清晰的图像特征是工业机器视觉定位系统准确定位的基础,而工业视觉定位在运动过程中经常会产生运动模糊图像影响视觉定位系统的准确定位,为解决模糊图像造成的影响,本文采用盲复原算法对运动模糊图像进行恢复。本文的单幅运动模糊图像盲复原算法是针对复原图像存在振铃现象这个问题提出的,振铃效应是复原过程中模糊图像在运动方向上像素移动造成的二次退化。为了减少复原图像中的振铃,提高图像质量,提出两种盲复原方法,分别是基于L0高阶全变差盲复原方法和突出结构联合L0先验的盲复原方法,下面分别对这两种方法进行详细的介绍:基于L0高阶全变差盲复原方法的提出是一个不断地深入理论,多次实验验证的过程。首先,在了解L0先验、高阶全变差的基础上,建立基于L0高阶全变差盲复原方法的数学模型。该数学模型是盲复原方法重要的理论基础,建立的数学模型主要包含三项,第一项是模糊图像反卷积的保真项,第二项是二阶全微分的抑制伪影项,第三项是梯度核强度的L0先验。然后,对提出的数学模型进行求解,模型的求解是一个求逆的过程,但具有不适定性,存在不唯一解问题。模型求解是假定清晰图像和模糊核中一个量已知另一个量未知,交互求解多次迭代不断更新,求出清晰图像。最后,通过实验来验证盲复原方法模型的正确性,实验结果通过复原图像部分和整体对比两方面来验证,用主观评价和客观评价来衡量复原图像的质量。突出结构联合L0先验盲复原方法可以减少复原图像上多余的伪影,但该方法与L0高阶全变差盲复原方法的适用对象是不同的,L0高阶全变差盲复原方法是为了处理简单线条特征的模糊图像和文字类模糊图像,而突出结构联合L0先验盲复原方法是为了处理建筑结构类模糊图像。突出结构联合L0先验盲复原方法的研究主要由两部分组成,一是建立数学模型并对其求解,二是通过实验验证该方法是否正确有效。建立的数学模型是基于边缘结构模糊核估计和L0梯度和强度先验这两种盲复原方法,边缘结构的模糊核估计盲复原方法的适用对象是运动模糊图像模糊核的移动像素值小的结构类模糊图像,模糊核移动像素值大的结构类模糊图像恢复时多会产生振铃效应;而L0梯度和强度先验盲复原方法可以使图像锐化,减少噪声和伪影;因此,新的数学模型就是两种方法数学模型的有效结合,并且通过实验验证该方法的有效性和正确性。多次实验,将本文提出算法与其他文献中算法的复原图像的清晰度进行比较,用客观和主观评价指标从不同角度衡量复原图像的质量,分析提出算法的优缺点。