A restauração de uma imagem nítida a partir de uma imagem borrada com o núcleo de desfoque desconhecido é chamada de problema de deconvolução cega de imagem, que é um problema inverso subdeterminado. A maioria dos algoritmos existentes restringe o espaço de soluções introduzindo conhecimento prévio do núcleo de desfoque e da imagem nítida. Este trabalho propõe um algoritmo de deconvolução cega de imagem baseado no aprendizado de dicionário multi-escala, utilizando imagens reduzidas para treinar um dicionário para representação esparsa, e introduz a representação esparsa das regiões texturizadas da imagem sob este dicionário como uma restrição de regularização na função objetivo da deconvolução cega. O processo de redução da imagem diminui o grau de desfoque, e existem blocos redundantes semelhantes em várias escalas na imagem; o treinamento do dicionário com blocos de imagem mais nítidos pode representar melhor a imagem nítida de forma esparsa, reduzindo o erro de representação esparsa; ao mesmo tempo, devido ao erro de representação esparsa da imagem nítida nas regiões texturizadas ser menor que o da imagem borrada, a representação esparsa dos blocos texturizados sob este dicionário faz com que a imagem reconstruída tenda para a imagem nítida. O algoritmo proposto alcançou uma média de relação sinal-ruído de pico de 29,54 dB no conjunto de dados Kohler. Experimentos em muitas imagens borradas verificaram que o algoritmo pode efetivamente resolver a restauração de núcleos de desfoque de grande tamanho e possui boa robustez.

deconvolução cega; representação esparsa; aprendizado de dicionário; multi-escala; auto-similaridade