图像去模糊模型和算法一直是图像处理和计算机视觉领域的研究热点和难点,其中研究最多、应用最广的是全变差正则化模型和相关算法。本文针对传统全变差正则化去模糊模型其细节恢复能力有限、对噪声敏感、仅利用图像的一阶梯度特征等问题进行研究,提出了多方向加权TV和自适应加权TGV的图像去模糊模型,并给出新模型的最优化数值求解算法。具体工作如下:针对全变差(TV)正则化其细节恢复能力有限且对噪声敏感等问题,本文利用多方向边缘检测,对传统TV模型进行改进,得到基于边缘检测的多方向加权TV模型;进一步,为了使复原模型更具普适性并改善其细节恢复能力,本文将暗通道先验融入上述模型,提出基于暗通道先验和多方向加权TV的图像盲去模糊方法。在模糊核估计过程中,根据图像结构自适应提取图像强边缘来估计模糊核,可有效剔除伪边缘、噪声等不利信息,使模糊核估计更具鲁棒性;最后,提出了基于暗通道先验和多方向加权TV(DCP-MDWTV)的图像盲去模糊算法以及基于ADM算法的最优化迭代求解算法。实验结果表明,本文方法可准确估计模糊核,复原图像含有更丰富的边缘、纹理等细节特征。针对传统全变差(TV)正则化仅考虑图像的一阶梯度特征,对噪声敏感、平坦区域阶梯效应明显等问题,本文将广义全变差(Total Generalized Variation)应用于图像去模糊领域,提出基于自适应加权TGV的图像去模糊模型,该模型能够根据图像局部结构自适应调整权值,在去模糊的同时有效保持图像边缘并抑制噪声。另外,本文提出利用原始-对偶算法对去模糊模型进行数值求解。实验结果表明,本文提出的自适应加权TGV去模糊方法可获得高质量复原图像,提出的数值算法时间复杂度低。