基于MATLAB的运动模糊图像修复方法研究（LW+源码+讲解+部署）

摘    要

本课程设计主要简要介绍了图像预处理的方法和为了保证良好的后续特征点处理效果而进行的平滑滤波去噪，然后介绍了运动模糊场景下的盲去卷积基本理论，首先应该针对性的分析运动产生的场景，分析出相应的模型，然后运用相关数学知识求解并还原出与真实场景相似的图像。紧接着介绍了图像退化理论知识和图像去运动模糊的数学模型知识，然后分析了图像和模糊核的先验约束条件，为后续的章节提供了理论基础。

最后结合了上述的所有理论知识，对运动模糊图像进行预处理之后，采用倒谱法或者频域法对PSF函数进行先验估计，进行盲去卷积图像修复处理，实验证明效果良好。

关键词：图像处理；运动模糊；盲去卷积

目    录

摘    要

Abstract

1 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.3 本文的研究内容

2 传统图像处理算法

2.1 图像灰度化处理

2.2 图像滤波去噪

2.3 本章小结

3 运动模糊图像盲复原理论框架

3.1 图像退化模型

3.2 模糊图像盲复原基本原理

3.2.1概率模型

3.2.2图像的先验约束

3.2.3模糊核的先验约束

3.3 本章小结

4 MATLAB仿真分析

4.1 MATLAB概述

4.2 算法流程及仿真分析

4.3 本章小结

结    论

参 考 文 献

致    谢

1 绪论

1.1 研究背景及意义

我们在生活中会经常需要清晰图像，例如人脸识别时，需要清晰的图像提高识别效率，物品识别、视频、医疗图像、航空图像等，均需要基于采集到的清晰的图像。在采集的过程中因为相机硬件的抖动，或者拍照过程中光线的影响等原因，会导致想要得到的图像分辨率降低，变得模糊，而与预期的结果产生偏差。同时，如果图像的分辨率变低，可以显著降低图片传输宽带需求，传送速度变快，存储空间的需求，可以存储更多的图片，提高图像显示需求。因此我们需要进行图像处理，得到清晰的图像，让图片在生活中运用的更加便捷。

当相机和被捕获物体之间存在相对运动时，运动模糊就会发生。在这个报告中，我们研究运动模糊，即当运动具有恒定的速度和固定的方向时发生的模糊。目标是确定模糊的角度和长度。一旦确定了模糊的角度和长度，就可以构建点扩散函数。该点扩散函数然后用于直接反褶积方法，以帮助恢复退化的图像。

运动模糊图像盲复原中点扩散函数的先验估计比较重要，其中角度估计从0到180。倒谱法在有低水平噪声时在所有长度上都非常精确。在噪音的存在下，倒谱法失效。在信噪比为10 dB时，表现不佳。在相同的噪声水平上，频域法角度估计在较小的长度上是不准确的，但在较长的长度上是非常准确的。即使在没有噪声的情况下，可控滤波器的角度检测也存在较大的误差。当长度较大时，大约在40到70之间，算法产生的结果较为准确。

图像是由物体发射或反射的光信息，它被人类视觉系统接收，形成于大脑的印象或知识中。人类通过听觉、视觉、触觉、嗅觉和味觉获得外界信息，但绝大多数（约80%）的信息主要来自于视觉对图像特征的提取。可以说，人类理解世界上一切事物的相对全面和便捷的方式主要来自图像。为方便人类，及时接收来自世界各地的图像，保证图像清晰度。考虑到图像传输、存储、容量等现象导致图像失真，有必要进行相应的图像处理。图像信息的处理主要通过一些数学运算来满足视觉、心理和实际需要。图像处理可以通过光学或数字方法来完成。光学图像处理理论在许多方面得到了很好的应用，但由于其操作的灵活性不如数字图像处理，并且受到其他因素的限制，发展的速度明显比数字图像处理慢很多。而数字图像处理所具有的重现性好、通用性强、精度高、灵活性强等优点，从另一个层面弥补了光学方法的缺陷。

对于较小的模糊长度，倒谱法比Radon变换法也就是频域法能更好地估计角度。采用Radon变换方法估计角度，采用二维倒谱方法估计模糊长度，如果得到的模糊长度较小，再采用倒谱方法改进角度估计。在任何情况下，从一个粗略的估计开始，然后在接近这个估计的地方进行细化，可以使我们在不增加计算时间的情况下尝试更高的精度级别。

图像内容可能对所述算法检测到的角度有影响。为了解决这个问题，可以在图像的各个块上使用算法。然而，在块分解而不是整个矩阵上进行初始实验并没有得到更好的结果。更好的改进可能发生在更高的噪音水平和更大的图像。

另一种改进结果的可能性是实际使用正则化盲去卷积方法中最小的函数来判断估计的点扩散函数的质量。确定几个候选的PSF，然后比较相关函数的最小值。如果估计距离很远，函数将不会假定值像实际PSF一样小。在使用这些技术优化模糊识别后，下一步将是在真实相机采集的运动模糊图像上尝试这种方法。

1.2 国内外研究现状

图像盲恢复技术的研究和分析已经取得了许多成果。许多研究者在图像处理领域进行了多年的探索，提出了各种盲图像恢复方法。目前，主要有参数估计方法和非参数估计方法两大类。20世纪80年代，Yitzhakey、Rav-Acha和Peleg通过计算运动方向和角度参数进行盲图像恢复。然而，该方法有很多局限性，仅适用于运动模糊类型中的均匀线性运动模糊类型。后来，为了提高参数估计方法的适用性，国内外学者对单幅图像的盲恢复方法进行了研究。通过假设PSF和清晰的图像，提出了正则化约束、贝叶斯方法和边缘预测方法等有效的模型。

除了参数估计之外，还有非参数盲恢复方法。1987年，Lane和Bates发表了一种零叶分离机制，通过卷积比一维大、由有限的支持域和卷积因子组成的模糊图像来恢复图像，但这些图像对噪声非常敏感。1998年，Ayers和Dainty发表了相应的迭代盲反褶积(Iterative Blind Deconvolution, IBD)算法，它在空间域和频域依次添加约束条件，然后结合傅里叶变换的思想在后续迭代中形成图像预测，解决了模糊问题，但该方法收敛速度慢。2011年，Krishnan等人提出了一种归一化的全变分先验约束模型，该模型避免了模糊，将恢复过程收敛到清晰的图像，但解决边缘模糊需要较长的时间。2012年，Li等人将一种具体形式的Bregman分裂方法迭代应用到约束模型的图像处理中，使恢复过程所需的时间大大缩短。2013年，Zuo等学者对该方法进行了积极改进，在模型分析中使用了更准确的图像先验，获得了更好的恢复结果。

由此可见，盲图像恢复的方法有很多，而且技术算法的发展非常迅速。然而，大多数盲恢复算法都是基于设置足够锐度的图像和PSF的假设，然后加入不同的约束和要求来获得真实图像和PSF预测，这有一定的局限性。模糊图像的盲恢复还需要进一步的研究。

1.3 本文的研究内容

本课程设计首先简要介绍了图像预处理的方法和为了保证良好的后续特征点处理效果而进行的平滑滤波去噪，为后续的运动模糊图像盲复原提供了良好的图像素材。

然后第三章介绍了运动模糊场景下的盲去卷积基本理论，首先应该针对性的分析运动产生的场景，分析出相应的模型，然后运用相关数学知识求解并还原出与真实场景相似的图像。本章首先介绍了图像退化理论知识和图像去运动模糊的数学模型知识，然后分析了图像和模糊核的先验约束条件，为后续的章节提供了理论基础。

最后一章结合了上述的所有理论知识，对运动模糊图像进行预处理之后，采用倒谱法或者频域法对PSF函数进行先验估计，进行盲去卷积图像复原处理，实验证明效果良好。

2 运动模糊图像的预处理

2.1 图像灰度化处理

在对图像进行一系列处理之前，先要做好预处理，因为由于设备和环境的问题，所采集到的图像信息有好有坏，有的图像较为清晰方便后续的图像识别等一系列操作，有的采集到的图像不怎么清晰就不能作为或者说不方便作为后续的处理，因此对采集到的图像要做一定程度上的预处理，图像的灰度处理就是预处理中较为重要的环节。

灰度图像上每个像素的颜色值又可以称为灰度，即指黑白图像中点的颜色深度，范围一般从0到255，黑色为0，白色为255。灰度值是指通过数值来表示色彩的浓淡程度，灰度直方图是指一幅数字图像中，对应每一个灰度值统计出该图像中所具有的该灰度值的像素数。灰度图像就是没有色彩的图像，也就是RGB三种通道的数值是相同的，当像素值只有1和2的时候，该灰度图像的像素级别就是等级2，换句话说RGB三种通道像素值相等时就是灰度图像。

RGB图像是现代图像的大部分表达形式，实际应用中对某一图像的处理就是对该图像RGB三通道像素进行的处理，而三通道并不能很好的表现出图像所拥有的特征，只是对各个像素进行了相应的调配。图像灰度化处理可以作为图像处理的预处理步骤，为之后的图像分割、图像识别和图像分析等操作做准备。

图像灰度处理一般包含以下几种方法：

（1）分量法：将彩色图像中的三分量的亮度作为三个灰度图像的灰度值，之后可根据应用需要选取一种灰度图像。

（2）最大值法：将彩色图像中的三分量亮度的最大值作为灰度图的灰度值。

（3）平均值法：将彩色图像中的三分量亮度求平均得到一个灰度值。

（4）加权平均法：由于人眼对不同的像素敏感度也不同，例如对于绿色，肉眼的敏感度较高，对于蓝色，肉眼的敏感度较低，因此，对图像中的RGB三种像素通道进行不同加权比重处理，从而得到相对于人眼较为明显的分辨结果。

由于分量法是选择一个三种彩色通道中的一种，丢失了另外两个色彩通道的颜色信息，所以在特征点检测中的灰度处理不考虑此种方法，接下来对剩下来的三种方法做实验进行比较，查看效果。

各个方法的处理结果如下图所示：

        图2-1 灰度处理原始图像图                                  图2-2 灰度处理第一种方法效果图

     图2-3 灰度处理第二种方法效果图                          图2-4 灰度处理第三种方法效果图

从图中不难看出。第一种方法过于色彩鲜艳过于明亮，因为本课程设计是检测特征点，图像预处理过后的灰度图如果过于明亮则无法看清图像表面纹理，第二种方法则过于暗，色彩对比度不高，如果采用这种方法则图像表面的细节检测不到，也不行；而第三种方法最为温和，采用该种方法作为图像预处理环节中的灰度处理较为合适。

2.2 图像滤波去噪

近年来在多光谱图像处理方面的研究，提倡对这图像信号采用矢量方法。针对这一问题，目前较为流行的方法是最小化误差准则的向量处理算子。在该框架中，已有文献报道了两类主要的向量处理滤波器。Astola等人(1990)引入了著名的向量中值滤波器(VMF)，它是从指数分布中导出的最大似然(ML)估计。特拉哈尼亚斯等人则研究的是另一种考虑矢量方向滤波器(VDF)的分类，研究了利用方向信息处理彩色图像数据，在该研究成果中提到一种新的滤波器结构——方向距离滤波器(DDF)，它以一种新颖的方式将VDF和VMF结合起来。结果表明，DDF是一种鲁棒的信号估计器，在各种噪声分布下都具有良好的保色性，并与其它多通道图像处理滤波器进行了比较。

而边缘检测过程中较为有意思的是可以将图像边缘检测问题则可以描述为一个模糊推理问题。边缘检测问题分为三个阶段:滤波、检测和跟踪。采用基于局部像素特征的模糊推理对图像进行滤波，控制高斯平滑程度。然后对滤波后的图像进行简单的边缘检测算法，根据图像的局部特征对每个像素的边缘模糊隶属度值进行评估。最后，对边缘隶属度高的像素点进行跟踪并组装成结构，再次使用模糊推理来指导跟踪过程。研究结果在几个测试图像上测试了滤波、检测和跟踪算法，并与标准边缘检测技术进行了比较。

此外，还可以利用各向异性扩散的非线性图像滤波模型，用于降噪和边缘增强。该方法不仅可以增强边缘，还可以增强角和T节点。该方法与强边反向热流的非线性扩散过程基本一致。这样的过程是病态的，使得结果很大程度上取决于算法与扩散过程的不同之处，所以需要进行改良，目前有待进行进一步的研究发展，时机成熟才可以向工业界推广。

利用图像滤波的方法还可以对数字图像信号进行插值，图像元素通过采样密度在预定的图像信号表示原始图像，图像信号组件的数量取决于数字图像信号增加插值，数字图像信号和图像信号分量的值是根据预先确定的操作，以及使用滤波器覆盖区域内的所有图像元素的值以及对应于每个图像元素的滤波器系数来获得的。当边缘部分存在于滤波器所覆盖的区域时，对表示边缘部分的图像元素的图像信号分量进行校正后，执行预定的操作。最后通过对用m×n像素组成的块单元编码的解码数据获得的图像信号进行滤波操作，抑制再现图像信号中包含的噪声。

在最近的一篇文章中，研究表明中值滤波是一个两项成本函数最小化的优化过程。基于中值滤波过程的函数优化特性，提出了一种用于图像处理应用的递归中值滤波设计方法。证明了该方法在有限次迭代内收敛到根。将该方法应用于处理被伪随机脉冲噪声破坏的真实图像，结果表明，与标准的递归中值滤波器相比，该方法具有更好的均方误差(抑制)性能。

尺度变换已被提出并应用于一维信号的语音处理、生物信号和机械振动分析等领域。本文介绍了尺度变换在实际应用中的一些结果，特别是在图像去噪方面的应用。我们的初步工作表明，在许多情况下，尺度域去噪比傅里叶域去噪更有效。

通过对输入的数字图像信号集进行低通滤波，沿着图像内相应的多个方向产生多个数字化子图像信号集。然后，生成一组噪声平滑的数字图像信号，作为该第一组子图像信号集的加权组合。然后进一步进行优化，赋予每个子图像贡献的权重是子图像与原始图像之间的差值的函数，从而使生成的滤波器适应于组织结构。

经典的信号处理技术维纳滤波已扩展到处理一维和二维离散数据的数字运算，重点是减少计算量。在广义维纳滤波过程中，对假定由加性信号和噪声分量组成的数据进行一元变换，如离散傅里叶变换、哈达玛变换或卡尔胡南-洛伊夫变换。然后用滤波函数对变换后的数据进行修正，再进行逆变换得到离散系统输出。选择滤波器函数是为了对输入数据的信号部分提供最佳的均方估计。

彩色图像是二维、三通道随机信号。它们的统计特性与黑白图像(单通道、二维信号)有很大的不同。大部分文献研究了有序和有序统计滤波概念在多通道彩色图像中的推广。边际阶数统计是对多通道滤波最直接的扩展。边缘中值滤波与中值滤波是独立于各个信道的。然而，其统计分析并不是单通道分析的简单扩展。有些研究成果对彩色图像的边缘阶滤波进行了统计分析，提出了一种新的非均匀图像扩散公式，将图像看作三维空间中的一个曲面。用经典的微分几何方法分析了该曲面在扩散作用下的演化过程。提出了一种只对表面梯度方向的散度取平均的非线性滤波理论。这种平均保留了边缘和线，因为它们的方向是非发散的，而噪声是平均的，因为它没有非发散一致性。此种方法通过以与平均曲率成比例的速度演化曲面来实现这一目标，从而使表面积最小化，并在任何地方强制执行规则。此外，还引入了一个新的过滤器，使角和边不受扩散过程的影响，实验证明了这一新理论的充分性。

图像滤波，即在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，是图像预处理中不可缺少的操作，其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性。

对于图像中不同频段的处理一般称之为滤波或者图像去噪。图像中大量的像素集中在低频分段，而感兴趣区域主要存在于高频分段，因此挑选合适的高频降噪滤波器显得尤为重要。图像降噪处理的要求主要有以下两点：一是将特征明显的区域得以保留，以供后续处理，不能损失有效信息，第二点是将高频中无效信息也就是噪声尽可能的减少，当然中低频的噪声也不能完全忽略，在有效信息得以保留的基础上尽可能的消除噪音。

而对于滤波的处理有两条要求：一是不能损坏图像的轮廓及边缘等重要信息；二是使图像清晰，视觉效果好。

平滑滤波是低频增强的空间域滤波技术。它有两类目的：一类是消除噪音；一类是模糊。

空间域的平滑滤波一般采用简单平均法进行，就是求邻近像元点的平均亮度值。邻域的大小与平滑的效果直接相关，邻域越大，平滑的效果越好。但邻域过大，平滑会使边缘信息损失的越大，从而使输出的图像变得模糊，因此需要合理的选择邻域的大小。

关于滤波器，我们可以把滤波器想象成一个包含加权系数的窗口，当我们使用滤波器平滑处理图像时，就像把这个窗口放到图像之上，透过这个窗口来得到我们想要得到的图像。

接下来对滤波几种分别做简要的介绍，以及阐述他们之间的优缺点。

图像滤波可以分为以下四种基本滤波方法：

（1）均值滤波：作为最简单的滤波方式，均值滤波得到的输出图像内每一个像素都是窗口内所有像素的平均值，也就是每个像素的加权求和系数是一样的。

（2）高斯滤波：高斯滤波可以有效的消除高斯噪声，简单的说，其原理和均值滤波差不多，只不过在滑动窗口内进行加权系数是高斯函数确定，对这个模块进行卷积操作，得到滤波后的图像。

（3）中值滤波：中值滤波主要是针对椒盐噪声，其原理是用每个像素点领域内的各个点的灰度值的中值来代替原有像素点，可以有效的去除椒盐噪声。

（4）双边滤波：双边滤波是一种非线性的处理方式，同时考虑到了空域信息和灰度相似性，换句话说不仅考虑了周边的像素信息，还考虑到了像素值之间的相似性，是一种折中的方法，不仅能够去噪，还能够保留住原始图像的大部分信息。不过值得一提的是，此种双边滤波也有不好的地方，不能有效的对椒盐噪声进行滤波。

2.3 本章小结

本章简要介绍了图像预处理的方法和为了保证良好的后续特征点处理效果而进行的平滑滤波去噪，为后续的运动模糊图像盲复原提供了良好的图像素材。

3 运动模糊图像盲复原理论框架

盲解卷积是在模糊核未知的情况下恢复模糊图像的锐化版本。最近的算法已经取得了巨大的进步，但问题的许多方面仍然具有挑战性和难以理解。本课程设计的目的是从理论和实验两方面对现有的盲去卷积算法进行分析和评价，由于核的大小往往小于图像的大小一个单独的核地图估计可以很好地约束和准确地恢复真正的模糊。最近大量的盲去卷积技术使得对地面真实数据的实验评估变得非常重要。

3.1 图像退化模型

图像盲去运动模糊，首先需要对产生运动模糊的图像原因进行分析，构建相应的数学模型，然后用数学方法还原真实的场景。一般来说，图像的退化过程可以概括为以下形式，如图3.1所示，为原始图像信息，经过退化系统k的处理和噪声之后，得到输出，即模糊不清的图像。

图3.1 通用图像退化模型

上述过程可以用下列表达式进行描述：

                   （3-1）

基于上述的模型描述，运动模糊图像的去模糊化的过程可以理解为利用已知的信息，对模糊图像而在这个过程中，寻找合适的退化系统系数k变成了重中之重，也是关键所在。

3.2 模糊图像盲复原基本原理

在运动模糊图像讨论范畴中，退化系数k即为模糊核，运动图像盲复原的原理框图如图3.2所示，在实际应用中，有很多模糊图像的盲恢复方法，它们不仅可以在连续区域进行操作和求解，也可以在离散区域进行操作和求解。考虑到处理的便捷性和效率，操作通常在离散区域进行，而相关数据信息则在空间域、频域等进行处理。盲复原算法的效果与先验知识的准确性密切相关。先验知识的准确率越高，恢复后的图像越清晰。

模糊图像的盲恢复技术发展迅速，可归纳为两种基本结构。一个是先验识别框架。首先对估计的模糊核进行求解，然后将估计的模糊核用于图像复原，最后得到估计的原始图像;二是联合识别框架，在预测模糊核的过程中不断估计清晰图像。由于先验识别将盲恢复过程划分为两个独立的过程，计算量较小，联合识别将更加复杂。

图3.2 图像盲复原原理图

3.2.1概率模型

由于运动模糊图像的构成十分复杂，导致我们很难求得清晰图像和原始图像完全一致，不过目前一个可行的方式是运用概率论的相关知识，建立相关的数学模型，然后利用最大化相似值的方法，使得还原场景尽可能最有效果。

如果我们已经知道了模糊退化过程中的噪声，那么可以很清楚的得到模糊图像g关于清晰图像f和模糊核h之间的条件概率密度：

这样一来就可以求得相应的清晰图像f，然而，由于运动过程中相当复杂，拍摄的图像丢失了大量的信息，如果仅仅根据这个概率模型那么将会得到包含较大噪音的图像。

为了改善恢复的图像结果，根据贝叶斯相关理论，比较容易得到以下的概率模型：

                 （3-2）

其中是似然项，其值与图像退化过程中的噪声n有关，和分别表示清晰图像f和模糊核k的先验约束。

3.2.2图像的先验约束

有效的先验信息是确定能否去除图像运动模糊的关键因素之一，吸引了国内外大批学者对其进行探究，提出了多种先验模型以供解决。

大多数图像的先验知识都是基于自然图像的统计特征得出的，Field等人通过对自然图像的振幅进行相关的统计，提出了自然图像的振幅谱在一定条件下服从某种规律，而Gull和Skilling则明确指出信息熵是区分模糊图像和清晰图像的一个有效先验信息，模糊图像的信息熵要小于清晰图像的信息熵。

在此之后，又有许多学者通过对自然图像的梯度直方图进行观察，指出自然图像的梯度值负荷重尾分布，稀疏分布的并且在零值附近，紧接着涌现出一大批的基于重尾分布的先验知识图像去运动模糊算法，这类算法之所以会被广泛运用，是因为不仅能够抑制住噪声，而且还能有效的还原原始图像信息，保留明显的边缘信息，但是伴随而来的也有明显的缺点，如果加入MAP图像去运动模型中，会使得求解过程十分繁琐且费时。

3.2.3模糊核的先验约束

对于图像模糊的问题，我们在求解过程中也要关注于模糊核k，也就是上文中提到的先验知识

来约束求解过程，模糊核总体来说有以下两种特征：第一是由于图像是光子在成像设备上不断累积形成的，所以模糊核中的每个像素点数值都是大于零的，第二点模糊核本质上描述的是相机在拍摄照片时与拍摄对象之间发生的运动轨迹，因此模糊核是稀疏的。以下便是几种常见的模糊核先验约束。

Fergus等人的约束模糊核中的元素符合混合指数分布：

                     （3-3）

其中和分别表示第d个指数项的混合权重和幂指数。

Shan等人用指数分布的形式对模糊核进行约束：

                         （3-4）

本课程设计将采用倒谱法和频域法相结合的方式对图像的点扩散函数金兴先验估计。频域法的原理是将退化图像进行二维傅里叶变换，得到具有相互平行的规则明暗条纹的频谱。设暗纹与 x 轴正向夹角为 φ ，运动模糊方向与 x 轴夹角为 θ ，图像尺寸为 M × N，根据傅里叶变换的时频特性可以知道，可通过公式 tan(θ) = tan(φ − 90°) × M/N  得到模糊角度 θ，因此只要通过 Radon 变换检测出频谱暗条纹与水平方向的夹角即可到运动模糊方向。

倒谱法的原理是先将退化图像进行二维傅里叶变换，然后取对数，再进行反傅里叶变换得到退化图像的倒频谱，分离出退化图像的模糊信息，进而通过 Radon 变换得到运动模糊方向。

3.3 本章小结

运动模糊场景下的盲去卷积，首先应该针对性的分析运动产生的场景，分析出相应的模型，然后运用相关数学知识求解并还原出与真实场景相似的图像。本章首先介绍了图像退化理论知识和图像去运动模糊的数学模型知识，然后分析了图像和模糊核的先验约束条件，为后续的章节提供了理论基础。

4 MATLAB仿真分析

4.1 仿真实验及结果

一般来说，盲去模糊算法首先是估计点扩散函数，当点扩散函数已知时，便可以将问题转化到非盲去模糊问题。但也有另外迭代的方法，即利用各种先验知识，迭代估计psf和原图以达到最佳效果。本节提到的是一种估计psf的经典算法。

运动图像的复原难点在于对点扩散函数即PSF的估计，然后根据点扩散函数的先验估计，使用imfilter函数对图像进行盲去卷积算法处理，观察得到的效果。接下来将介绍倒谱法和频域法对PSF的先验估计。

为了将倒谱法和频域法的点扩散函数先验估计相结合，

经过反复多次的参数调节，得到以下结论：模糊角度的参数估计主要与边缘检测的阈值、运动模糊的尺度和角度这三个变量有关，当模糊尺度大于20像素的、模糊角度小于90度的时候，频域法估计出来的效果较为良好，当模糊尺度大于40像素，而模糊角度小于180度时，倒谱法估计的效果较为良好。接下来针对不同的运动模糊场景，进行盲去卷积去模糊处理。

图4.1 盲去卷积黑白运动模糊图像

图4.2 盲去卷积彩色运动模糊图像

如图4.1所示，对图像进行相应的预处理滤波之后，采用合适的点扩散函数先验估计，对黑白运动模糊图像进行盲去卷积复原处理，效果良好，图4.2所示，对彩色图像进行盲去卷积复原处理，也如预期所望效果良好。

图4.3 两种运动模糊情况

如图4.3所示，为两种情况下的运动模糊图像，上图为尺度30，角度50的运动模糊情况，下图为尺度50，角度100的情况。接下来将要测试倒谱法和频域法在不同的运动模糊场景下的处理结果。

图4.4 尺度30角度50场景下盲去卷积对比

如图4.4所示，为模糊尺度30像素，模糊角度50度的场景下，盲去卷积的对比图，第一列为倒谱法先验估计点扩散函数的处理效果，第二列为频域法先验估计点扩散函数的处理效果，不难看出在当模糊尺度大于20像素的、模糊角度小于90度的时候，频域法估计出来的效果较为良好。

图4.5 尺度50角度100场景下盲去卷积对比

如图4.5所示，为模糊尺度50像素，模糊角度100度的场景下，盲去卷积的对比图，第一列为倒谱法先验估计点扩散函数的处理效果，第二列为频域法先验估计点扩散函数的处理效果，不难看出在当模糊尺度大于40像素的、模糊角度小于180度的时候，倒谱法估计出来的效果较为良好，因此选择合适的点扩散函数先验估计算法尤为重要。

4.2 本章小结

本章结合了上述的所有理论知识，对运动模糊图像进行预处理之后，采用倒谱法或者频域法对PSF函数进行先验估计，进行盲去卷积图像复原处理，实验证明效果良好。

结    论

本课程设计首先简要介绍了图像预处理的方法和为了保证良好的后续特征点处理效果而进行的平滑滤波去噪，为后续的运动模糊图像盲复原提供了良好的图像素材。紧接着介绍了运动模糊场景下的盲去卷积基本理论，首先应该针对性的分析运动产生的场景，分析出相应的模型，然后运用相关数学知识求解并还原出与真实场景相似的图像。本章首先介绍了图像退化理论知识和图像去运动模糊的数学模型知识，然后分析了图像和模糊核的先验约束条件，为后续的章节提供了理论基础。最后结合了上述的所有理论知识，对运动模糊图像进行预处理之后，采用倒谱法或者频域法对PSF函数进行先验估计，进行盲去卷积图像复原处理，实验证明效果良好，为下一步大数据场景数据集处理以及部分运动模糊图像盲复原提供了良好的理论基础和素材。