王新春， 王隆隆， 莫波， 劉福祥， 亓賀

(1.北京理工大學(xué) 宇航學(xué)院, 北京 100081; 2.北京航天自動(dòng)控制研究所 宇航智能控制技術(shù)國(guó)家級(jí)重點(diǎn)實(shí)驗(yàn)室, 北京 100081)

0 引言

彈載紅外成像系統(tǒng)隨彈體作高速旋轉(zhuǎn)運(yùn)動(dòng)時(shí)，由于在曝光時(shí)間內(nèi)目標(biāo)場(chǎng)景與成像傳感器之間產(chǎn)生較大的旋轉(zhuǎn)角度，導(dǎo)致所獲取的圖像存在嚴(yán)重旋轉(zhuǎn)模糊，對(duì)后續(xù)的目標(biāo)識(shí)別與圖像跟蹤工作造成極大困擾。因此，有效地快速?gòu)?fù)原旋轉(zhuǎn)運(yùn)動(dòng)模糊圖像具有很重要的現(xiàn)實(shí)意義。

旋轉(zhuǎn)運(yùn)動(dòng)模糊是一種空間非均勻的運(yùn)動(dòng)模糊形式，其模糊程度隨旋轉(zhuǎn)半徑的增大而加劇。針對(duì)這一問(wèn)題，Sawchuk[1]通過(guò)極坐標(biāo)變換，將直角坐標(biāo)系下的旋轉(zhuǎn)運(yùn)動(dòng)模糊變?yōu)闃O坐標(biāo)系下旋轉(zhuǎn)角方向的平移運(yùn)動(dòng)模糊來(lái)進(jìn)行恢復(fù)處理，但由于過(guò)程中反復(fù)進(jìn)行坐標(biāo)變換和灰度插值，算法的計(jì)算量相對(duì)較大且容易丟失原始圖像信息。Joshi等[2]、Gupta等[3]對(duì)相機(jī)動(dòng)作路徑進(jìn)行分解并構(gòu)造相應(yīng)的高維稀疏矩陣，將非均勻運(yùn)動(dòng)模糊過(guò)程模擬為高維稀疏矩陣和圖像向量的乘積。通過(guò)迭代求解稀疏矩陣和清晰圖像的最大后驗(yàn)概率分布函數(shù)，該方法可以取得非常好的復(fù)原效果。但是，由于在每一次迭代優(yōu)化過(guò)程中需要存儲(chǔ)和處理超高維度的稀疏矩陣，導(dǎo)致該算法計(jì)算耗時(shí)過(guò)長(zhǎng)且內(nèi)存占用過(guò)量，很難在工程實(shí)際中得到應(yīng)用。目前，工程上常采用沿模糊路徑像素提取的快速?gòu)?fù)原方法。如Hong等[4]基于Bresenham 路徑提取空間不變的模糊像素，避免了坐標(biāo)變換的復(fù)雜運(yùn)算，同時(shí)使用約束最小二乘復(fù)原算法提高了圖像的恢復(fù)效果，缺點(diǎn)是由于假設(shè)相鄰像素差分極小，算法對(duì)圖像邊緣的復(fù)原存在著過(guò)正則化的問(wèn)題。Zheng等[5]在相同算法提取像素的基礎(chǔ)上，通過(guò)剔除頻率域下模糊矩陣的“病態(tài)成分”，改進(jìn)維納濾波方法，避免了復(fù)原過(guò)程的過(guò)正則化問(wèn)題，缺點(diǎn)是由于改進(jìn)的維納濾波仍需要噪聲的先驗(yàn)信息，導(dǎo)致圖像的復(fù)原結(jié)果對(duì)噪聲變化比較敏感。羅院紅等[6]利用最小偏差圓弧插補(bǔ)算法提取模糊路徑像素，并通過(guò)方向約束的梯度加載復(fù)原算法提高算法的抗噪能力，但與約束最小二乘復(fù)原算法類似，該算法在圖像邊緣復(fù)原中同樣存在著過(guò)正則化問(wèn)題。以上方法存在的缺陷都可認(rèn)為是由于復(fù)原方法對(duì)圖像先驗(yàn)信息利用不足而導(dǎo)致的。

鑒于正則化方法在利用圖像先驗(yàn)信息作為約束項(xiàng)，克服圖像復(fù)原病態(tài)特性的良好應(yīng)用[7-9]，本文摒棄相鄰像素差分極小的假設(shè)，引入圖像微分先驗(yàn)，提出一種新的基于自適應(yīng)梯度先驗(yàn)的旋轉(zhuǎn)模糊圖像復(fù)原算法。該算法在沿運(yùn)動(dòng)模糊路徑初步復(fù)原圖像的基礎(chǔ)上，通過(guò)設(shè)計(jì)邊緣保持濾波器、梯度先驗(yàn)估計(jì)方法來(lái)估計(jì)圖像的輪廓信息，并將其作為梯度先驗(yàn)知識(shí)進(jìn)行正則化約束，有效地抑制了復(fù)原的過(guò)正則化問(wèn)題，提高了復(fù)原結(jié)果的抗噪能力。同時(shí)，經(jīng)過(guò)推導(dǎo)該算法可以實(shí)現(xiàn)頻域下求解，大幅提升了運(yùn)算速度，為其在工程應(yīng)用提供了可能。

另外，由于當(dāng)以不同半徑圓循環(huán)提取圖像中像素時(shí)，一部分像素不能被任何圓形路徑覆蓋，導(dǎo)致復(fù)原圖像中必然出現(xiàn)空穴點(diǎn)。對(duì)于此問(wèn)題，本文改進(jìn)高密度椒鹽噪聲的消除算法[10-11]，設(shè)計(jì)提出了一種新的專門(mén)針對(duì)Bresenham算法空穴點(diǎn)的自適應(yīng)中值濾波算法。與文獻(xiàn)[4-6]中采用的中值濾波或鄰域求均值的方法相比，該算法只是針對(duì)像素中的空穴點(diǎn)進(jìn)行自適應(yīng)的梯度濾波，避免了圖像被過(guò)度平滑的問(wèn)題，同時(shí)由于被處理像素?cái)?shù)量的減少，插值效率也得以提升。

1 旋轉(zhuǎn)模糊圖像退化模型

電荷耦合器件(CCD)圖像傳感器的成像過(guò)程其實(shí)就是場(chǎng)景能量在曝光時(shí)間內(nèi)，在CCD像平面的積累過(guò)程，而旋轉(zhuǎn)運(yùn)動(dòng)造成的圖像模糊則相應(yīng)地可以認(rèn)為是原始圖像的像素灰度沿一系列同心圓弧積分的結(jié)果[12]。設(shè)原始圖像為f(x,y)，旋轉(zhuǎn)模糊圖像為g(x,y)，則在曝光時(shí)間T內(nèi)，實(shí)際采集的模糊圖像g(x,y)與原圖像f(x,y)的關(guān)系可表述為

(1)

采用極坐標(biāo)的形式表示為

(2)

將(2)式中r用下標(biāo)表示，并令s=rωt，ar=rωT，l=rθ，則(2)式可用一維形式表示為

(3)

為了在離散情況下考慮旋轉(zhuǎn)運(yùn)動(dòng)模糊圖像的復(fù)原問(wèn)題，將(3)式進(jìn)行離散化，用離散坐標(biāo)i來(lái)表示l，有

(4)

式中：gr(i)和fr(i)分別為半徑為r的圓周上像素的模糊灰度值和原始灰度值序列，其周期為Nr，Nr為圓周上像素的總數(shù)；ar為模糊長(zhǎng)度，用像素個(gè)數(shù)表示，ar≥1.

定義對(duì)應(yīng)半徑為r時(shí)的一維點(diǎn)擴(kuò)散函數(shù)，

(5)

則(4)式可用離散卷積的形式統(tǒng)一表示為

(6)

(6)式即為旋轉(zhuǎn)運(yùn)動(dòng)模糊圖像在半徑為r圓周上的退化模型。從模型可以看出，原始圖像像素灰度值沿以旋轉(zhuǎn)中心為圓心的一系列同心圓路徑在像平面內(nèi)進(jìn)行模糊，且同一圓周上各像素灰度的模糊路徑是空間不變的，即具有相同的模糊長(zhǎng)度和相同的點(diǎn)擴(kuò)散函數(shù)，如圖1所示。因此，旋轉(zhuǎn)運(yùn)動(dòng)模糊圖像的復(fù)原問(wèn)題可以分解成一系列以同心圓路徑(模糊路徑)為局部域的模糊一致的線性復(fù)原問(wèn)題。

圖1 旋轉(zhuǎn)運(yùn)動(dòng)模糊路徑示意圖Fig.1 Blurring path of rotary motion

2 基于自適應(yīng)梯度先驗(yàn)的復(fù)原算法

將(6)式的旋轉(zhuǎn)模糊退化模型寫(xiě)成矢量方程的形式：

g=Hf+η,

(7)

式中：g=[gr(0),gr(1),…,gr(Nr-1)]T為模糊圖像灰度值序；f=[fr(0),fr(1),…,fr(Nr-1)]T為原始圖像灰度值序列；H為由點(diǎn)擴(kuò)散函數(shù)hr(i)構(gòu)成的Nr×Nr循環(huán)矩陣，其元素值以及階數(shù)隨模糊路徑的不同而發(fā)生變化，且H大多數(shù)情況下是不可逆的。這導(dǎo)致圖像復(fù)原問(wèn)題通常具有病態(tài)特性，不能直接對(duì)其逆過(guò)程進(jìn)行求解。

從正則化方法的角度出發(fā)，這類逆問(wèn)題的求解可以通過(guò)加入合適的正則項(xiàng)來(lái)約束解空間，將上述不適定問(wèn)題改變?yōu)檫m定問(wèn)題：

(8)

本文引入圖像梯度的稀疏先驗(yàn)信息，定義正則化項(xiàng)和正則化參數(shù)為

(9)

式中：w(1)和w(2)分別為圖像1階梯度和2階梯度的先驗(yàn)序列；λ(1)和λ(2)為其相應(yīng)的加權(quán)比例系數(shù)。將(9)式代入到(8)式，有

(10)

對(duì)目標(biāo)函數(shù)J(f)關(guān)于f求偏導(dǎo)，并令其等于0，

(11)

可得，

(12)

(13)

(14)

(13) 式、(14)式給出了一種基于圖像微分先驗(yàn)的模糊圖像快速?gòu)?fù)原算法。然而，由于在實(shí)際復(fù)原過(guò)程中，原始圖像微分信息并不是已知的，導(dǎo)致該算法不能被直接使用。這里，本文提出一種新的基于自適應(yīng)梯度先驗(yàn)的復(fù)原算法，它包括圖像初步復(fù)原—邊緣保持濾波—梯度先驗(yàn)估計(jì)—圖像最終復(fù)原4個(gè)步驟，具體如下。

2.1 圖像初步復(fù)原

設(shè)w(1)=0,w(2)=0，此時(shí)是將相鄰像素的差分極小作為空間相關(guān)的約束條件，相應(yīng)的復(fù)原方程退化為

(15)

2.2 邊緣保持濾波

(16)

式中：k為反饋系數(shù)；u為兩個(gè)相鄰像素在轉(zhuǎn)換域之間的距離[14]。

2.3 梯度先驗(yàn)估計(jì)

(17)

2.4 圖像最終復(fù)原

對(duì)估計(jì)得到的先驗(yàn)項(xiàng)w(1)、w(2)進(jìn)行傅里葉變換，代入(13)式、(14)式，得到最終圖像復(fù)原結(jié)果。

3 基于查表決策的自適應(yīng)中值濾波算法

為實(shí)時(shí)復(fù)原旋轉(zhuǎn)運(yùn)動(dòng)模糊圖像，在使用上述復(fù)原算法前，必須首先快速提取出沿模糊路徑上各像素點(diǎn)的灰度信息。本文采用Bresenham路徑提取方法，通過(guò)簡(jiǎn)單的誤差判斷對(duì)原像平面進(jìn)行畫(huà)圓掃描，提取得到位于特定圓弧路徑上的像素點(diǎn)及其像素值。該方法可保證提取出的離散圓弧，在位置上是最佳逼近理想圓弧，各對(duì)應(yīng)像素點(diǎn)的最大位置誤差不超過(guò)0.5個(gè)像素，并且由于過(guò)程中避開(kāi)了三角函數(shù)、開(kāi)方等復(fù)雜運(yùn)算，像素提取的在線計(jì)算時(shí)間大幅減少。

但是，當(dāng)以不同半徑的Bresenham路徑提取圖像中像素時(shí)，一部分像素不能被任何圓形路徑覆蓋，導(dǎo)致最終復(fù)原圖像中必然會(huì)出現(xiàn)空穴點(diǎn)，如圖2(a)所示。這些空穴點(diǎn)處的像素灰度值為0，可以被視為椒鹽噪聲，采用傳統(tǒng)中值濾波或鄰域求均值的方法來(lái)進(jìn)行消除。但這一過(guò)程同時(shí)會(huì)使其他像素點(diǎn)的圖像信息過(guò)度平滑，導(dǎo)致細(xì)節(jié)丟失。這里，本文提出了一種基于查表決策的梯度自適應(yīng)中值濾波算法。該算法通過(guò)對(duì)空穴點(diǎn)像素進(jìn)行查找、分類，并進(jìn)行自適應(yīng)的梯度濾波處理，避免了非空穴點(diǎn)像素的過(guò)度平滑問(wèn)題，同時(shí)，由于被處理像素?cái)?shù)量的減少，算法的計(jì)算量小，運(yùn)算效率高。

圖2 Bresenham路徑提取導(dǎo)致的像素空穴點(diǎn)分布圖Fig.2 Distribution diagram of missing pixels (holes) caused by Bresenham circular fetching

該算法計(jì)算過(guò)程主要由裁剪圖像空穴點(diǎn)和自適應(yīng)中值濾波兩部分組成。具體如下：

1)遍歷查找空穴點(diǎn)像素位置，并根據(jù)其鄰域內(nèi)的空穴點(diǎn)分布狀況對(duì)其進(jìn)行分類。由于像素空穴點(diǎn)的分布完全取決于Bresenham畫(huà)圓算法，與圖像自身的內(nèi)容無(wú)關(guān)，如圖2(b)所示。因此，這一過(guò)程可以離線計(jì)算，計(jì)算結(jié)果預(yù)存于內(nèi)存單元。實(shí)際實(shí)驗(yàn)中，為保證鄰域內(nèi)像素之間具有較高的相關(guān)性，選用3×3的窗口大小對(duì)空穴點(diǎn)像素進(jìn)行分類，分類結(jié)果如圖3所示。

圖3 圖像空穴點(diǎn)分布情況歸類統(tǒng)計(jì)Fig.3 Distribution statistics of missing pixels (holes)

圖3中，黑色方格表示中心空穴點(diǎn)像素，紅色方格和橙色方格表示其鄰域內(nèi)必然存在和可能存在的其他空穴點(diǎn)像素。

2)使用查表法，在相應(yīng)的空穴點(diǎn)像素位置上進(jìn)行自適應(yīng)中值濾波操作。算法步驟如表1所示。

表1 自適應(yīng)中值濾波算法步驟

圖4 以空穴點(diǎn)為中心的3×3窗口示意圖Fig.4 3×3 window of missing pixels

4 實(shí)驗(yàn)結(jié)果及分析

4.1 復(fù)原效果評(píng)價(jià)指標(biāo)

除了直觀的視覺(jué)圖像復(fù)原效果，本文采用峰值信噪比(PSNR)、信噪比改善因子(ISNR)及均方根誤差(RMSE)作為客觀評(píng)價(jià)指標(biāo)來(lái)評(píng)價(jià)圖像復(fù)原前后的效果。PSNR，ISNR及RMSE定義分別為

(18)

(19)

(20)

式中：M、N分別為圖像的長(zhǎng)和寬。

一般說(shuō)來(lái)，PSNR和ISNR數(shù)值越大，RMSE數(shù)值越小，則說(shuō)明圖像的復(fù)原效果越好，反之則說(shuō)明復(fù)原效果越差。

4.2 仿真圖復(fù)原效果比較

本文提出的自適應(yīng)梯度先驗(yàn)復(fù)原算法是一種基于模糊路徑提取的快速?gòu)?fù)原方法。首先，為驗(yàn)證其快速性，本文測(cè)試對(duì)比了該方法與Sawchuk[1]的極坐標(biāo)轉(zhuǎn)換復(fù)原(CTR)方法、Joshi等稀疏矩陣復(fù)原方法的圖像復(fù)原效果和算法耗用時(shí)長(zhǎng)。測(cè)試所用圖像由旋轉(zhuǎn)角度為15°的模糊退化圖像疊加信噪比為40 dB的高斯白噪聲而得，大小為145×145像素，計(jì)算機(jī)配置為Intel(R) Core(TM) i5-4200H 2.80 GHz，RAM 8.00 GB. 仿真對(duì)比結(jié)果如表2所示。

從表2可以看出：本文所提出的復(fù)原算法取得了不錯(cuò)的復(fù)原效果，PSNR 和ISNR 值都比較高，耗用時(shí)長(zhǎng)也相對(duì)較小，基本能達(dá)到工程應(yīng)用的實(shí)時(shí)性要求；極坐標(biāo)復(fù)原方法進(jìn)行了兩次坐標(biāo)變換和兩次灰度插值，耗用時(shí)間相對(duì)較長(zhǎng)，且由于離散過(guò)程極坐標(biāo)的統(tǒng)一量化，導(dǎo)致圖像外緣信息部分丟失，再次插值后復(fù)原圖像出現(xiàn)一定程度的模糊問(wèn)題；Joshi等[2]的復(fù)原方法通過(guò)對(duì)目標(biāo)函數(shù)的迭代優(yōu)化可以取得極好的復(fù)原效果，復(fù)原圖像PSNR超過(guò)了30 dB，但由于迭代過(guò)程反復(fù)處理超高維的稀疏矩陣導(dǎo)致計(jì)算量過(guò)大，算法處理時(shí)間將近1 h ，基本無(wú)工程應(yīng)用價(jià)值。

其次，考慮到環(huán)境噪聲變化對(duì)復(fù)原算法的影響，本文對(duì)模糊退化圖像疊加不同信噪比高斯噪聲進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)所用圖像大小為435×435像素，模糊角度15°，信噪比分別為40 dB、30 dB、20 dB. 為突出本文算法的魯棒性和抗噪能力，本文算法與文獻(xiàn)[4-5，7]中的復(fù)原算法進(jìn)行了實(shí)驗(yàn)對(duì)比，對(duì)比的圖像復(fù)原效果及評(píng)價(jià)指標(biāo)如表3～表5所示。

表2 不同類別圖像復(fù)原算法的復(fù)原過(guò)程及效果比較

Tab.2 Restoration process and effect comparison of different types of image restoration algorithms

表3 不同噪聲條件下的各算法圖像復(fù)原效果

從表3～表5可以看到：采用文獻(xiàn)[7]中梯度加載算法得到的復(fù)原圖像存在明顯的振鈴效應(yīng)，且這一現(xiàn)象隨信噪比的降低而加劇，在信噪比為20 dB時(shí)，復(fù)原圖像已基本不能識(shí)別，ISNR<0 dB；與之相比，由文獻(xiàn)[4]中約束最小二乘算法得到的復(fù)原圖像有了明顯改善，PSNR和ISNR值有所提升，但其在低信噪比情況下仍存在一定程度的振鈴效應(yīng)；文獻(xiàn)[5]中的維納濾波算法剔除了頻率域下模糊矩陣的“病態(tài)成分”，削弱了復(fù)原圖像的振鈴效應(yīng)，但由于仍需要噪聲先驗(yàn)，在給定濾波系數(shù)條件下對(duì)變化噪聲的抑制能力較弱，且復(fù)原圖像存在過(guò)度平滑，細(xì)節(jié)丟失的問(wèn)題；本文算法在20 dB、30 dB、40 dB信噪比條件下都相對(duì)較好地復(fù)原了圖像中的細(xì)節(jié)信息，并且由于合理估計(jì)并使用了圖像梯度的先驗(yàn)信息，有效地減弱了復(fù)原圖像的振鈴效應(yīng)，PSNR和ISNR值也明顯超出其他3種算法，這說(shuō)明本文復(fù)原算法具有較強(qiáng)的抗噪能力。

表4 不同噪聲條件下的復(fù)原圖像PSNR值

表5 不同噪聲條件下的復(fù)原圖像ISNR值

最后，為檢驗(yàn)本文算法對(duì)不同旋轉(zhuǎn)角度模糊圖像的復(fù)原能力，本文設(shè)計(jì)了一系列不同旋轉(zhuǎn)角度的模糊圖像進(jìn)行復(fù)原，并計(jì)算不同噪聲條件下各復(fù)原圖像的RMSE. 圖5為信噪比分別為20 dB、30 dB、40 dB時(shí)復(fù)原圖像RMSE隨旋轉(zhuǎn)角度的變化曲線。

圖5 不同噪聲條件RMSE隨旋轉(zhuǎn)角度的變化曲線Fig.5 RMSE versus rotational angle under different SNRs

一般說(shuō)來(lái)，當(dāng)RMSE>24時(shí)，復(fù)原圖像的視覺(jué)效果非常差[4]。以此為臨界條件，可以仿真計(jì)算不同噪聲條件下，復(fù)原算法所能承受的最大旋轉(zhuǎn)角度。從圖5可以看出，本文復(fù)原算法在20 dB信噪比條件下可以復(fù)原最大旋轉(zhuǎn)角度為35°的模糊圖像，而當(dāng)信噪比為40 dB和60 dB時(shí)，可復(fù)原模糊圖像的最大旋轉(zhuǎn)角度將超過(guò)60°，基本可覆蓋工程應(yīng)用中絕大部分的高速旋轉(zhuǎn)運(yùn)動(dòng)模糊問(wèn)題。圖6為不同復(fù)原算法在信噪比為20 dB條件下，復(fù)原圖像RMSE的對(duì)比曲線。從圖6可以看出，相比于文獻(xiàn)[4-5，7]中的復(fù)原算法，本文提出的算法可解決更大旋轉(zhuǎn)角度模糊的圖像復(fù)原問(wèn)題，這表明本文算法具有更強(qiáng)的魯棒性和適應(yīng)能力。

圖6 不同復(fù)原算法的RMSE隨旋轉(zhuǎn)角度的變化曲線Fig.6 RMSE versus rotational angle

4.3 實(shí)際復(fù)原效果

在實(shí)際模糊圖像中，像素的模糊運(yùn)動(dòng)模型和干擾噪聲與理論分析存在較大差異，為驗(yàn)證本文復(fù)原算法的實(shí)際可行性，本文將工業(yè)CCD相機(jī)固定到轉(zhuǎn)速可調(diào)的旋轉(zhuǎn)運(yùn)動(dòng)模擬平臺(tái)，以采集的實(shí)際模糊圖像對(duì)算法進(jìn)行復(fù)原測(cè)試。算法所需的圖像旋轉(zhuǎn)中心可使用激光輔助確定，旋轉(zhuǎn)角度信息則由CCD相機(jī)曝光時(shí)間和平臺(tái)轉(zhuǎn)速相乘而得。測(cè)試的圖像復(fù)原效果如圖7所示。圖7(a)為實(shí)際采集的模糊圖像，圖7(d)為其最終的復(fù)原圖像，通過(guò)這兩幅圖的對(duì)比可以看到，盡管在復(fù)原圖像的邊緣出現(xiàn)一定程度的振鈴效應(yīng)和細(xì)節(jié)模糊問(wèn)題(由旋轉(zhuǎn)圓心不穩(wěn)定、旋轉(zhuǎn)角度存在誤差、圖像噪聲非高斯、模糊模型不匹配等因素導(dǎo)致)，但圖形主體部分，如變形的支架、邊緣處模糊的旋翼均得到了一定程度的復(fù)原，這表明本文提出的算法可用于實(shí)際旋轉(zhuǎn)模糊圖像的復(fù)原，具有一定的工程應(yīng)用價(jià)值。

圖7 實(shí)際旋轉(zhuǎn)模糊圖像復(fù)原效果Fig.7 Restored results of actual rotary blurred image

5 結(jié)論

針對(duì)彈載紅外成像系統(tǒng)隨彈體作高速旋轉(zhuǎn)運(yùn)動(dòng)時(shí)圖像存在的旋轉(zhuǎn)模糊問(wèn)題，本文提出了一種基于自適應(yīng)梯度先驗(yàn)的旋轉(zhuǎn)模糊圖像復(fù)原算法。該算法首先對(duì)初步復(fù)原圖像進(jìn)行邊緣保持濾波及降噪處理，估計(jì)出原始圖像的輪廓信息；然后將其作為梯度先驗(yàn)知識(shí)進(jìn)行正則化約束，對(duì)模糊圖像展開(kāi)反卷積復(fù)原；最后，采用設(shè)計(jì)提出的自適應(yīng)中值濾波算法對(duì)復(fù)原圖像的空穴點(diǎn)進(jìn)行插值，避免復(fù)原圖像的過(guò)度平滑問(wèn)題。通過(guò)仿真實(shí)驗(yàn)對(duì)比了本文算法與其他復(fù)原算法的結(jié)果，對(duì)比分析結(jié)果表明：本文提出的復(fù)原算法實(shí)時(shí)性好，魯棒性強(qiáng)，可適應(yīng)更強(qiáng)的噪聲條件和較大的旋轉(zhuǎn)角度；同時(shí)，圖像復(fù)原結(jié)果在噪聲抑制、細(xì)節(jié)復(fù)原及削弱振鈴效應(yīng)方面也具有突出的優(yōu)越性；對(duì)現(xiàn)實(shí)中采集的旋轉(zhuǎn)模糊圖像，本文算法實(shí)現(xiàn)了較大程度的復(fù)原，具有重要的工程應(yīng)用價(jià)值。