无人机航拍图像超分辨率重建：基于改进稀疏表示的正则化方法

"基于改进稀疏表示正则化的SR重建算法" 本文探讨的是超分辨率重建（Super-Resolution，简称SR）技术，这是一种旨在提升低分辨率（Low-Resolution，LR）图像到高分辨率（High-Resolution，HR）的技术。在无人机自主导航中，航拍图像的质量对后续识别的准确性至关重要。然而，实际操作中，由于各种因素如天气、拍摄角度和成像质量，航拍图像往往质量不佳，导致细节丢失，影响导航精度。为了改善这种情况，可以在不改动硬件的情况下，利用信息融合的超分辨率重建技术。 超分辨率重建本质上是一个逆问题，它试图从退化的LR图像中恢复原始的HR图像。由于这是一个病态问题，直接求解可能会导致噪声放大和细节丢失。因此，引入正则化方法变得尤为重要。正则化通过添加额外的信息约束，使原本病态的问题转变为稳定的过程，有助于抑制噪声并保持图像边缘的清晰度，从而提高重建图像的空间分辨率。 当前的SR重建算法主要分为基于频域和基于空域两类。频域方法通常忽视了图像退化和先验信息，导致重建效果不尽如人意。相比之下，空域方法更注重图像的退化模型，并利用图像的先验信息，能更好地从LR图像重建HR图像。 文献中提到的几种空域正则化方法包括： 1. 拉普拉斯正则化：Lee等人提出的这种方法通过引入平滑性约束，简化了目标函数的求解，有助于图像重建。 2. 吉洪诺夫正则化：韩玉兵等采用l2范数的吉洪诺夫正则化，虽然增强了图像的平滑度，但也可能导致边缘模糊和高频细节的丢失。 3. 总变分正则化（TV）：Marquina等人提出的TV算法通过分段约束来平滑图像同时保留边缘，有效平衡了平滑度和细节保真度。 4. 双边总变分正则化（BTV）：Omer等在此基础上进一步发展了BTV算法，它结合空间和灰度信息，更精确地保持图像边缘和局部细节。 这些正则化方法在不同方面各有优势，但都致力于在保持图像细节的同时，优化图像质量和分辨率。随着研究的深入，改进的稀疏表示正则化算法被提出，其目的是通过更精确地表示图像的稀疏特性，进一步提升SR重建的效果。这种改进的算法有望在保留图像细节的同时，增强图像的清晰度和真实感，对于无人机导航中的图像处理具有重要意义。