空间光学遥感图像去模糊：受限全变差正则化方法

"本文提出了一种基于受限全变差正则化的遥感图像去模糊方法，旨在提高空间光学遥感图像的质量。通过多通道盲反卷积技术估计点扩展函数，将去模糊问题转化为非盲复原问题。利用快速梯度投影算法解决非平滑最优化问题，从而得到清晰的遥感图像。该方法对点扩展函数估算误差和噪声有较好的鲁棒性，不会引入明显的振铃效应或噪声放大。实验结果显示，该方法在保持图像平均值不变的情况下，显著提高了图像的拉普拉斯能量，并且去模糊后的图像与原始图像相比，结构相似度指标达到0.9824，表明了其在提升遥感图像质量方面的有效性。" 这篇摘要介绍了一个用于改善空间光学遥感图像质量的图像去模糊技术。在遥感图像处理领域，图像模糊是常见的问题，它降低了图像的细节和解析能力。文章提出的解决方案是基于受限全变差正则化（Total Variation Regularization, TVR）的方法。全变差正则化是一种常用的图像恢复技术，它可以保持图像边缘的清晰度，同时抑制噪声。 在这个方法中，首先使用多通道盲反卷积来估算点扩展函数（Point Spread Function, PSF），PSF描述了传感器捕捉图像时的成像过程，导致图像模糊。盲反卷积是一种无监督的技术，它尝试逆向模拟这个过程，以恢复原始图像的清晰度。通过这种方式，去模糊问题从一个盲复原问题转换为非盲复原问题，即已知或部分已知PSF的情况下进行图像恢复。 接下来，采用快速梯度投影算法来求解非平滑最优化问题。这种算法能够高效地处理TVR中的非线性和非平滑优化，它在保持图像边缘的同时减少噪声。由于在实际应用中，PSF的估计可能存在误差，以及图像本身可能包含噪声，该方法设计得足够稳健，不会因这些因素导致明显的振铃效应（ringing artifacts）或噪声放大，这在图像恢复过程中是常见的问题。 实验结果在全色遥感图像上验证了这种方法的有效性。通过比较去模糊后的图像和原始图像，可以发现拉普拉斯能量的显著提升，这表明图像的边缘和细节得到了增强。结构相似度指标（Structural Similarity Index, SSIM）为0.9824，表明去模糊图像与原始图像在视觉上非常接近，且保持了良好的结构一致性。 这种方法提供了一种有效的遥感图像去模糊策略，它结合了全变差正则化和快速梯度投影算法的优点，能够处理图像模糊和噪声问题，从而提高遥感图像的质量，对于遥感数据分析和应用具有重要意义。