基于清晰度优化的分区PSF估计：无人机TDI推扫图像运动模糊复原新方法

《Sensors》：A Sharpness-Optimized Partitioned PSF Estimation Method for UAV TDI Push-Broom Image Deblurring Zhen Zhang and Min Xu

为解决无人机TDI推扫成像中因平台振动与速度失配导致的空间模糊，本研究开展了基于清晰度优化的分区点扩散函数（PSF）估计研究。通过建立耦合退化模型，将模糊核估计转化为分区最优PSF的迭代搜索问题，显著提升了图像质量，为低光动态成像提供了有效解决方案。

　　

无人机“拍糊了”怎么办？给TDI图像做个“分区去模糊”手术

无人机在低光环境下执行侦察任务时，为了看清目标，常使用TDI（时间延迟积分）相机。这种相机像“贪吃蛇”一样，通过多级累加光线来增强亮度。但无人机飞行时难免“手抖”（振动）或“跑太快”（速度失配），导致拍出来的TDI图像容易出现运动模糊和几何变形。传统的去模糊方法要么依赖额外的姿态传感器（IMU），要么假设平台极其稳定，很难直接用在“活泼好动”的无人机上。

为了解决这个痛点，发表在《Sensors》上的这项研究，提出了一种基于清晰度优化的分区PSF（点扩散函数）估计方法。它不需要额外的硬件，只靠图像本身，就能像“分区诊疗”一样，精准估计不同区域的模糊核，把“糊图”救回来。

关键技术方法

本研究构建了无人机TDI成像的耦合退化模型，将空间变化的运动模糊核估计转化为分区最优PSF的迭代搜索问题。核心流程包括：基于TDI多级积分原理建立振动与速度失配的物理模型；采用分区策略将图像划分为子区域，结合图像清晰度指标作为优化目标；通过迭代搜索算法自适应估计每个分区的最优PSF参数；最后利用非盲反卷积算法实现图像复原，并在仿真和真实无人机实验中验证了其抑制振铃效应的能力。

研究结果速览

1. 建立TDI“糊图”的物理病因

研究人员首先没有急着去“修图”，而是先搞清楚了图是怎么“糊”的。他们建立了一个TDI图像退化模型，把平台振动和速度失配在多级积分过程中的影响都算了进去。这个模型就像一张“病因诊断书”，准确地描述了模糊是怎么产生的，为后续的“治疗”打下了基础。

2. 分区PSF估计：拒绝“一刀切”

传统的去模糊往往给整张图用一个模糊核，但无人机飞行时，不同区域的运动状态可能不同。本文的创新点在于“分区”思想。它将图像分成若干小块，对每个小块独立估计其PSF（模糊核）。更重要的是，它引入了图像清晰度作为优化指标，通过迭代搜索，自动找到让每个小块最清晰的PSF参数。这相当于给图像的每个局部都配了一副“定制眼镜”，而不是让大家戴同一副度数不对的老花镜。

3. 仿真与实验：效果肉眼可见

通过数值仿真和真实无人机飞行实验，该方法展现了强大的去模糊能力。相比传统方法，它不仅能有效去除运动模糊，还能显著抑制伪影和振铃效应（那种图像边缘常见的“重影”或“波纹”）。这意味着在低光、高速飞行的苛刻条件下，无人机也能获得细节清晰、可信度高的图像。

结论与意义

这项研究成功地将分区PSF估计与清晰度优化相结合，首次应用于无人机TDI成像领域。它最大的价值在于“自力更生”——不依赖IMU等外部数据，仅从模糊图像本身就能高精度地复原细节。这对于提升无人机在夜间侦察、灾害监测等复杂场景下的成像质量具有重要的实际意义，为计算成像领域提供了一种新的思路。