相机拍摄时虚焦或抖动等因素导致图像模糊是非常常见的问题。不管是从理论上还是从实际应用的角度来看,对模糊图像的复原都是图像处理工作中最有趣和最重要的环节之一。虽然这种算法的研究可以追溯到70年前,但是直到现在模糊图像复原效果还有很大的改进空间。目前已有的去模糊模型,包括基于最大后验概率框架的方法、基于变分贝叶斯的方法和基于边界预测模型的方法,其框架都分为两个部分,其一是数据项,即对图像模糊形成过程进行建模;其二是正则化项,通过对图像先验信息的刻画,解决去模糊问题的不适定性。去模糊模型中数据项用于合理地建模图像模糊过程。现有的大部分模型都假设模糊图像是均匀模糊核与清晰图像卷积的结果。但是目前很多研究,都已证实真实的模糊图像,如散焦、相机抖动造成的模糊图像,大部分都属于非均匀模糊图像,并在此基础上提出了一系列的模糊模型来模拟该过程。但是较少有方法能在保证精确模拟非均匀模糊的同时考虑到模型的复杂度。图像去模糊问题属于逆问题,由于解不满足唯一性,是不适定问题。解决问题不适定性的有效途径是在图像处理中引入关于图像先验的信息。最具代表性的图像先验模型是正则化几何建模方法。现有的去模糊方法中广泛应用的正则化模型容易导致大量的细节纹理信息的损失,导致去模糊结果不够自然。此外,正则化模型中众多参数需要手动调试,容易导致参数选择结果不准确和计算复杂度过高。图像盲去模糊方法,可以分为模糊模型估计和根据估计出的模糊模型复原出清晰图像两个步骤。而已知模糊模型并以此估计出清晰图像的步骤我们称为非盲去模糊方法,所以非盲去模糊方法为盲去模糊方法的一部分。很多关于图像去模糊的研究都是从非盲去模糊方法的研究起步,以盲去模糊为目标。本文的研究工作也将采用此策略。本文针对上述问题,从建立合理高效的模糊模型和正则化模型的角度出发,研究了非均匀模糊图像复原方法中存在的问题,并提出一系列解决方法,主要包括:(1)基于加性卷积模型(ACM)的非均匀模糊图像非盲复原方法。我们提出ACM来改善传统的非均匀模糊模型泛化能力不足的问题。ACM有下述三个显著优点。首先,ACM能精确模拟多种非均匀模糊,并且易于嵌入到去模糊算法中;其次,ACM中滤波器可以用一组基滤波器替代,其数量与ACM的计算复杂度成正比,同时我们提出一种基于主成分分析的方法学习这些基滤波器;另外,相比于现有的一些方法,ACM计算复杂度和内存占用较低,使非均匀模糊图像复原效率有显著提高并避免了现有的很多非均匀模糊模型对应用平台的限制。最后,我们提出一种基于ACM的非均匀模糊图像非盲复原方法,验证了ACM在去模糊算法中起到的重要作用。(2)基于梯度直方图保持模型的非均匀模糊图像非盲去模糊方法(PGHD)。本文提出的基于ACM的非均匀模糊图像非盲复原方法中采用了TV正则化项,提高收敛速度的同时难免导致图像细节的过度平滑以及去模糊结果中伪迹存在。因此,我们提出一种PGHD方法,该方法利用PGH有助于恢复去模糊图像中细节纹理的特点,结合非局部中心化稀疏表示模型,能较好的保留图像中细节纹理并有效去除图像去模糊过程中产生的振铃和噪声,有效提高了非均匀模糊图像复原效果。(3)基于广义加性卷积模型(GAC)的非均匀模糊图像盲复原方法。相比上述的非盲去模糊问题,盲去模糊问题更具有现实意义。而如果将本文提出的ACM用于非均匀模糊图像盲复原的话,需要不断更新基滤波器及其系数矩阵,很难发挥优势。基于ACM框架,我们建立一种GAC模型精确模拟相机抖动模糊过程。GAC继承了ACM泛化能力强、计算复杂度和内存占用低的特点,同时更易于嵌入非均匀模糊图像盲复原工作。其次,我们证明了将相机动作路径分解为最少数目的切片型子路径和纤维型子路径的混合能最大程度上降低GAC的计算复杂度。为此,我们提出一种贪心算法来合理分解相机动作路径。最后,我们提出一种基于GAC的非均匀模糊图像盲复原方法,验证了GAC在非均匀模糊图像盲复原中的贡献。(4)正则化项自适应的非均匀模糊图像盲复原方法。本文中提出的非均匀模糊图像复原模型中正则化项参数都依赖手动调整的方式,而不同的自然图像服从的先验分布不同,对应不同的正则化项参数。手动调整工作量过大,且随机性较大,无法保证找到最优参数。对此,我们提出一种参数自适应的图像梯度正则化项,在此基础上提出一种基于最大后验概率框架的非均匀模糊图像盲复原方法。实验结果表明,基于自适应梯度先验模型的非均匀模糊图像盲复原方法可以有效提高算法运算效率和复原图象视觉效果。