盲目图像复原算法研究背景意义现状及趋势
基于纹理合成的图像修复算法研究的开题报告
基于纹理合成的图像修复算法研究的开题报告一、选题背景及意义图像修复是一种涉及到计算机视觉、计算机图形学等领域的技术，用于重新构建、补全或修复损坏、遮挡或缺失区域的图像。
随着数字摄影和图像处理技术的不断发展，图像修复技术已经成为一个重要的研究领域。
纹理合成则是图像修复领域中一种常用的技术，其利用原始图像中的纹理信息，生成用于修复的新图像，从而实现图像的修复。
本文将研究基于纹理合成的图像修复算法，以解决在实际应用中遇到的图像损坏或缺失问题，提升图像的视觉质量和实用价值。
二、选题目标与内容本文旨在研究基于纹理合成的图像修复算法，提出一种高效、准确的图像修复方案，并探讨其在实际应用中的性能和效果。
具体研究内容包括：1. 纹理合成理论及应用；2. 纹理合成在图像修复中的应用；3. 基于纹理合成的图像修复算法的设计与实现；4. 算法性能评估和效果可视化分析。
三、研究方法与技术路线本文将采用以下技术和方法进行研究：1. 纹理合成技术：探讨纹理合成的基础理论、方法和应用，熟悉各种纹理合成算法；2. 图像修复技术：了解各种图像修复算法的原理和性能，选择适合的算法进行研究；3. 算法设计与实现：根据研究内容，设计基于纹理合成的图像修复算法，利用编程工具实现算法；4. 算法性能评估：对设计实现的算法进行性能评估，包括准确度、鲁棒性、计算时间等指标；5. 效果可视化分析：对算法修复的图像进行效果可视化分析，性能评估和效果可视化结果的统计与分析。
四、预期成果本文预期将完成基于纹理合成的图像修复算法研究，经过实验验证，该算法在准确度、鲁棒性、计算时间等指标上有较好的表现，修复图像的视觉质量和实用价值得到提升。
五、研究难点1. 如何选择合适的纹理合成算法，并将其应用于图像修复中；2. 如何在图像缺失或损坏的情况下，生成逼真、连续的纹理，保持原始图像的视觉特征；3. 如何有效处理大型图像，避免计算资源的浪费。
六、进度安排1. 第一周：文献调研和阅读，对基于纹理合成的图像修复算法进行梳理和总结；2. 第二周：学习纹理合成算法和图像修复算法的基本原理，选择合适的算法进行研究；3. 第三周：进行算法设计和实现，完成初步的实验；4. 第四周：进行算法性能评估，得出实验结果并进行分析；5. 第五周：对实验结果进行效果可视化分析和展示，撰写论文；七、参考文献[1] 叶涛,单伟峰.一种基于纹理合成的图像修复算法[J].西安科技大学学报,2011,31(3):262-266.[2] 刘云超,张磊,王慧.一种基于纹理合成的图像修复算法[J].物联网创新,2017,4(7):28-31.[3] 韩静,杨建民.一种基于图像纹理合成的智能图像修复方法[J].信息技术,2016,18(5):62-64.[4] Zhang, Q., Wei, Z., Kang, B. (2019). Image Inpainting Based on Efficient Patch Matching and Convolutional Neural Networks. Information Sciences, 501, 85-99.[5] Elgammal, A., Duraiswami, R., & Davis, L. S. (2003). Efficient kernel density estimation using the fast gauss transform with applications to color modeling and tracking. IEEE transactions on pattern analysis and machine intelligence, 25(11), 1499-1504.。
基于大气散射模型的雾天图像复原方法研究的开题报告
基于大气散射模型的雾天图像复原方法研究的开题报告一、课题研究背景和意义雾天图像是指受到雾、霾等大气干扰后的图像。
这类图像的特点是：景物颜色发灰，细节模糊，对比度降低，图像质量下降，而且对人类视觉系统造成很大影响。
因此，对于机器视觉、计算机视觉和图像处理技术而言，雾天图像的处理是一个重要的问题。
当前，雾天图像的处理已成为计算机视觉和图像处理领域的热点问题。
目前，雾天图像复原方法主要有以下几种：基于物理模型的方法、基于非物理模型的方法、基于暗通道先验的方法等。
其中，基于大气散射模型的方法是一种比较常用的处理方法。
该方法的基本思想是，通过对雾天图像中的大气光进行分析，去除其对原图像的影响，从而还原出真实的图像。
二、研究内容和计划本课题基于大气散射模型的方法，旨在研究针对雾天图像的复原方法，并探索其在图像处理中的应用。
主要研究内容和计划如下：1. 国内外雾天图像处理技术的现状分析2. 分析大气散射模型及其在雾天图像处理中的应用3. 提出一种新的基于大气散射模型的雾天图像复原方法，并进行实验验证4. 分析新方法的优缺点，提出改进方向预计完成时间第1年·初步研究国内外雾天图像处理技术及大气散射模型的理论基础第2年·提出新方法并进行实验验证第3年·分析新方法的优缺点，提出改进方向三、主要研究内容和方法本课题的主要研究内容包括两个方面。
一方面是对雾天图像处理技术的现状进行分析和总结，另一方面是基于大气散射模型提出一种新的雾天图像复原方法，并进行实验验证。
研究方法包括：1. 文献调研法：对雾天图像处理技术的现状进行综合性调研，并了解和分析国内外的最新研究成果。
2. 基于大气散射模型的算法设计法：基于大气散射模型的理论基础，提出一种新的雾天图像复原方法，并利用计算机模拟进行实验验证。
3. 实验比较法：对比实验结果，分析新方法的优缺点，并提出改进方向。
四、预期成果本课题的预期成果包括：1. 对目前雾天图像处理技术的现状进行全面的调研和总结，提出新的思路和方向。
【图像复原技术研究文献综述2000字】
图像复原技术研究国内外文献综述作为日常生活中广泛使用的技术，图像修复技术汇集了国内外许多重要技术。
实际上，图像复原分为三种标准：首先是搭建其劣化图像的图像模型；其次去研究和筛选最佳的图像复原方法；最后进行图像复原。
所有类型的成像模型和优化规则都会导致应用于不同领域的不同图像恢复算法。
我们对现有的图像复原方法大致做了总结，如利用线性代数知识的线性代数复原技术、搭建图像退化模型的去卷积图像恢复技术以及不考虑PSF的图像盲解卷积算法等。
其中，去卷积方法主要包括功率谱均衡、Wiener滤波和几何平均滤波等，然而这些方法需要许多预信息和噪声稳定假设，这在现实当中我们不可能利用计算机去做到的的事情，因此它们只适用于线性空间不变的理想系统，仅当噪声与信号无关时才能达到很好的效果。
但是在一些条件恶化的情况下，就不能满足图像修复的效果了。
在图像恢复领域当中，另一个重要且常见的方法是盲去卷积复原法。
它的优势是在没有预先了解退化函数和实际信号的知识前提下，可以根据劣化图像直接估计劣化函数和初始信号。
实际上，现在有几个算法通过不充分的预测信息来恢复劣化图像。
由于我们需要对图像和点扩展函数的一些相关信息进行假设和推导，所以这就导致图像恢复的解通常并不存在唯一性，并且我们已知的初始条件和对附加图像假设的选择也会对解的优劣产生很大的关系。
与此同时，由于信道中不可避免的加性噪声的影响，会进一步导致盲图像的复原变差，给图像复原造成许多困难。
也就是说，如果我们直接利用点扩展函数进行去卷积再现初始图像，则一般会导致高频噪声放大，导致算法的性能恶化，恢复不出清晰的图像。
因此，我们要尽可能的提高图像的信噪比，从而提高图像复原的效果。
基于已知的降质算子和加性噪声的某些统计性质从而恢复清晰的图像，我们将这种方法叫做线性代数恢复方法，并且这种线性代数恢复方法在一定程度上提出了用于恢复滤波器的数值计算从而使得模糊图像恢复到与清晰图像一致的新的设计思想。
基于深度学习的图像去噪与复原算法研究
基于深度学习的图像去噪与复原算法研究第一章研究背景与意义近年来，随着数字图像处理领域的快速发展，图像质量的提升成为人们关注的焦点之一。
然而，在日常生活中，我们常常会遇到各种各样的图像噪声，如摄像头拍摄时产生的高斯噪声、手机拍照时的运动模糊等。
这些噪声严重影响图像的质量，给视觉感知和后续处理带来很大的困扰。
因此，图像去噪和复原算法的研究变得至关重要。
深度学习作为一种新兴的机器学习方法，已经在图像处理领域取得了显著的成果。
其强大的特征提取和数据建模能力，使得深度学习在图像去噪和复原任务上展现出了惊人的潜力。
本文将重点研究基于深度学习的图像去噪与复原算法，旨在提高图像质量，为后续的图像处理任务打下坚实的基础。
第二章相关工作综述在图像去噪和复原领域，传统的方法主要基于数学模型和统计学原理。
例如，基于小波变换的去噪算法在过去的几十年中被广泛研究和应用。
然而，传统方法往往需要手工设计特征和人工选择模型，导致其性能在实际问题中受限。
与传统方法相比，深度学习方法通过大规模数据集的学习，自动学习图像特征和模型参数，从而减少了人工干预的需求，并在一定程度上提高了图像去噪和复原任务的性能。
目前，基于深度学习的图像去噪和复原算法已经取得了很多令人瞩目的成果，例如自编码器、卷积神经网络等。
第三章基于深度学习的图像去噪算法在图像去噪算法中，自编码器是一种常用的深度学习模型。
自编码器通过将输入图像编码成低维特征向量，再将特征向量解码成图像重建，从而实现图像去噪的目的。
同时，为了提高自编码器的去噪性能，可以采用不同的结构和损失函数进行训练。
另一种基于深度学习的图像去噪算法是卷积神经网络（CNN）。
CNN在图像处理领域具有很强的表达能力和灵活性，能够捕捉到图像中的局部特征和全局结构。
基于CNN的图像去噪算法可以通过多层卷积和池化操作，用于从输入图像中提取有用的特征，并利用反卷积操作进行图像重建。
第四章基于深度学习的图像复原算法除了图像去噪，图像复原也是深度学习的重要应用之一。
论基于深度学习的图像复原技术研究
论基于深度学习的图像复原技术研究一、引言随着数字摄影技术的发展，现在人们通过智能手机和相机拍摄大量图片。
虽然这些图片很美丽，但是由于各种原因，有时候会导致图像失真。
例如，由于光照问题、手震、焦距问题等原因，图像可能模糊或者噪声较大。
这些问题会影响图像的质量和美观度。
为了解决这个问题，研究人员们一直在探索图像复原技术。
深度学习技术的发展，为图像复原技术的研究提供了新的思路和方法，本文将围绕基于深度学习的图像复原技术展开探讨。
二、图像复原技术概述图像复原指的是将失真的图像进行恢复的过程。
图像复原技术可根据其目的划分为以下几类：去模糊、去噪、超分辨率重建。
去模糊是通过消除图像中的模糊信息还原原始图像。
去噪是通过消除图像中的噪声还原原始图像。
超分辨率是指增加图像的分辨率，使图像更清晰、更细腻。
传统的图像复原技术主要基于图像处理理论，例如频域滤波、基于各向同性的扩散滤波、小波变换和CNN等技术。
虽然传统技术在一定程度上可以解决图像失真问题，但是它们在实际过程中仍然存在很多问题。
例如，频域滤波会引入伪影，扩散滤波往往过分模糊，小波变换可能会改变图像的亮度和色彩，而CNN很难处理高分辨率图像。
这些限制阻碍了传统技术的进一步发展。
三、基于深度学习的图像复原技术研究基于深度学习的图像复原技术得到了广泛关注。
深度学习技术可以解决传统技术的限制，可以在不丢失图像质量的情况下还原图像。
在基于深度学习的图像复原技术中，主要采用了四种算法：DNN、CNN、GAN和RNN。
其中，CNN是最常用的模型。
CNN模型是一种卷积神经网络，它能够处理静态和动态图像，并具有良好的缩放性和运行速度。
CNN模型通常包括三个阶段：特征提取、特征映射和重构。
特征提取阶段用于提取图像中的重要特征，特征映射阶段用于将图像映射为低维度空间，重构阶段用于将映射后的图像重构为原始图像。
GAN则采用了对抗性学习的思想，优化两个神经网络模型：生成器和判别器。
盲图像复原研究现状
并根据相 应的理论来源 及相互联 系将其划分为 四大类 ， 对各类 复原算法 及其改进算法进行 了分析和讨论 ， 为更清晰与深
Ｒｅ ｓ ｅ ａ ｒ ｃ ｈ ｓ ｔ ａ ｔ ｕｓ ｏ ｆ ｂｌ ｉ ｎｄ ｉ ｍａ ｇ ｅ ｒ ｅ ｓ ｔ ｏ ｒ ａ ｔ ｉ ｏ ｎ
ＣＡＯ Ｌ ｅ ｉ ＇ ， 。 ＣＨ ＥＮ Ｈｏ ｎ ｇ — ｂ ｉ ｎ‘
，
，
Ｑ Ｉ Ｕ Ｑ ｉ ， Ｚ Ｈ Ａ Ｎ Ｇ Ｊ ｉ ａ ｎ — ｌ ｉ ｎ ’ ，Ｒ Ｅ Ｎ Ｇ ｅ ， Ｘ Ｕ Ｚ ｈ ｉ — ｙ ｏ ｎ ｇ ， Ｚ ＨＡ Ｎ Ｇ Ｂ ｉ ｎ
： ｝ ： Ｃ ｏ ｒ ｒ ｅ ｓ ｐｏ ｎ ｄｉ ｎ ｇ ａｕ ｔ ｈ ｏ ｒ Ｅ— ｍａｉ ｆ ： ｔ ｅ ｒ ｒ ｙ ｔ ｓ ａ ｏ ＠ １ ２ ６． ｃ ｏ ｎ ｒ
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ：Ｂｌ ｉ ｎ ｄ ｉ ｍａ ｇ ｅ ｒ ｅ ｓ ｔ ｏ ｒ ａ ｔ ｉ ｏ ｎ ｉ ｓ ａ ｎ ａ ｐ ｐ ｒ ｏ ａ ｃ ｈ ｔ ｏ ｅ ｓ ｔ ｉ ｍａ ｔ ｅ ｂ ｏ ｔ ｈ ｔ ｈ ｅ ｏ ｒ ｉ ｇ ｉ ｎａ ｌ ｉ ｍａ ｇ ｅ ａ ｎ ｄ ｔ ｈ ｅ ｐ ｏ ｉ ｎ ｔ ｓ ｐ ｒ ｅ ａ ｄ ｆ ｕ ｎ ｃ ｔ ｉ ｏ ｎ ｆ ｒ ｏ ｍ ｄ ｅ ｇ ｒ ａ ｄ ｅ ｄ ｉ ｍａ ｇ ｅ ｓ，ｗｈ ｅ ｎ ｔ ｈ ｅ ｒ ｅ ｉ ｓ ｎ ｏ ｏ ｒ ｌ ｉ ｔ ｔ ｌ ｅ ｋ ｎ ｏ ｗｌ ｅ ｄ ｇ ｅ ｏ ｆ ｔ ｈ ｅ ｐ ｏ ｉ ｎ ｔ ｓ ｐ ｒ ｅ ａ ｄ ｆ ｕ ｎ ｃ ｔ ｉ ｏ ｎ ｏ ｆ ｔ ｈ ｅ ｄ ｅ ｇ ｒ ａ ｄ — ｅ ｄ ｐ ｒ ｏ ｃ ｅ ｓ ｓ ．Ｉ ｎ ｔ ｈｉ ｓ ｐ ａ ｐ ｅ ｒ，ｔ ｈｅ ｍａ ｉ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍｓ ｏ ｆ ｂ ｌ ｉ ｎ ｄ ｉ ｍａ ｇ ｅ ｒ ｅ ｓ ｔ ｏ ｒ ａ ｔ ｉ ｏ ｎ ａ ｒ ｅ ｒ ｅ ｖ ｉ ｅ ｗｅ ｄ ａ ｎ ｄ ｃ ｌ ａ ｓ ｓ ｉ ｆ ｉ ｅ ｄ ｉ ｎ ｔ ｏ ｆ ｏ ｕ ｒ
基于深度学习的图像修复算法研究
基于深度学习的图像修复算法研究近年来，深度学习作为人工智能的一个分支，已经在各大领域取得了不错的成果。
其中，基于深度学习的图像修复算法尤为引人注目。
图像修复技术可以用于修复损坏或缺失的图像信息，有着广泛的应用场景。
本文将围绕这一主题，探讨基于深度学习的图像修复算法的研究现状、机理以及未来发展趋势。
一、研究现状在过去的几十年中，为了实现图像修复，已经提出了一系列经典的算法。
其中包括基于插值的方法、频域滤波方法、微分方程方法、库恩-塔克方法等。
这些方法虽然在一定程度上解决了图像修复问题，但是仍然存在一些不足之处，例如难以处理大面积损坏图像、容易出现锯齿等现象。
因此，研究基于深度学习的图像修复算法成为了当下的一个热点问题。
基于深度学习的图像去噪技术可以将图像修复分为两个主要部分：数据驱动的模型学习和模型应用。
数据驱动的模型学习部分通常采用卷积神经网络(CNN)来自动学习图像的特征，从而获得更加准确的图像信息。
目前，研究者们已经提出了许多基于CNN的图像修复算法，如SRCNN、DnCNN、ESCNN、RIDNet等。
这些算法在一些图像修复任务中已经表现出了很好的效果。
二、机理解析图像修复的核心问题是如何从部分缺失的图像中恢复出缺失的信息。
由于缺失的信息无法直接获取，因此基于深度学习的图像修复算法通常采用“内插”或“外推”的方法来恢复缺失的信息。
具体来说，就是通过使用一些先验知识和训练好的模型，对缺失的像素点周围的信息进行推断，从而得到缺失的像素点的值。
以SRCNN算法为例，它的核心思想是通过多层神经网络来拟合缺失的图像，并通过训练样本学习出一个映射函数，能够将失真图像映射为准确的图像。
SRCNN算法的主要步骤包括：首先将要修复的图像分解为很多小块，然后通过在大量的样本上进行CNN网络的训练，得到一个模型，最后使用该模型对图像进行重建。
三、未来展望作为一种前沿技术，基于深度学习的图像修复算法仍有很多需要探索的方向。
基于深度学习的图像去噪与复原算法研究
基于深度学习的图像去噪与复原算法研究摘要：深度学习在图像处理领域中的应用日益广泛。
图像去噪和复原是图像处理领域的重要研究方向之一。
本文针对深度学习在图像去噪与复原任务中的应用，介绍了相关算法的研究现状和发展趋势，并对基于深度学习的图像去噪与复原算法进行了深入的研究与探讨。
一、引言图像噪声是指在图像获取、传输和处理过程中引入的不可避免的干扰，会影响图像的质量和视觉效果。
因此，图像去噪和复原一直是图像处理领域的重要问题。
传统图像去噪和复原方法常常依赖于手工设计的特征和模型，其性能受限于人工选择的特征和模型，很难取得更好的效果。
随着深度学习的兴起，基于深度学习的图像去噪与复原算法逐渐成为研究的热点。
二、深度学习在图像去噪与复原中的应用深度学习算法的出现，为图像去噪和复原任务带来了新的思路和方法。
深度学习模型具有强大的表达能力和自适应性，并能从大量数据中学习到图像的特征。
在图像去噪任务中，常用的深度学习方法包括深度卷积神经网络（DCNN）、自编码器（Autoencoder）和生成对抗网络（GAN）等。
这些方法具有较强的去噪和复原能力，并在多个图像处理任务中取得了优秀的成果。
三、基于深度学习的图像去噪算法研究基于深度学习的图像去噪算法主要分为单幅图像去噪和多幅图像去噪两大类。
单幅图像去噪是指通过训练深度神经网络，将带噪图像映射为去噪图像。
这类方法的核心思想是通过学习大量的带噪图像和对应的去噪图像样本，训练出能够准确重构图像的模型。
多幅图像去噪将多张带噪图像作为输入，通过建立他们之间的关联，利用他们之间的互补性信息进行图像去噪。
这类方法通常采用编码-解码框架，其中编码过程可以对输入图像进行特征提取，解码过程则是重建图像。
这些算法能够充分利用多幅图像之间的相关性，有效提高去噪结果的质量。
四、基于深度学习的图像复原算法研究图像复原是指通过深度学习方法对模糊、失真等问题造成的图像损坏进行修复的过程。
基于深度学习的图像复原方法有图像超分辨率重建、图像去雾、图像变色等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
盲目图像复原算法研究背景意义现状及趋势
1图像复原算法的研究意义和背景 (1)
2盲目图像复原方法研究现状 (2)
3盲目图像复原方法发展趋势 (3)
1图像复原算法的研究意义和背景
数字图像处理这门学科的形成也是和社会生产力发展的需要分不开的。
早期的图像处理是由于通讯方面的要求而发展起来的，这就是本世纪20年代传真技术的发明和发展。
其后，由于宇宙探索方面的要求，需要处理大量在宇宙探测器上拍摄下来的不清楚的其他天体(如月球、火星等)以及地球本身的照片，这些需求大大的促进了数字图像处理技术的发展。
到现在，图像处理技术的发展，己经远远突破了这两个领域，被广泛地应用到科学研究、工农业生产、军事技术、政府部门、医疗卫生等许多领域。
图像复原算法的研究是数字图像处理中非常重要的一个领域，它的研究成果也被广泛地应用到各个研究和生产领域。
在图像成像的过程中，图像系统中存在着许多退化源。
一些退化因素只影响一幅图像中某些个别像素点的灰度；而另外一些退化因素则可以使一幅图像中的一个空间区域变得模糊起来。
前者称为点退化，后者称为空间退化。
此外还有数字化器、显示器、时间、彩色，以及化学作用引起的退化。
总之，使图像发生退化的原因很多，如果我们把退化模型简化成真实图像与一个卷积算子卷积的结果，那么图像的复原过程就可以看成是一个反卷积的问题。
反卷积属于数学物理问题中的一类“反问题”，反问题的一个共同的重要属性是其病态，即其方程的解不是连续地依赖于观测数据，换句话说，观测数据的微小变动就可能导致解的很大变动。
因此，由于采集图像受噪声的影响，最后对于图像的复原结果可能偏离真实图像非常远。
由于以上的这些特性，盲图像复原的过程无论是理论分析或是数值计算都有特定的困难。
但由于盲图像复原技术在许多领域的广泛应用，因而己经成为迅速兴起的研究热点。
随着多媒体技术的发展，计算机网络技术的广泛应用和宽带信息网络的建立，信息在人们的工作、学习和生活中发挥越来越重要的作用，其中最直接最主要的信息是图像信息，在各类图像系统中，由于图像的传送和转换，如成像、复制扫描、传输、显示等，总要造成图像的降质，典型的表现为图像模糊、失真、有噪声等，而在众多的应用领域中，又需要清晰的、高质量的图像。
因此，改善图像质量，恢复图像具有非常重要的意义。
2盲目图像复原方法研究现状
图像复原与增强类似，旨在改善图像的质量。
但复原是力求保持图像的原本面目，以保真为前提。
图像复原方法可分为两大类：一类是经典的图像复原方法，它是在确切知道模糊算子的前提下对退化图像进行复原的。
例如逆滤波方法，等功率谱滤波方法，约束最小平方滤波，维纳滤波方法等。
这些经典的图像复原方法已经得到了充分的研究，然而，更常见的实际情况是模糊过程未知或不确定，这就使得点扩展函数(PSF)难以确定，需要从观测图像中以某种方式抽出退化信息，这种仅利用部分或很少图像系统的信息，估计出原始图像的方法称为盲目图像复原。
由于缺乏足够的先验知识，盲目图像复原是困难的。
正由于盲目图像复原不依赖于系统的传递函数，从而使它有着更为广泛的实用价值。
根据点扩展函数(PSF)处理的方式不同，可将现有的盲目图像复原方法分为两大类。
第一类是点扩展函数预先估计法，盲图像恢复研究的早期工作，主要集中在对PSF频域零点的正规模型的研究。
退化图像由简单的点扩展函数(PSF) (如运动和离焦)引起模糊，根据退化图像的频域零点和点扩展函数的结构，确定点扩展函数(PSF)的参数，确定了点扩展函数PSF后，就可以用经典的图像复原方法对退化图像进行复原，这是最简单的盲图像复原方法，但该方法局限于简单的模糊，而且有噪声存在时，该方法无效。
第二类是联合辩识法，即同时对点扩展函数和真实图像的最优解进行估计，二者交替进行，直至算法收敛或者满足处理要求。
目前的绝大多数方法都归属于此类，它也是盲目图像复原方法发展的趋势。
联合辨识法也可分为两大类：参数估计法和非参数估计法。
近几年基于小波变换的多分辨图像恢复方法的研究已引起不少学者的重视。
Tang等也用小波进行盲图像恢复，提出基于小波分解的多分辨盲图像恢复算法，根据小波变换的多分辨率特性，将降质图像分解成相对独立的四个子带降质图像，由于抽样减少了各个子带中模糊自由参数的数量，从而可以有效地对各个子带用不同的图像模型进行EM算法，从各个子带的降质图像中恢复出原图像和模糊算子，得到比空域和频域EM算法更好的特性。
由于图像恢复中的解卷通常是病态的，正则化技术常常被采用。
You等提出一种空间自适应正则化盲图像恢复方法，对降质图像和PSF分别进行分段平滑，从而有效地克服了信息不够的问题，他应用各向异性正则化技术，减轻信息的严重缺乏。
1992年，Rudin等的研究结果显示用总方差(TV)正则化恢复图像边缘和PSF具有效果显著。
基于这一思想，Chan 等提出TV盲解卷，其实验结果显示算法具有相当的鲁棒性，收敛很快，特别是对离散模糊
收敛更快，在严噪声存在的情况下，也能恢复图像和识别PSF，是目前最成功的正则化方法之一，但是，对严重病态模糊例如高斯模糊，仍需进一步研究，改善收敛速度。
近年来，多通道盲图像恢复方法己引起许多学者的重视，并取得一定的进展。
基于高次统计的倒谱法是一较成功的例子；Pillai提出鲁棒最大公约数的盲图像恢复方法，他给出了由一个模糊降质图像产生至少两个降质图像的方法，用GCD算法恢复真实的模糊图像，结果表明算法具有实用价值。
Kumar等提出了多通道盲图像恢复问题的代数方法，他们推广了无线电通信中的一维盲信道辨识算法，将基于子空间和似然法的一维多通道盲解卷扩展到二维，证明除非至少有三个通道，否则唯一地重构原图像是不可能的。
以上各种盲图像恢复算法研究都是关于移不变图像系统的。
有关移变图像系统盲图像恢复的研究，文献报道很少。
基于Kalman滤波的滑动窗法自适应识别移变的PSF，它假设在小窗口内的PSF可以认为是移不变的，那么小窗内的PSF就可用移不变系统PSF识别的方法识别。
Lagendijk采纳了移动窗思想，但用EM算法取代子图像中的Kalman滤波，Ozkan 等则用傅里叶变换的多分辨率方法识别每一滑动窗内的PSF，You等将移不变系统各向异性正则化盲图像恢复的究结果推广到移变系统，为了减少未知参数的数目，将移变系统的PSF 参数化。
3盲目图像复原方法发展趋势
图像盲复原算法的研究还处于起步阶段，主要集中在退化模型属于线性的情况，还未形成系统的分析方法和滤波器设计方法。
而且现有各种算法还存在许多不足,有必要对算法进一步改进。
如IBD算法中，如何选择初始条件才能保证算法的收敛；如何选择算法终止条件才能保证恢复的质量；如何选择滤波器中的噪声参数才能减少噪声的影响。
又如NAS-RIF算法中，如何进一步解决噪声敏感问题，如何估计一幅图像的支持域以及如何把该算法推广到非均匀背景的图像复原还有待于进一步研究。
算法的复杂性也是制约算法应用的一个重要方面，算法的实时性是算法实际应用的先决条件，虽然图像盲复原算法在天文学、医学、遥感等方面获得了较大的应用，但将算法应用到一般的工业图像实时检测、机器视觉、网络环境下的图像传输恢复、刑事侦破等方面还有待于进一步完善。