摘要：针对大多数先进的单幅图像盲目反降晰技术在噪声无法忽略时,仍不能很好地处理模糊核估计质量退化严重的问题,提出一种利用图像显著结构从单幅噪声模糊图像中准确估计模糊核的方法.首先通过降噪预处理对图像噪声进行抑制,利用基于全总变分模型的方法提取模糊图像的显著结构,进而运用梯度选择方法移除不利于模糊核估计的显著边缘,提高模糊核估计的鲁棒性;然后采取两阶段模糊核估计策略,运用基于图像显著结构模糊核估计方法和迭代支持域检测技术实现模糊核的准确估计;最后通过稀疏先验约束的非盲目图像解卷积方法完成最终的图像恢复.实验结果表明,与已有方法相比,该方法在合成和真实图像上都能更准确地估计出噪声模糊图像的模糊核,获得更好的复原图像质量,可有效地处理图像反降晰对图像噪声敏感问题,实现了噪声模糊图像模糊核的准确估计.

摘要：图像盲复原是从一幅观测的模糊图像恢复出模糊核和清晰图像,传统盲去卷积算法采用简化模型估计模糊核,导致预测模糊核与真实值误差较大,最终复原结果不理想。针对此问题提出一种基于改进残差模块的多尺度卷积神经网络模型,采用端到端模式,无需估计模糊核。提出了一种基于限制网络输入的改进Wasserstein GAN (WGAN),增加了一层输入限制层,能够限定参数初始值,提高了网络收敛速度。设计了多重损失函数,融合了基于多尺度网络的感知损失和基于条件式生成对抗网络的对抗损失。实验结果表明:所提方法在定量和定性评价指标上优于已有的代表性方法,并且运行速度比相近算法快了4倍。