经典图像复原方法主要包括以下几种：
-
维纳滤波：维纳滤波是一种线性滤波方法，通过最小化均方误差来恢复图像。这种方法在噪声较小且信号与噪声不相关的情况下效果较好。
-
盲去卷积：盲去卷积是一种从噪声图像中恢复出清晰图像的方法，不需要知道图像的先验信息。这种方法通常使用迭代算法来逼近真实图像。
-
自适应维纳滤波：自适应维纳滤波是对维纳滤波的一种改进，它根据图像的局部特性调整滤波器系数，以更好地适应不同的图像区域。
-
小波变换：小波变换是一种将图像分解为不同尺度下的多个子带的方法。通过小波变换，可以将图像中的噪声和细节分离，从而实现对图像的去噪和复原。
-
图像重建：图像重建是通过已知的图像信息来推断出未知图像的过程。在图像复原中，通常使用已知的图像先验知识（如图像的统计特性）来重建出清晰的图像。
-
深度学习方法：近年来，深度学习在图像复原领域取得了显著的进展。例如，卷积神经网络（CNN）可以用于图像去噪和超分辨率重建，通过训练大量的数据来学习图像的特征和映射关系。
-
稀疏表示：稀疏表示是一种基于字典学习的方法，通过寻找图像中的稀疏表示来恢复清晰图像。这种方法在图像去噪和压缩感知等领域有广泛应用。
-
联合双边滤波：联合双边滤波是一种同时考虑空间邻近性和像素值相似性的滤波方法，能够在保持图像边缘的同时去除噪声。
这些方法各有优缺点，适用于不同的应用场景。在实际应用中，可以根据具体需求选择合适的图像复原方法。
