● 摘要
本文研究并提出了基于机器学习和反馈优化之有效结合的新型闭环式降质图像复原处理方法。在控制系统的反馈结构设计中，首要的挑战是在设计反馈结构时建立或选择合适的性能测度作为控制指标和反馈信息。本文采用学习和进化算法进行降质图像的点扩散函数（PSF）估计以提供更好的恢复参数，从而取代了试探法，这种新型处理方案能够利用和整合现存的处理方法以提高效果的鲁棒性和精确性。
图像恢复处理的目的是消除或削减在图像采集和处理过程中所导致的降质，从而提高许多高级计算机视觉任务的执行效果。事实上，由于缺少足够的资源而不可避免地存在着确切境遇难以重复的情况。然而，降质图像恢复处理的严重病态性，意味着可以有许多可能的PSF进行降质图像的恢复处理，这种病态问题可能导致在输入参数或PSF中非常小的误差的情况下而使处理输出结果产生很大的偏差。在最近，尽管有关解决降质图像恢复处理的病态问题，已有许多技术研发进展，但由于降质图像的多样性，这一分支领域的研究工作仍然十分活跃。
闭环控制系统的特点是其通过有效的反馈优化而具有强大的整定自身行为响应和克服外部干扰的能力。最近以来，这种闭环的概念已经被应用于以图像处理参数为控制量而进行诸如图像增强，图像分割，以及字符识别等方面的研究工作。在本文中，我们采用反馈控制以提高PSF的估计质量从而将其推广应用于降质图像的盲反卷积恢复处理中。
本文的第一个研发成果和贡献是，仅使用图像中的关键补丁信息而不是整个图像以提高点扩散函数PSF的辨识质量。我们还提出了基于对比度的模糊不变特征而提取关键补丁的方法，并和常用的特征描述子方法进行了比较，进而运用这种新型的对比度不变特征提取方法形成了几种不同的恢复处理方案，其性能优于常规的多尺度方法。此外，还利用多目标遗传算法（MOGA）提出了一种基于多个显著性图的有用补丁提取方法。
第二项研发成果是，基于我们提出的模糊不变特征给出了模糊性评价的图像质量测度指标，这在感知性和非感知性评价，以及抗噪能力的评价方面都是非常有用的，通过与一些现有方法的比较而体现了其有效性。这项结果的另一个有用的方面是使用模糊不变特征来生成模糊似然图并推广应用于模糊分割。此外，我们关于恢复处理后图像的无参考质量指标测度也是以去模糊图像的模糊度评价为基础来辨识最佳点扩散函数并计算其相对质量。这一点可以被认为是在本文的一个重要贡献，可在针对实际场景而又难以获取真实参考图像的工程问题中发挥重要作用。
本文的另一个贡献是运用诸如多层感知器（MLP），决策树和支持向量机（SVM）等机器学习技术来估计点扩散函数PSF的支持域尺度。此问题可被归结为模式分类和回归的形式，从而利用噪声测度、模糊测度和低层次的统计量作为多种特征进行训练，进而实现对噪声水平的估计和畸变类型的分类。
最后，我们提出了具有点扩散函数PSF优化和恢复处理质量反馈的闭环处理方案，并运用多层感知器（MLP）和打包决策树（BDT）进行点扩散函数估计，利用MOGA进行关键补丁提取。进而采用极值搜索方法求取控制变量的最优值， 在梯度域上的卡尔曼滤波能够取得可靠的结果，甚至在噪声严重时也能有效避免虚假的局部极小点。
为了测试和检验本文所提算法对实拍降质图像的处理性能，我们在室内和室外专门采集了大量的图像数据。实验结果表明，本文所提出的方案较之通常的开环处理模式具有突出的性能优势，而开环处理方法常常只得到次优结果也需要有关待处理图像的诸多假设，甚至不能得到有效结果。这种反馈优化处理模式还可以推广其它的图像处理技术中，但应选择良好且有效的评判测度以确保反馈信息的实际效果。