图像复原技术在很多领域发挥了重要作用。在实际复原过程中,由于受到各种条件的限制,人们很难获得图像具体的退化模式和模糊核,而精确的估计模糊核对图像的复原有着至关重要的作用。目前提出的图像复原算法仍有很多不足,许多方法都主要集中在解决图像中的先验约束或是借助其他观测图像对图像复原,很少关注图像区域信息对去模糊的影响。图像中有大量平坦区域,该区域不仅没有有用信息,反而加大了图像复原的耗时。而图像的非平坦区域中,部分区域不仅没有有用信息,而且非常不利于精确的估计模糊核。为了解决这一问题并结合课题以及项目需要,本文提出了一种基于最佳区域选择的模糊核估计方法对单幅图像进行复原。本文的主要研究内容是针对单幅图像的去模糊问题,提出了一个基于区域选择的模糊核估计方法。对空不变图像的复原主要是通过对图像中的过零点进行筛选,寻找包含大量有用信息的特征点,计算特征点的梯度熵滤除一部分干扰点,加入Gabor滤波构建特征向量,根据特征向量在CRF学习框架下求得图像中的最佳区域。为克服噪声对模糊核估计的干扰,加入加权二阶差分正则化项来估计模糊核。对极大似然估计空不变复原方法进行一些改进,在图像复原中加入基于最大似然估计的非线性滤波,平滑图像的噪声并保留图像中的细节。对模糊核缓慢变化的空可变图像建立一个基于区域选择的空可变模型,将空可变图像分为多个子块进行处理。对每个子块的最佳区域在梯度域上进行模糊核估计。为了更好的增强图像边缘,减小振铃效应,对空可变图像的复原中添加总变分正则化项,并加入Split Bregman迭代求解。对一系列仿真模糊图像和真实模糊图像进行实验,证明了本文算法的有效性。结果表明,本文所提出的基于区域选择的模糊核估计方法,能高效地估计图像模糊核,并能得到高质量的复原图像。对于模糊核变化缓慢的空可变图像,本文提出的基于区域选择的空可变复原模型也同样适用,并能得到好的复原结果。