图像是传递信息的重要载体,其质量直接影响信息传递的准确度。随着手机、相机等设备的普及,因抖动造成图像全局运动模糊的情况越发频繁,给人们的生活、学习和工作都带来了极大的不便。如何从全局运动模糊图像中恢复出高质量的清晰图像是数字图像处理领域的一个热门研究课题,具有极其重要的意义和广泛的应用价值。在图像模糊核未知的情况下,利用盲去运动模糊技术获取高质量清晰图像是一个严重的不适定问题。为解决该问题,本文深入研究现有算法并进行分析,主要针对准确估计模糊核、抑制图像恢复过程中的振铃效应以及加快模糊图像恢复时间等问题进行算法优化和改进。本文主要研究内容如下:一、由于传统算法易受噪声干扰,影响先验信息的获取及模糊核的估计,为确保能够获得纹理细节更为丰富的先验,需要对全局运动模糊图像进行预处理。首先,本文提出一种联合中值滤波和双边滤波相结合的双滤波方法,尽可能地消除图像中的高低频噪声。然后,根据模糊图像和清晰图像之间的梯度分布差异,使用方向性较强的Canny算子求取模糊图像的梯度信息,增强边缘特征,获得更有利的图像强边缘先验。二、为了获得更加准确的模糊核,恢复出高质量清晰图像,本文提出了一种基于最大后验概率的盲去运动模糊算法。首先,结合模糊图像先验的保真度及稀疏特性,设计一种基于最大后验概率的多尺度运动模糊核盲估计模型。根据L1、L2正则联合约束的梯度先验,通过多尺度迭代计算,逐步获得运动模糊核的最优解。然后,本文设计了一种抑制残余噪声的RL去模糊改进算法,结合最优模糊核和具有稀疏性的梯度先验,利用反卷积操作获得纹理细节更完整的高质量恢复图像。通过实验对比分析表明,该方法不仅能有效地削弱振铃效应,缩短图像恢复时间,而且具有一定普适性。三、由于传统算法中模糊核估计与图像反卷积恢复过程之间的依赖性较强,容易出现误差积累甚至放大的情况,从而导致图像去模糊精度不高且处理速度慢等问题。针对上述问题,本文提出了一种改进的生成式对抗网络模型MD-GAN,以端到端的方式实现图像盲去运动模糊。为了生成高质量的去模糊图像,采用残差网络搭建该模型的生成器,同时考虑到图像去运动模糊前后梯度信息的稀疏性和内容的一致性,在模型中分别使用L1、L2损失约束图像的梯度和内容。为增强网络的鲁棒性和适用性,该模型采用全局判别器和局部判别器分别对恢复图像的全局内容和局部细节进行判定。最后利用公开数据集训练该模型,并通过大量实验的对比分析,突出本文所提改进算法的优越性和稳定性。