技术特征：
1.一种多参量图像局部模糊自主辨识与恢复方法，其特征在于包括：计算采集的模糊图像的模糊度，根据计算结果选择网格划分所需尺度；进行不同尺度下的网格划分，对各种尺度下网格划分后的各组模糊图像的网格块均进行模糊度计算；根据各组模糊图像的网格块模糊度，确定模糊区域；将确定模糊区域的模糊图像进行恢复计算，输出恢复后的清晰图像。2.根据权利要求1所述的一种多参量图像局部模糊自主辨识与恢复方法，其特征在于：将采集的模糊图像分割为n
×
n个子图像块，计算各子图像块的模糊度，根据计算结果确定网格划分所需尺度。3.根据权利要求2所述的一种多参量图像局部模糊自主辨识与恢复方法，其特征在于：所述网格划分所需尺度的确定方法为：对各子图像块进行离散余弦变换，获取各子图像的频域信号分布；对子图像频域信号进行求和，根据求和结果由小到大排序；根据排序后结果进行网格尺度划分，前70％子图像网格尺度定为n
×
n，后30％个子图像网格尺度定为m
×
m，其中m＝3n；其中，求和结果越小，对应的子图像越清晰。4.根据权利要求2所述的一种多参量图像局部模糊自主辨识与恢复方法，其特征在于：所述各组模糊图像的网格块的模糊度计算方法具体为：确定当前网格块图像的算子矩阵；根据算子矩阵计算各网格块图像的相对模糊度；对相对模糊度结果进行加权计算，确定各网格块图像的模糊度。5.根据权利要求4所述的一种多参量图像局部模糊自主辨识与恢复方法，其特征在于：所述算子矩阵选取拉普拉斯算子，具体为：式中，f为待处理的图像，laplacian表示对图像f进行拉普拉斯函数处理，x为图像水平方向，y为图像竖直方向。6.根据权利要求5所述的一种多参量图像局部模糊自主辨识与恢复方法，其特征在于：对相对模糊度结果进行加权计算时，根据所选块图像的划分尺度，确定对应的加权系数，进行该块图像的加权计算。7.根据权利要求6所述的一种多参量图像局部模糊自主辨识与恢复方法，其特征在于：计算模糊区域的具体步骤为：将各组模糊图像的共m块网格块模糊度定义为样本集d＝x1,x2,...,x
m
，并预设分类数k、最大迭代次数n；于样本集中随机选择k个样本，确定初始的k个质心向量μ1,μ2,...,μ
k
；根据k个质心向量确定初始化簇划分c
t
，计算所选样本x
i
与各质心向量的距离，以标记的最小距离值对簇划分c
t
进行更新，根据更新后的簇划分判断质心向量是否发生变化，若有变化，则根据当前质心向量重新计算初始化簇划分并进行迭代更新，否则根据更新后的
簇划分进行腐蚀操作，去除周边离散的模糊点，再对腐蚀操作后的结果进行膨胀操作，填充局部模糊区域中的空隙，获取局部模糊区域。8.根据权利要求7所述的一种多参量图像局部模糊自主辨识与恢复方法，其特征在于：根据簇划分确定模糊区域的方法具体为：确定初始化簇划分c
t
：计算所选样本x
i
与各质心向量μ
j
(j＝1,2,...k)的距离：标记最小距离值d
ij
，确定类别λ
i
用于表示模糊程度，根据所需精细度进行调整，精细度越高，确定类别λ
i
越多；对簇划分c
t
进行更新：对c
j
中所有的样本点重新计算新的质心：对更新后的k个质心向量进行判断。9.根据权利要求8所述的一种多参量图像局部模糊自主辨识与恢复方法，其特征在于：对确定模糊区域的模糊图像进行恢复计算的具体步骤为：建立模糊图像恢复网络架构；建立模糊图像数据库，将库中80％数据作为训练集，20％数据作为测试集，训练过程中进行随机划分，将不同模糊程度的图像放入模糊图像恢复网络架构进行训练，将训练后所得清晰图像作为恢复后图像。10.根据权利要求9所述的一种多参量图像局部模糊自主辨识与恢复方法，其特征在于：所述模糊图像恢复网络选用u-net架构作为核心网络架构，完成训练后对输入的模糊图像进行特征提取，并通过随机划分对模糊图像进行恢复。11.根据权利要求9所述的一种多参量图像局部模糊自主辨识与恢复方法，其特征在于：所述模糊图像数据库的建立步骤为：将卫星对地观测的遥感数据进行切片处理，使用zernike函数生成初始随机波前数据，根据菲涅尔衍射公式计算对应点扩散函数，将切片后的图像与随机的点扩散函数进行卷积处理获取所有模糊图像。
技术总结
一种多参量图像局部模糊自主辨识与恢复方法，计算采集的模糊图像的模糊度，根据计算结果选择网格划分所需尺度；进行不同尺度下的网格划分，对各种尺度下网格划分后的各组模糊图像的网格块均进行模糊度计算；根据各组模糊图像的网格块模糊度，确定模糊区域；将确定模糊区域的模糊图像进行恢复计算，输出恢复后的清晰图像。清晰图像。清晰图像。
技术研发人员：王小勇 田国梁 贺金平 阮宁娟 李强 庄绪霞 刘晓林 魏久哲 丁锴铖 郭容光 朱志豪 张昧藏 胡蝶
受保护的技术使用者：北京空间机电研究所
技术研发日：2022.08.31
技术公布日：2022/12/22