多通道超分辨率盲复原算法：基于Poisson-Markov最大后验概率

"该论文介绍了一种基于Poisson-Markov分布的最大后验概率(Maximum A Posteriori, MAP)的多通道超分辨率盲复原算法，用于解决图像退化和低分辨率的问题。该算法适用于在不同环境扰动条件下的多帧图像处理，如红外凝视焦平面的微扫描或微离焦成像技术。" 在图像处理领域，图像退化是常见的问题，它可能由相对运动、离焦、大气扰动或系统噪声等因素引起。随着对高分辨率图像的需求增加，图像复原技术变得至关重要，特别是在军事、遥感、天文探测和生物医学等领域。SIMO模型描述了单个传感器在不同环境条件下对同一场景进行多次探测的情况，这种模型中的多帧图像可以提供丰富的互补信息，有助于提高空间分辨率。 陈翼男等人提出的算法基于Poisson-Markov随机场分布假设，这是一种考虑了像素之间依赖关系的统计模型。在噪声存在的情况下，他们改进了多通道图像间的互限制原则，并利用最大后验概率方法来估计图像和点扩散函数(Point Spread Function, PSF)。这种方法的优势在于不需要预先知道PSF的特性、类型或具体分布。 算法的核心是通过交替迭代图像和PSF，在幅度限制约束和PSF能量恒定的约束空间内寻找全局最优解。这意味着图像和PSF将逐步收敛，最终生成超分辨率图像。实验结果表明，该算法在不同信噪比和PSF尺寸下，对模拟和真实图像的复原效果稳定且优良，尤其在处理微平移和微离焦图像时表现出色。 在图像复原的盲复原问题中，该算法属于一类方法，它在复原图像之前并不需要先估计通道的退化函数。这种盲复原方法对于SIMO图像重建至关重要，因为它能够从多帧图像中提取更多的细节信息，从而提升图像的分辨率和质量。 该论文提出的基于Poisson-Markov分布的最大后验概率的多通道超分辨率盲复原算法，为解决多帧图像处理中的复原挑战提供了一个有效且实用的解决方案，特别是在缺乏先验知识的情况下，能显著提升图像的分辨率和清晰度。