1.一种基于凹凸混合正则先验的图像盲去卷积方法，其特征在于，包括如下步骤：步骤1：输入模糊图像y，设待估计的最终清晰图像和模糊核分别为f和k，且模糊核的尺寸为Z×Z，其中Z为正整奇数，设水平、垂直方向的一阶导数算子矩阵分别为▽h＝[1,-1；0,

0],▽v＝[1,0；-1,0]，分别用于提取图像中水平、垂直方向的图像细节，其中，h代表水平方向，v代表垂直方向；

步骤2：计算对应模糊图像y的梯度域图像为 其中 代表线性

卷积算子，设待估计最终清晰图像的梯度域图像为

步骤3：采用交替迭代方法估计模糊核k和中间清晰图像u，其中，交替迭代总次数设为I；

步骤4：采用多尺度估计策略，即：设尺度总数为S且各相邻尺度间模糊核的尺寸比例为对应最小尺度s＝1时的模糊核k(1)的尺寸为3×3，且k(1)＝[0,0,0；0,1,0；0,，利用MATLAB中的imresize函数输出模糊图像y及其梯度图像yd在各尺度下的插值图像y(s)和步骤5：利用模糊图像y和上述估计出的 基于倒基尼系数稀疏正则的图像非盲去卷积泛函，最终获得去模糊图像f，即：其中，argminf表示目标泛函取最小值时f所取的值，λ为正则化参数， 表示清晰图像的梯度域图像fd的向量化表示， 表示 的基尼系数，定义如下，即：其中，L为 的维数， 为对序列 由小到大排序后的第l个取值。

2.根据权利要求1所述的一种基于凹凸混合正则先验的图像盲去卷积方法，其特征在于，所述步骤3包括：步骤3-1：初始迭代序号i设为1，模糊核的初始迭代值设为k(0)；

步骤3-2：根据以下最小化泛函求解待估计的中间清晰图像：

(i)

其中，u 表示第i次求解上述泛函所得的中间清晰图像，argminu表示目标泛函取最小值时u所取的值，k(i-1)表示第i-1次迭代后模糊核的估计值， 代表2-范数，cu为小于1的正参数， 为cu的i次幂，η为大于0的平衡参数，且 为凹凸混合广义全变差模型，定义如下，即：其中，{zd}为待估计辅助变量，α＝(α0,α1)为正则化参数常向量，Σd表示水平、垂直方向上的求和， 为中间清晰图像的梯度域图像，分别代表1-范数和0-范数；

步骤3-3：根据步骤3-1估计的中间清晰图像，利用中间清晰图像的梯度域图像 求解以下最小化泛函估计模糊核，即：其中，k(i)表示待估计模糊核的第i次迭代结果，β＝(β0,β1)为正则化参数常向量，argmink表示目标泛函取最小值时k所取的值，ck为小于1的正参数， 为cu的i次幂，为中间清晰图像u(i)的梯度域图像，k(i)≥0表示k(i)中的所有分量都不小于0，且 为凹凸混合弹性网正则化模型，定义如下，即：步骤3-4：令i＝i+1，重复步骤3-1至步骤3-2共I次，得到模糊核估计结果k(I)和中间清晰图像估计结果u(I)。

3.根据权利要求1所述的一种基于凹凸混合正则先验的图像盲去卷积方法，其特征在于，所述步骤4包括：步骤4-1：将模糊核k(1)作为第1尺度时的初始模糊核 将 y(1)、 带入上述步骤

3-1至步骤3-4，估计输出第1尺度下的模糊核 与中间清晰图像步骤4-2：利用MATLAB中的imresize函数，在水平、垂直方向上分别将 放大 倍，作为第2尺度下模糊核的初始值 并将 y(2)、 带入上述步骤(3a)-(3d)，估计输出第2尺度下的模糊核 与中间清晰图像步骤4-3：依次类推，直至最终估计输出第S尺度下的模糊核 记为

4.根据权利要求2所述的一种基于凹凸混合正则先验的图像盲去卷积方法，其特征在于，所述的步骤3-2中的最小化泛函求解等价于以下优化问题，即：引入以下辅助变量Ah＝uh-zh,Av＝uv-zv,Bhh＝zhh,Bhv＝zhv+zvh,Bvv＝zvv,得如下的增广拉格朗日函数，即：其中，A＝(Ah,Av),B＝(Bhh,Bhv,Bvv)，由上式得到对应u(i),{zd},A,B各次估计的解析解，且拉格朗日乘子更新如下，即：μd←μd+(ud-zd)-Ad,υhh←υhh+(zhh-Bhh),υhv←υhv+(zhv-Bhv),υvv←υvv+(zvv-Bvv)。

5.根据权利要求2所述的一种基于凹凸混合正则先验的图像盲去卷积方法，其特征在于，步骤3-3中的最小化泛函求解等价于以下优化问题，即：引入辅助变量h＝k，得到如下的增广拉格朗日函数，即：

由上式得到对应k(i),h各次估计的解析解，其中，约束条件的满足是通过投影运算实现，且拉格朗日乘子更新如下：μ←μ+(k-h)。

6.根据权利要求1所述的一种基于凹凸混合正则先验的图像盲去卷积方法，其特征在于，所述步骤5中的最小化泛函求解等价于以下优化问题，即：其中， 引入辅助变量fd＝gd，可得如下的增广拉格朗日函

数，即：

由上式得到对应f,{gd}各次估计的近似解析解，且拉格朗日乘子更新如下：θd←θd+(fd-gd)。