单图像混合去运动模糊算法：细节保留与性能提升

该研究论文探讨了一种混合的单图像去运动模糊方法，针对数字图像处理领域中的难题——图像盲恢复，特别是对于动态模糊的去除。传统的逆滤波法、维纳滤波法和露西-理查德森算法在处理模糊图像时依赖于图像退化模型和模糊核估计，但在实际应用中往往受限于模型假设不成立的情况。 作者提出的新方法避免了深度学习方法对复杂模型和人工设计特性过度依赖的问题。首先，通过双边滤波器对整个图像进行平滑处理，对强边缘区域使用高频层提取技术进行恢复，以减少不必要的叠影和噪声，从而提高细节恢复能力。模糊图像和原始图像被用来估计光点扩散函数(PSF)，这个过程通过多次迭代，包括边缘恢复、模糊核估计和反卷积，以逐步优化PSF。 图像退化模型假设运动模糊是由线性移不变过程产生的，模糊长度L和模糊角度θ对图像的变形有直接影响。在边缘恢复阶段，将图像从RGB空间转换到YCbCr空间，特别是关注Y通道的高频信息，因为边缘和细节对应于频域中的高频成分。 论文的关键创新在于采用自适应非盲反卷积方法，这种方法能够处理模糊核未知的情况，有效恢复大图像边缘信息，最终获得具有更好去模糊效果的高质量图像。通过与维纳滤波和露西-理查德森算法进行实验对比，结果显示，新方法在保持图像细节方面表现出色，去模糊效果超越了经典算法。 这项研究提供了一种实用且有效的单图像去运动模糊方法，对于提升动态模糊图像的恢复质量和效率具有重要意义，特别是在移动设备摄影等场景中，能够显著改善图像质量。