红外遥感图像的TGV正则化超分辨重建技术

"本文提出了一种基于总广义变分（TGV）正则化的红外遥感图像超分辨率重建模型，旨在解决四阶全变分正则化模型的‘斑点’问题和稀疏正则化模型最优解不唯一的问题。通过结合零阶张量空间和松弛解的理论，分析了该模型的优势和适用性，并利用交替方向乘数法（ADMM）将模型分解为两个可分别求解的子问题。通过共轭梯度法和快速傅里叶变换，实现了数值求解。实验结果显示，提出的模型在模拟图像和真实图像上的超分辨率重建效果显著，峰值信噪比（PSNR）提高约2dB，信噪比（SNR）、结构相似度（SSIM）和信息熵都有所提升。" 红外遥感图像超分辨率重建是一种技术，旨在提高低分辨率图像的细节和清晰度，使其接近或达到高分辨率图像的质量。在这个领域，正则化是关键的一步，它可以防止过度平滑并保持图像的边缘清晰。四阶全变分正则化虽然能有效处理图像噪声，但常常会导致“斑点”现象，即过度平滑导致细节丢失。另一方面，稀疏正则化模型可能产生多个最优解，影响重建的稳定性。 文章提出的TGV正则化模型结合了这两种方法的优点，旨在克服它们的不足。TGV正则化是一种更高阶的变分模型，它考虑了图像的局部和全局平滑性，能更好地保留边缘和细节。通过零阶张量空间和松弛解的概念，该模型能够更准确地描述图像的结构特性，增强了重建的鲁棒性和唯一性。 在求解过程中，文章采用了交替方向乘数法，这是一种优化策略，可以将复杂的优化问题分解为更容易处理的子问题。这里，模型被分解为两个子问题，分别用共轭梯度法和快速傅里叶变换来求解，这降低了计算复杂度并提高了效率。 实验结果表明，与现有方法相比，TGV正则化的超分辨率重建模型在多个客观评价指标上表现出色。峰值信噪比的提升意味着图像质量的显著改善，而信噪比、结构相似度和信息熵的增加则反映了图像细节恢复的增强和噪声抑制的效果。这些改进对于红外遥感图像的应用，如目标识别、环境监测等，具有重要的实际价值。 这种基于TGV正则化的红外遥感图像超分辨率重建方法为图像处理提供了一个新的有效工具，有助于提升红外遥感数据的解析能力，从而在遥感成像和分析中实现更精确的结果。