图像复原技术研究背景及现状
实时图像复原技术研究的开题报告
实时图像复原技术研究的开题报告一、题目：基于深度学习的实时图像复原技术研究二、研究背景当图像在传输或存储过程中受到噪声、失真或压缩等因素的影响时，图像质量会受到严重损害。
因此，实时图像复原技术的研究具有重要的实际意义。
目前，深度学习已经被广泛应用于图像处理领域，通过训练深度神经网络进行图像去噪、去模糊和超分辨率恢复等问题已经取得了很好的效果。
因此，本文将基于深度学习的方法，研究实时图像复原技术，以实现对失真图像的实时恢复。
三、研究目的本文旨在基于深度学习的方法，研究实时图像复原技术，实现对失真图像的实时恢复，并通过实验验证其效果。
四、研究内容本文将围绕以下内容展开研究：1. 深度神经网络模型：通过对深度学习相关算法的研究，构建适用于实时图像复原的深度神经网络模型。
2. 数据预处理：对实际应用场景中的图像数据进行采集和预处理，包括去噪和去模糊处理。
3. 网络训练和优化：使用已有的大量数据集训练模型，使用自定义目标函数进行模型优化。
4. 实验验证：使用真实世界的失真图像进行实验验证，通过与其他算法进行比较分析，验证本文提出的实时图像复原技术的优越性。
五、研究方法本文将采用深度学习方法，构建适用于实时图像复原的深度神经网络模型，并使用已有的大量数据集对模型进行训练和优化，最终通过实验验证，并与其他算法进行比较分析。
六、研究意义实时图像复原技术的研究对于多种应用场景都具有重要意义，例如图像传输、视频会议、医疗影像等。
本文研究的实时图像复原技术具有以下优点：1. 实现实时恢复：通过深度学习方法，能够实现对失真图像的实时恢复，提高了图像处理的效率。
2. 适用场景广泛：本文研究的实时图像复原技术适用于多个应用场景，如图像传输、视频会议、医疗影像等。
3. 提高图像质量：本文提出的实时图像复原技术可以在不增加额外噪声的情况下提高图像质量，使得图像更加清晰。
七、研究进度安排1. 第一周：查阅相关文献，确定深度学习方法的特点和应用；2. 第二周：构建适用于实时图像复原的深度神经网络模型，进行模型优化；3. 第三周：采集实际应用场景中的图像数据，进行预处理；4. 第四周：使用已有的大量数据集训练模型，并进行测试；5. 第五周：收集测试结果，并进行结果分析和总结；6. 第六周：完成报告的写作和完善并进行答辩。
基于计算机视觉的图像复原技术研究
基于计算机视觉的图像复原技术研究随着科技的不断进步，计算机视觉技术逐渐成为了一个热门领域。
其中，基于计算机视觉的图像复原技术就是一个备受关注的方向。
这种技术可以通过特定的算法对损坏的图片进行重建，提高图像的质量和清晰度，进而使得图像更具有观赏性和可用性。
在本文中，我们将从技术原理、研究现状和应用前景等角度，深入探讨基于计算机视觉的图像复原技术的研究。
一、技术原理基于计算机视觉的图像复原技术原理就是通过对图像中的损坏部分进行分析，找出其中失去的信息，然后使用一定的算法进行推测、修复，最终得到更高质量的图像。
该技术主要包括以下三个步骤：（一）图像预处理：首先对原始图像进行预处理，包括降噪、模糊、锐化等预处理操作，以便进一步进行复原操作。
（二）信息推测：通过对图像信息进行推测，找出失去的信息，补全缺失点，达到更真实、更完整的效果。
（三）后处理：在通过信息推测还原完图像后，需要进行一些额外的后处理来提高图像质量。
这些后处理包括调整亮度、对比度、色彩饱和度等等。
二、研究现状随着计算机技术的飞速发展，基于计算机视觉的图像复原技术也得到了大幅发展。
现在已有很多成熟的算法，可以用来进行图像复原。
（一）基于传统图像复原算法的研究重建的早期方法主要包括降噪滤波、边缘保持滤波、图像插值、图像增强等，代表性的算法有线性插值、双线性插值、基于目标领域的插值算法、小波变换、主成分分析等。
这些算法虽然能够取得一些成果，从而实现图像重建，但是重建的质量较低，需要人为介入调整参数，重建结果不够理想。
（二）基于深度学习的图像复原算法的研究为解决传统算法存在的问题，一些学者开始使用深度学习方法来进行图像复原研究，同时也取得了不小的进展。
深度学习相关的算法有基于卷积神经网络（CNN）和生成对抗网络（GAN）。
这些算法不需要手动介入调整参数，可自动进行图像复原优化，达到更高的精准度和更好的后期处理效果。
（三）适用场景基于计算机视觉的图像复原技术在人类的创建或记录的图像中，有着广泛的应用。
基于人工智能的图像恢复算法研究
基于人工智能的图像恢复算法研究第一章：引言1.1 研究背景随着数字图像处理领域的迅速发展和广泛应用，图像恢复技术在图像处理领域中扮演着重要的角色。
图像恢复的目标是通过消除噪声、补全丢失的信息或修复受损的图像来使图像具有更好的质量和视觉效果。
图像恢复技术在医学影像、遥感图像、安防监控等领域中发挥着重要作用。
1.2 研究目的本研究旨在基于人工智能技术，研究图像恢复算法，通过深度学习和传统机器学习方法，提高图像分辨率、补全丢失的信息、恢复受损的图像等方面的性能。
1.3 研究意义图像恢复算法的研究对于提高图像质量、恢复图像细节、改善图像可视化效果具有重要意义。
通过引入人工智能技术，可以更好地应对图像恢复中的挑战和难点，提高恢复效果，拓展图像恢复算法的应用领域。
第二章：图像恢复技术概述2.1 图像恢复的定义和作用图像恢复即通过对原始图像进行处理和修复，使得恢复后的图像在质量和可视化效果上得到提高。
图像恢复技术可以提高图像的清晰度、分辨率，消除图像中的噪声和失真，补全丢失的信息。
2.2 图像恢复的挑战与难点图像恢复的挑战主要包括图像的模糊、噪声和失真问题，以及图像中的丢失和破损。
这些问题使得图像恢复面临着较大的难度，需要考虑图像内容的复杂性、噪声的特性、数据的稀疏性等因素。
2.3 常见的图像恢复方法概述常见的图像恢复方法包括基于深度学习的方法和基于传统机器学习的方法。
基于深度学习的方法主要利用生成对抗网络和自编码器等模型进行图像恢复，而基于传统机器学习的方法则利用反卷积算法和稀疏编码算法等进行图像恢复。
第三章：基于深度学习的图像恢复算法3.1 深度学习在图像恢复中的应用深度学习技术在图像恢复中被广泛应用，通过深度神经网络的训练和学习，可以更好地提取图像的特征并进行恢复。
3.2 生成对抗网络（GAN）3.2.1 GAN的基本原理生成对抗网络是由生成器和判别器组成的网络结构，通过不断的训练和对抗学习，生成器可以生成逼真的图像，判别器则用于区分生成器生成的图像与真实图像。
盲目图像复原算法研究背景意义现状及趋势
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。
运动模糊图像复原算法研究的开题报告
运动模糊图像复原算法研究的开题报告一、选题背景及意义运动模糊是一种常见的图像模糊形式，例如在拍摄运动物体时，相机的曝光时间较长，导致影像出现模糊。
由于运动模糊在拍摄和图像采集中难以避免，因此运动模糊图像复原一直是计算机视觉领域的研究重点。
该领域的核心内容是如何为运动模糊图像提供更准确、逼真的复原。
运动模糊图像复原技术对于科学研究、生产应用、人类生活等方面具有重要意义。
例如，在街景图像、无人驾驶、物联网等领域的发展中，高质量运动模糊图像复原是必要的前提之一。
二、研究内容和方法本文将针对运动模糊图像复原算法进行研究，旨在开发一种高效、准确的复原算法，为解决运动模糊图像复原问题提供新思路。
具体研究内容和方法如下：1. 技术背景和框架分析介绍运动模糊的概念，阐述运动模糊图像复原技术的研究意义和发展现状。
对比不同算法的优缺点，提出改进方案。
2. 基于维纳滤波的算法维纳滤波是一种基于信噪比的滤波技术，可用于复原运动模糊图像。
本文将分析维纳滤波算法的原理和处理步骤，重点探究其应用于运动模糊图像复原的实现方法。
3. 基于深度学习的算法深度学习具有自动学习和自适应性等优点，已被广泛应用于计算机视觉领域。
本文将研究和实现基于深度学习的算法，以提高运动模糊图像复原效果。
4. 综合评估和改进通过对以上两种算法的实现和优化，进行实验验证，以比较算法的优劣，并结合实验结果提出优化方案。
三、预期成果本文预期通过研究运动模糊图像复原算法，开发出一种高效、准确的运动模糊图像复原算法，提高运动模糊图像复原的准确性和可靠性。
四、研究难点本文研究的难点在于对算法范围的准确定义和实验验证的难度。
同时，在使用深度学习算法时，需要大量的数据和计算资源。
五、研究计划和进度安排预计本文研究工作将分为以下几个阶段：1. 数据准备阶段：收集现有的运动模糊图像数据集，进行数据处理和预处理，以建立实验数据集。
2. 维纳滤波算法研究阶段：对维纳滤波算法进行深入研究，实现并调试该算法，以及对算法的复原效果进行实验验证。
基于超分辨技术的图像复原研究
基于超分辨技术的图像复原研究一、概述随着人们对图像质量需求的不断提高，图像复原技术已成为图像处理领域的重要分支。
而基于超分辨技术的图像复原技术，因其能够利用图像中的信息对低分辨率图像进行重建，从而获得高分辨率图像，被越来越多地研究和应用。
本文将重点论述对基于超分辨技术的图像复原研究。
二、基于超分辨技术的图像复原的定义及方法图像复原的目的是从已知数据中对失真和噪声进行去除或补充，获得更加清晰、真实的图像。
而基于超分辨技术的图像复原，则是通过利用已有的图像信息，对图像进行重建，得到高分辨率的图像。
基于超分辨技术的图像复原方法主要分为插值法和重建法两种。
插值法是一种基于已有的像素值估计缺失像素值的方法，其中比较常见的有双线性插值、双三次插值等。
而重建法则是一种根据包含在图像中的信息进行模型拟合来重建图像的方法，其中常见的有图像金字塔方法、基于学习的方法等。
三、基于超分辨技术的图像复原研究的现状随着研究的不断深入，基于超分辨技术的图像复原研究已经取得了一定的进展。
其中，图像金字塔方法被广泛应用于图像复原中，它可以通过不断缩小图像尺寸的方式将图像分解为一系列子图像，从而实现超分辨率重建。
此外，基于学习的超分辨率方法也日益成为研究热点，其通过学习已有图像的相关信息，使得对于新的低分辨率图像可以进行更加准确、高效的超分辨率重建。
四、基于超分辨技术的图像复原研究的应用基于超分辨技术的图像复原研究已经在许多领域得到了应用。
例如，在医学图像处理中，高分辨率图像可以帮助医生进行更加精准的诊断和治疗。
在安防领域中，高分辨率的图像可以有效提高监控画面中的细节信息和目标识别能力。
此外，基于超分辨技术的图像复原研究还可以应用于图像压缩等领域。
五、基于超分辨技术的图像复原研究存在的问题与展望尽管基于超分辨技术的图像复原研究得到了广泛关注，但在实际应用中还存在一些问题。
例如，超分辨率图像的质量不佳、运算复杂度过高等问题。
因此，未来的研究还需要在提高算法效率、优化超分辨率图像质量等方面下功夫。
图像复原研究报告
图像复原研究报告1 引言1.1 研究背景及意义随着科技的飞速发展，数字图像在各个领域得到了广泛应用，如医学成像、卫星遥感、安全监控等。
然而，在图像的获取、传输和存储过程中，往往受到各种噪声和模糊的影响，导致图像质量下降。
图像复原技术旨在从退化的图像中恢复出原始图像，对于提高图像质量、挖掘图像潜在信息具有重要意义。
近年来，图像复原技术在计算机视觉、模式识别等领域取得了显著成果，但仍面临许多挑战，如噪声类型多样、图像退化过程复杂等。
因此，研究图像复原技术不仅有助于解决实际问题，还具有很强的理论价值。
1.2 图像复原技术发展概况图像复原技术起源于20世纪50年代，经历了从线性到非线性、从全局到局部的演变过程。
早期的研究主要集中在逆滤波、维纳滤波等经典算法。
随着计算机硬件和算法的发展，图像复原技术逐渐向多尺度和多通道方向发展。
近年来，深度学习技术在图像复原领域取得了重大突破，如基于卷积神经网络的图像去噪、超分辨率等算法。
这些方法在许多国际权威评测中取得了优异的性能，为图像复原技术的研究和应用带来了新的机遇。
1.3 研究内容与组织结构本文主要研究以下内容：1.分析图像退化与复原的基本理论，包括图像退化模型和图像复原方法分类；2.对常见图像复原算法进行详细分析，如逆滤波、维纳滤波和非局部均值滤波等；3.探讨深度学习在图像复原中的应用，包括基于卷积神经网络的图像复原和基于生成对抗网络的图像复原；4.评估图像复原算法的性能，通过实验对比分析不同算法的优缺点；5.总结本文研究成果，并对未来研究方向进行展望。
本文的组织结构如下：1.引言：介绍研究背景、意义和发展概况；2.图像退化与复原基本理论：分析图像退化模型和图像复原方法分类；3.常见图像复原算法分析：详细分析逆滤波、维纳滤波和非局部均值滤波等算法；4.深度学习在图像复原中的应用：探讨基于卷积神经网络和生成对抗网络的图像复原方法；5.图像复原算法性能评估：评估不同算法的性能，并进行实验对比分析；6.结论与展望：总结本文研究成果，并对未来研究方向进行展望。
基于机器学习的图像复原技术研究
基于机器学习的图像复原技术研究随着科技的不断发展，图像处理技术也在不断地更新和完善。
其中，图像复原技术就是其中的一种。
所谓图像复原技术，就是通过一定的算法来对图像进行处理，还原出原始的图像内容。
目前，基于机器学习的图像复原技术正在逐渐成为研究热点，本文将对其进行详细探讨。
一、基本概念机器学习是一种通过算法来让计算机从数据中学习模式，并通过这些模式来做出预测或者决策的方法。
基于机器学习的图像复原技术，就是通过机器学习算法来还原损坏过的图像。
这样的技术在恢复文物、破解历史文献等方面有着很大的应用前景。
二、技术原理在基于机器学习的图像复原技术中，一般会使用卷积神经网络（Convolutional Neural Network, CNN）来进行处理。
CNN是一种常用的神经网络模型，它的特点是可以处理图像和其他类型的数据，同时还可以自动地学习到图像的特征。
为了使用CNN来处理图像，通常需要先将图像进行切片分割。
接着，将这些分割后的小块送到CNN中进行处理，最后将这些小块组合起来，就可以得到完整的图像。
在具体实现中，一般会使用到一些特定的神经网络模型，例如SRCNN、FSRCNN和EDSR等。
这些模型都可以运用到图像超分辨率处理、图像去噪以及图像色彩增强等各方面。
三、研究现状目前，基于机器学习的图像复原技术在实际应用中已经得到了广泛的应用。
例如，一些博物馆和文物保护单位已经开始使用这种技术来复原文物上的损伤。
通过使用机器学习算法和CNN网络模型，可以在不影响文物的原始品质和形态的情况下去除文物上的污渍、划痕和老化痕迹，从而使文物得以得到有效的保护和修复。
此外，在医学图像处理、人脸识别和虚拟现实等领域中，基于机器学习的图像复原技术也得到了广泛的应用。
例如，在医学图像处理中，通过使用基于机器学习的图像复原技术，医生可以更加准确地对患者的病情进行诊断，从而提高治疗效果。
在虚拟现实方面，通过使用这种技术，可以让虚拟世界中的图像更加真实、自然，让使用者更好地体验虚拟世界。
- 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)。
图像复原技术研究背景及现状
1研究背景
数字图像处理(Digital Image Processing)又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。
第一台可以执行有意义的图像处理任务的大型计算机出现在20世纪60年代早期，人们开始利用计算机来处理图形和图像信息。
数字图像处理作为一门学科大约形成于20世纪60年代初期。
早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。
图像处理中，输入的是质量低的图像，输出的是改善质量后的图像，常用的图像处理方法有图像增强、图像复原、图像编码、图像压缩等。
图像复原是一种改善图像质量的处理技术，是图像处理研究领域中的热点问题，在科学研究和工程领域中被广泛应用。
在获取图像过程中，由于光学系统的像差、光学成像的衍射、成像系统的非线性畸变、记录介质的非线性、成像过程的相对运动、大气的湍流效应、环境随机噪声等原因的影响，会使观测图像和真实图像之间不可避免地存在偏差和失真。
这种图像质量下降的情况在很多实际应用中都会遇到，如宇航卫星、航空测绘、遥感、天文学中所得的图片，由于大气湍流、光学系统的像差及摄像机与物体之间的相对运动会使图像降质;X射线成像系统由于X射线散布会使医学上所得的射线照片分辨率和对比度下降;电子透镜的球面像差往往会降低电子显微照片的质量等等。
因此，为了消除或减轻这种退化造成的影响，尽可能使图像恢复本来面貌，就需要使用图像复原技术川。
图像复原试图利用退化图像的某种先验知识来重建或复原被退化的图像，因此图像复原可以看成是图像退化的逆过程，是将图像退化的过程加以估计，建立退化的数学模型后，补偿退化过程造成的失真，以便获得未经干扰退化的原始图像或原始图像的最优估值，从而改善图像质量。
典型的图像复原方法往往是在假设系统的点扩散函数(PSF)为己知，并且常需假设噪声分布也是己知的情况下进行推导求解的，采用各种反卷积处理方法，如逆滤波等，对图像进行复原。
然而随着研究的进一步深入，在对实际的图像进行处理时，许多先验知识(包括图像的及成像系统的先验知识)往往并不具备，于是就需要在系统点扩散函数未知的情况下，从退化图像自身抽取出退化信息，仅仅根据退化图像数据来复原真实图像，这就是盲目图像复原(Blind Image Restoration)所要解决的问题。
由于缺乏足够的信息来唯一确定真实图像的估计值，盲目图像复原方法需要利用有关图像信号、点扩散函数和高斯噪声的己知息和先验知识，结合一些附加条件，对6噪声模糊图像的盲复原及振铃的消除问题的解形成约束条件，而盲目图像复原就
是在满足这些约束条件的前提下，求取真实图像在某种准则下的最佳估计值。
经过最近40年的研究，盲目图像复原技术的应用范围已经扩展到了众多的科学和技术领域，例如空间探索、天文观测、物质研究、遥感遥测、军事科学、医学影像、交通监控、刑事侦察等等。
在天文成像领域中，地面上的成像系统由于受到射线及大气的影响，会造成图像的退化。
在太空中的成像系统，由于宇宙飞船的速度远远快于相机快门的速度，也会造成运动模糊。
此外，噪声的影响也不可忽略。
因此，必须对所得到的图像进行处理刁‘会尽可能恢复其本来面目，提取更多的有用信息。
在医学领域，图像复原技术广泛应用于X光，CT等成像系统，用来抑制各种医学成像系统或图像获取系统的噪声，改善医学图像的分辨率。
在军事公安领域，如巡航导弹地形识别，测试雷达的地形侦察，指纹自动识别，手迹、人像、印章的鉴定识别，过期档案文字的识别等，都与图像复原技术密不可分。
在图像及视频编码领域，随着提高编码效率、降低编码图像码率技术的发展，一些人为图像缺陷，如方块效应，成为明显问题。
在移动视频通信中，由于带宽的限制，压缩比较高，若解压缩后不经处理，则存在非常明显的方块效应。
一些简单的图像增强处理不能从根本上消除方块效应，特别是情况复杂时，如在编码前或编解码时含有噪声的情况，也需要借助于图像复原技术。
其他领域，随着宽带通信技术的发展，电视电话、远程诊断等都将进入我们的生活，而所有这些技术都将高度依赖于图像质量!
综上所述，图像复原技术有着非常实用而且非常重要的地位，而盲目图像复原算法不依赖于系统的传递函数，有着更广泛的适用性，因此对盲目图像复原算法的研究可以说是方兴未艾。
2国内外研究现状
图像复原作为图像处理的一项重要分支，对于该问题国内外广泛开展了诸多关键技术的研究。
实际上，图像复原涉及三个方面的内容:退化图像的成像模型，图像复原算法和复原图像的评价标准。
不同的成像模型、问题空间、优化规则和方法会导致不同的复原算法，适用于不同的应用领域。
现有的复原方法可概括为以下几个类型:去卷积复原算法、线性代数复原、图像盲反卷积算法等，其它复原方法多是这三类的衍生和改进。
其中，去卷积方法主要包括维纳去卷积、功率谱均衡与几何平均值滤波等，这些方法是都是非常经典的图像复原方法，但是需要有关于原始图像、降质算子较多的先验信息和噪声平稳性的假设，只适合于线性空不变系统及噪声于信号不相关的情形，特别是在降质算子病态的情况下，图
像复原结果还不太理想。
线性代数复原技术是基于已知降质算子和噪声的统计特征，从而利用线性代数原理的复原技术，它为复原滤波器的数值计算提供了一个统一的设计思路和较透彻的解释。
但是当降质函数有接近零的特征值时，复原的结果对噪声特别敏感，且该方法是把整幅图像一并处理，计算量大，同时也没有考虑纹理、边界等高频信号与噪声的区别，这将使纹理、边界等重要特征在图像复原处理中被破坏。
针对这些问题，国外主要在改进算法的效率上作了许多工作，如全局最小二乘法、约束总体最小二乘法和正则化约束总体最小二乘法。
图像盲反卷积是图像复原的另一个重要的手段，它针对没有或少有关于降质函数和真实信号等先验知识的复原问题，直接根据退化图像来估计降质函数和真实信号。
目前有以下几种算法:零叶面分离法、预先确定降质函数法、三次相关法、迭代盲反卷积法等。
这些算法在先验信息不足的情况下对降质图像进行复原，由于原始图像以及点扩展函的先验知识只是部分已知的，造成图像复原的解往往不唯一，而且解的好坏与初始条件的选择以及附加的图像假设等直接有关。
同时，由于加性噪声的影响使得图像的盲复原呈病态Ift，即若对点扩展函数直接求逆进行复原，通常会带来高频噪声放大的问题而导致算法性能的恶化，所以当图像的信噪比水平较低时获得的结果往往不太理想。
正则化方法作为一种解决病态反问题的常用方法，通常用图像的平滑性作为约束条件，但是这种正则化策略通常导致复原图像边缘的模糊。
为了克服边缘退化问题，最近几年，不少学者对于各种“边缘保持”的正则化方法进行了比较深入的研究，提出了一些减少边缘退化的正则化策略，这些策略通常需要引入非二次正则化泛函，从而使得问题的求解成为一个非线性问题。
沿着这一思路，Geman 和Yang,提出了“半二次正则化”的概念来解决这种策略中出现的非线性优化问题。
其后，Charbonni等人在此基础上研究了一种新的半二次正则化方法，从而可以用确定性算法来得到问题的最优解。
另一个较新的发展使Vogel等人提出的基于全变差模型的图像复原算法。
尽管这些算法都在一定意义上提高了复原图像的质量，但边缘模糊的问题并未得到理想的解决。
另外，近年来小波的理论发展迅速，并广泛应用于图像复原中。
基于小波变换的迭代正则化图像复原算法，兼顾抑制噪声的增长和保留图像的重要边界。
具有噪声估计能力的图像恢复正则化方法。
Belge等人以广义高斯模型作为小波系数的先验分布，提出了一种小波域边缘保持正则化方法，同时给出了小波域图像复原的一般框架，但其复原结果相对于传统方法提高得并不显著。
赵书斌等人以混合高斯模型逼近小波系数的分布，并引入小波域隐马尔可夫模型作为自然图像的先验概率模型对图像超分辨率复原问题进行正则化，复原效果不错，但该方法
还是不能避免计算量大的缺点。
从图像复原的Bayesian框架出发，小波域局部高斯模型的线性图像复原算法，该方法可较好地再现了图像的各种边缘信息，取得不错的复原效果。