明显好于处理前，有效地减少了寄生波纹。