目的 拍摄过程中,如果摄像机进行了错误的聚焦,就会得到模糊的图像,如何将模糊图像变得清晰成为一个亟待解决的问题.目前关于图像的去模糊方法多采用基于模糊核约束的卷积模型.但是由于实际应用中很难准确获取模糊核的信息,同时计算机也存在精度限制,计算结果与实际物理模型有偏差,因而去模糊的主要挑战为:如何精确地估计模糊核,以及如何在复原过程中减弱由于精度限制造成的振铃效应.方法 振铃效应是指图像的灰度剧烈变化处产生的震荡,类似于钟被敲击后产生的波状空气震荡.在图像复原过程中,此效应通常发生在梯度变化较大的边缘区域附近.本文对此进行研究,在去模糊过程中引入边缘信息作为约束条件,以改善模糊核的估计,并通过抑制边缘区域的反卷积,抑制图像复原过程中的振铃效应.算法主要分为如下3个部分:1)设计了适用于模糊图像的边缘提取算法;2)利用边缘信息设计了加强边缘感知的反卷积算法;3)提出并设计了安全检测子,以保证算法在边缘区域复原的完整性.结果 实验结果表明,在没有先验知识的情况下,本文方法可以较好地恢复图像细节,并有效抑制振铃效应.较之传统的去模糊处理算法,本文方法在性能上有较大提高.比如,相比于Chan、Krishnan以及Hu的方法,本文方法在峰值信噪比指标上分别提高了25.73％、3.52％和4.43％,在结构相似性指标上分别提高了7.67％、1.63％和3.59％.同时,与基于深度学习的方法相比,本文方法不依赖于数据集,鲁棒性更强.结论 本文方法可以较好地恢复图像细节,并抑制振铃效应,同时比深度学习方法适用范围更广.