图像模糊是一种常见的图像退化问题,由于很多照片场景的不可再造性,从模糊图像恢复出原始清晰图像是一个非常重要的研究课题。传统方法的图像先验模型对于模糊图像能获得更小的正则项能量,从而在目标函数能量最小化求解过程中得到原始模糊图像的局部极值。为了求解出清晰图像,很多算法通常需要加入比较复杂的锐化过程增强图像的细节信息以求解清晰图像,但是其求解过程过于复杂,而且在理论和效果上也难以保证其可行性。为了克服传统的图像先验模型在去模糊中的缺点,本文从自然图像的先验知识的分析和挖掘入手,围绕自然图像恢复模型中正则项具有关键性作用的特点,对如何结合自然图像建立高效正则约束进行研究。本文的主要工作和贡献点在于:1.针对传统方法的图像先验模型对清晰图像不能获得极小值的缺点,本文提出一种基于边缘自适应的图像盲去模糊模型。本算法模型有以下特点:1)本算法模型构造了梯度域图像优化式,且在该优化式中设置了去均值的梯度正则模型,使得正则项更稀疏,极大地提高了清晰图像的边缘和细节。2)本算法模型对梯度域图像优化式采用正则项加权系数对去均值的梯度正则模型进行梯度加权,利用梯度的方差的倒数作为正则项加权系数,使得优化式对清晰图像具有更小的能量,而对模糊图像具有较大的能量,从而避免原始模糊图像成为目标函数的解,克服了传统先验正则模型偏向选择模糊图像的问题。同时,本算法在贝叶斯理论框架下,从二阶统计数据自适应计算得到权重的值在理论上说明了对所提出的图像去模糊模型有效性,实验结果也证明了本算法模型的可靠性。2.为了进一步提高去模糊算法的性能,本文提出了基于自适应稀疏先验的图像去模糊模型。本算法模型的正则项加入了图像标准差的稀疏项,同时优化了正则模型中的参数计算方法。首先,稀疏项的添加,不但使得图像正则模型继续保持在清晰图像处能量有极小值的优点,而且图像标准差的稀疏项的添加使得图像参数计算时有了封闭解,从而正则模型中的参数计算更加准确。其次,我们使用局部信息更新求解正则参数,参数求解不依赖于初始去模糊所得解,整个优化求解过程只需一次计算去模糊,算法速度也更快。本文通过对仿真的模糊图像和真实的模糊图像进行去模糊,实验结果表明了本文的算法恢复出的清晰图像边缘和纹理都更佳,视觉效果也更好。