1.基于非局部窗口梯度的模糊图像盲复原方法，其特征在于：该方法包括以下步骤：图像的模糊退化模型用如下的数学模型来表示：其中，B、I和K分别代表观察到的模糊图像、原始清晰图像和模糊核，N是存在的加性噪音，表示卷积运算；

在大小为M×N的图像上定义一个大小为n×n的图像块P，那么非局部窗口梯度NLWG被定义为：NLWG(IP)＝max(Pi‑Pj)＝max(ΔIP) i,j∈{1,2,3...n}       (2)其中，ΔIP＝Pi‑Pj，Pi和Pj表示图像块P上的第i和第j个像素点；

根据公式(1)中图像模糊的数学模型，得出：模糊图像的NLWG比清晰图像的NLWG小，具体的数学推导如下：由公式(3)知，NLWG适用于图像中的所有图像块；

无论是清晰图像还是模糊图像，所有像素点的像素值都能够被归一化到[0,1]之间，那么：

1‑NLWG(IP)≤1‑NLWG(BP)      (4)非局部窗口梯度先验被定义为：

R(I)＝||1‑NLWG(I)||1    (5)其中，||·||1表示L1范数；

选择NLWG的最小上界1保证最终的代价函数的值是最小的；

基于非局部窗口梯度先验的模糊图像盲复原模型为：其中，||·||2表示L2范数， 分别表示图像I在水平方向和垂直方向上的一阶差分运算，α、β和γ分别是对应正则项的权重参数；

对提出模型的最优化求解，具体为：

由公式(6)知，模型需要求解出I和K两个未知数，采用交互式的迭代求解策略来迭代的求解I和K，将对公式(6)分解成对I的子问题和K的子问题，两个子问题的求解，分别如公式(7)和(8)所示：子问题I的求解：

为求解子问题(7)，引入辅助变量u和v，同时引入两个约束条件：u＝1‑NLWG(I)和其中，v＝(vx,vy)，则公式(7)就为：由公式(2)和公式(5)知，NLWG(I)等效为一个矩阵M与图像I的向量形式VI的乘积：其中，j是以i为中心的图像块P上的像素，那么NLWG(·)操作就被转换成：NLWG(I)＝MVI；公式(9)就变为：其中，K是模糊核K的矩阵形式，VB，Vu和Vv分别是B，u和v的向量形式；引入辅助变量q，求解如下的代价函数：采用交互式的求解策略，交互式的迭代求解I，u，v和q；首先固定u和v，得到：再对公式(14)进行交替的迭代求解I和q，得：公式(14)是一个二次性的方程，通过快速的傅里叶变换和分别对I和q进行求导，并令导数为零求得I和q：‑1

其中，ξ(·)和ξ (·)分别表示快速的傅里叶变换和快速的傅里叶逆变换， 表示ξ(·)的复共轭， 表示逐元素相乘操作，除法为点除；

给定I，求得u和v：

得：

子问题K的求解

对于模糊核K的子问题的求解，给定I，模糊核K的最优化求解问题为：公式(18)是一个二次性的问题，采用快速的傅里叶变化对其进行求解，得：为得到具有物理意义的解，采用图像盲复原中通用的非负和归一化约束来对每次迭代中求得的模糊核K进行约束：其中 是模糊核K的定义域；

利用双线性下采样对模糊噪声图像B建立多层图像金字塔，下采样因子为 然后在图像金字塔的每个分辨率层都循环迭代地求解子问题I和子问题K；将模糊噪声图像B的最低分辨率层Bcoarsest作为复原图像的初始输入值，将u，v和q的初始值设为零；一旦模糊核K被最终估计得到，采用非盲复原方法来得到最终的清晰复原图像；

采用非盲复原方法来得到最终的清晰复原图像。

2.根据权利要求1所述的基于非局部窗口梯度的模糊图像盲复原方法，其特征在于：所述基于非局部窗口梯度先验的模糊图像盲复原模型共由四个部分组成：第一项 是图像的保真项，保证最终的复原图像的内容不失真；

第二项NLWG先验正则化约束项，保证在最优化的过程中让解更加接近清晰的图像；

第三项是图像梯度的L0范数，保证提取出图像中的显著边缘来引导模糊核的估计往正确的方向进行；

第四项则用于对模糊核的约束，保证估计出的模糊核的平滑性和稀疏性。