曹學(xué)影，王 琳*，譚覃燕，陳大秀，何洋洋

（1.西安電子科技大學(xué) 物理與光電工程學(xué)院，陜西 西安 710071；2.上海航天控制技術(shù)研究院，上海 201109；3.中國(guó)航天科技集團(tuán)公司 紅外探測(cè)技術(shù)研發(fā)中心，上海 201109）

1 引 言

紅外圖像采集過程中成像系統(tǒng)本身的電子噪聲、熱噪聲等，以及紅外遙感圖像采集過程中的光學(xué)衍射、探測(cè)器目標(biāo)與成像器件之間的相對(duì)運(yùn)動(dòng)、大氣湍流等因素都會(huì)造成圖像質(zhì)量退化，表現(xiàn)為圖像模糊和分辨率降低［1］。通過改進(jìn)成像系統(tǒng)的硬件性能來盡可能地提升圖像清晰度的方法，例如提高光學(xué)成像質(zhì)量、優(yōu)化探測(cè)器工藝、減少像元尺寸增加空間分辨率等方法，效果好，但技術(shù)難度大、周期長(zhǎng)，大幅提升設(shè)備成本的同時(shí)還會(huì)帶來如像元密度增大導(dǎo)致的噪聲等其他不利因素。采用軟件方法對(duì)模糊圖像進(jìn)行反降晰處理，通過圖像復(fù)原技術(shù)進(jìn)行去模糊處理，近年來受到業(yè)界關(guān)注并得到了廣泛的應(yīng)用。

目前，國(guó)內(nèi)外研究者針對(duì)圖像復(fù)原已進(jìn)行了大量工作。Brigham等［2］將逆濾波與迭代法引入圖像復(fù)原研究中。Murli等［3-4］提出了一種非病態(tài)求解復(fù)原問題的維納濾波方法。Berger等［5-6］基于正則化和抑制約束提出一種空變自適應(yīng)方法，利用凸集投影映射方法進(jìn)行復(fù)原，在一定程度上抑制了振鈴效應(yīng)。上述方法都是建立在已知成像系統(tǒng)參數(shù)和降質(zhì)圖像的先驗(yàn)知識(shí)的基礎(chǔ)上，但在實(shí)際的圖像復(fù)原工作中，這些是很難保證的。郭永彩等［7］針對(duì)系統(tǒng)參數(shù)和圖像先驗(yàn)知識(shí)不充分的問題，提出了基于空間自適應(yīng)盒正則化技術(shù)的圖像盲復(fù)原算法。王宗躍等［8］提出了一種基于自適應(yīng)結(jié)構(gòu)組字典的稀疏正則化圖像復(fù)原方法。黃奕歡等［9］針對(duì)低分辨率的圖像，提出了一種基于UNet網(wǎng)絡(luò)的圖像復(fù)原算法。易詩(shī)等［10］針對(duì)紅外圖像的運(yùn)動(dòng)散焦模糊，提出了一種基于多尺度生成對(duì)抗網(wǎng)絡(luò)的圖像復(fù)原算法。字典學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)以及對(duì)抗網(wǎng)絡(luò)的復(fù)原時(shí)間長(zhǎng)、算法較為復(fù)雜，而估計(jì)點(diǎn)擴(kuò)散函數(shù)（Point Spread Function，PSF）的方法可以解決上述問題。孔祥龍等［11］利用Lucy-Richardson（LR）算法對(duì)針孔圖像進(jìn)行圖像復(fù)原。Takumi等［12］提出了利用倒譜圖像估計(jì)PSF的方法。師雪艷［13］提出了一種自適應(yīng)單刃邊圖像復(fù)原算法，基于Canny算子邊緣檢測(cè)來估計(jì)PSF。孟浩等［14］利用Prewitt銳化算子檢測(cè)刃邊，并利用維納濾波實(shí)現(xiàn)紅外圖像復(fù)原。紅外圖像對(duì)比度低、噪聲嚴(yán)重，基于灰度梯度的特征檢測(cè)對(duì)于紅外圖像的邊緣信息提取相對(duì)比較困難，影響后續(xù)刃邊的獲取。Morrone等［15］最早提出相位一致性（Phase Congruency，PC）模型。Li等［16］提出使用PC代替圖像強(qiáng)度進(jìn)行特征點(diǎn)檢測(cè)，這種不受圖像對(duì)比度或亮度變化影響的邊緣更加適用于紅外圖像PSF的估計(jì)。

本文利用PC模型對(duì)模糊紅外圖像邊緣特征提取的優(yōu)勢(shì)，提出基于PC提取圖像刃邊的方法，考慮到圖像的模糊過程往往具有方向不均勻性，提出自適應(yīng)雙刃邊法提取PSF，設(shè)計(jì)自適應(yīng)算法篩選滿足最優(yōu)角度原則的雙刃邊并擬合出橢圓高斯函數(shù)作為PSF函數(shù)，結(jié)合快速全變分正則化（Fast Total Variation，F(xiàn)TV）模型，復(fù)原模糊圖像。該算法估計(jì)出的PSF模型更加貼合實(shí)際的模糊核，能夠更有效地抑制復(fù)原中產(chǎn)生的振鈴效應(yīng)。

2 基于相位一致性的邊緣檢測(cè)

相位一致性將紅外圖像的頻域相位信息作為特征檢測(cè)點(diǎn)，提取出圖像的邊緣信息，不受圖像的亮度、尺度等信息的影響，同時(shí)符合人眼的視覺感知特征［17］。

2.1 構(gòu)造相位一致性模型

相位一致性模型是將圖像傅里葉分量相位一致的點(diǎn)作為特征點(diǎn)，從而實(shí)現(xiàn)圖像的邊緣特征檢測(cè)。Kovesi［18］最早提出利用Log-Gabor小波作為帶通濾波器計(jì)算相位一致性的方案。

將一幅二維圖像I（x，y）與二維Log-Gabor函數(shù)（Two Dimensional Log-Gabor Function，2DLGF）［19］的偶對(duì)稱小波和奇對(duì)稱小波分別進(jìn)行卷積操作，得到在尺度s和方向o位置的響應(yīng)分量eso（x，y）和oso（x，y）為：

式中：Meven(x，y，s，o)是偶對(duì)稱Log-Gabor小波，Meven(x，y，s，o)為奇對(duì)稱Log-Gabor小波。

圖像I（x，y）在Log-Gabor濾波器的尺度s和方向o下對(duì)應(yīng)的振幅A so（x，y）和相位分量Φso（x，y）為：

相位一致性在圖像頻譜過窄時(shí)難以定位，考慮到圖像的噪聲和各個(gè)尺度、各個(gè)方向的結(jié)果，需要引入噪聲補(bǔ)償因子T0。于是得到修正過后的二維相位一致性模型：

式中：CP（x，y）表示圖像坐標(biāo)（x，y）位置處的相位一致性大小，s表示Log-Gabor濾波器的尺度；o表示Log-Gabor濾波器方向；w0（x，y）是給定頻率擴(kuò)展的加權(quán)因子；■·」運(yùn)算符防止結(jié)果為負(fù)值，當(dāng)符號(hào)內(nèi)的數(shù)值為正值時(shí)，結(jié)果等于其本身，否則結(jié)果為零；ε是一個(gè)數(shù)值很小且大于零的補(bǔ)償項(xiàng)，目的是為了避免分母為零；ΔΦso（x，y）是一個(gè)敏感的相位偏差函數(shù)，其定義式為：

式中：

局部能量函數(shù)E（x，y）是按照信號(hào)本身和它的Hilbert變換定義的，即有：

式中：F（x）為去除DC分量后的信號(hào)函數(shù)；H（x）為F（x）的Hilbert變換；H（x）和F（x）一般是由信號(hào)分別與一對(duì)正交的濾波器進(jìn)行卷積得到的［20］。

在復(fù)平面上，根據(jù)小波的性質(zhì)，信號(hào)經(jīng)過Log-Gabor濾波器后，實(shí)部分量是Log-Gabor偶對(duì)稱小波濾波器的輸出，虛部分量是Log-Gabor奇對(duì)稱小波濾波器的輸出，因此F（x）和H（x）可以近似表示為：

因此，在Log-Gabor濾波下的局部能量函數(shù)的表達(dá)式為：

上述計(jì)算方法可以產(chǎn)生一個(gè)相位一致性度量，并得到較好的邊緣圖像，但是由于忽略了特征方向信息，不能有效地描述圖像局部區(qū)域的特征分布。為了獲得有關(guān)相位一致性隨著方向變化的信息，根據(jù)式（4）分別計(jì)算出每個(gè)方向上的相位一致性CP（θo），然后計(jì)算出相位一致性矩，并觀察相位一致性矩隨方向的變化。主軸是對(duì)應(yīng)矩被最小化的軸，反映特征的方向；最大矩的軸垂直于主軸，其大小反映了特征的獨(dú)特性。如果最小矩在某一點(diǎn)上的數(shù)值很大，那么該點(diǎn)很可能為一個(gè)角點(diǎn)特征［21］。

根據(jù)經(jīng)典的矩陣分析方程，構(gòu)造相位一致性協(xié)方差矩陣R：

式中需計(jì)算一下變量：

其中：CP（θo）表示在θo處的相位一致性值，并且對(duì)所使用的離散方向集（通常情況下包括6個(gè)方向）進(jìn)行求和。

對(duì)構(gòu)造的相位一致性協(xié)方差矩陣進(jìn)行奇異值分解，奇異值的最大值對(duì)應(yīng)最大矩M，奇異值的最小值對(duì)應(yīng)最小矩m，主軸的角度為Φ，即有：

觀察圖像在各個(gè)方向上隨相位一致性變化的情況，發(fā)現(xiàn)最大矩陣M和最小矩m與方向無關(guān)。

2.2 邊緣特征檢測(cè)

通過以上公式，可以計(jì)算出任意一幅模糊紅外圖像的PC協(xié)方差矩陣，并獲得最大矩M，即圖像的邊緣圖。圖1（a）是模糊紅外圖像，圖1（b）是對(duì)應(yīng)的邊緣檢測(cè)PC圖。

圖1 輸入圖像邊緣檢測(cè)結(jié)果Fig.1 Edge detection result of input image

3 自適應(yīng)雙刃邊法提取PSF

利用刃邊法實(shí)現(xiàn)模糊紅外圖像復(fù)原的關(guān)鍵因素之一是PSF的精確估計(jì)，而PSF的準(zhǔn)確性是由所選刃邊決定的。傳統(tǒng)刃邊法依靠手動(dòng)選取刃邊區(qū)域的方式，估計(jì)出模糊圖像的PSF，這種方式費(fèi)時(shí)費(fèi)力，很難保證估計(jì)出的PSF的準(zhǔn)確性。自適應(yīng)雙刃邊法在傳統(tǒng)刃邊法的基礎(chǔ)上，利用最優(yōu)角度原則篩選出兩條滿足條件的刃邊函數(shù)（Edge Spread Function，ESF），并擬合出PSF。

首先，采用PC算法提取模糊圖像的邊緣信息，利用連通區(qū)域原理提取出待選的刃邊區(qū)域，選用最小二乘法擬合出區(qū)域內(nèi)的刃邊直線，并計(jì)算出每一塊刃邊區(qū)域的梯度值：

式中：G表示刃邊圖像塊（尺寸m×n）的梯度值；r j（j=1，2，…，n）表示每一列上刃邊邊緣點(diǎn)所在的行數(shù)；e（i，j）表示圖像 塊中（i，j）位 置處的 像素值。

梯度代表了刃邊圖像塊中刃邊兩側(cè)的平均灰度值的差異情況，梯度值越大，表明刃邊兩側(cè)的對(duì)比度及同一側(cè)的相似度越大。因此，選取梯度值最大的待選刃邊區(qū)域作為第一條確定刃邊。其次，理想狀態(tài)下的PSF是一個(gè)各向同性的圓形函數(shù)，但是在實(shí)際的模糊圖像中，由于造成模糊的原因眾多、模糊尺度大小方向不同，單刃邊法擬合出的圓形PSF不再符合實(shí)際情況，需要引入第二條刃邊作為PSF擬合的另一個(gè)方向，進(jìn)一步提高擬合精度。

本文提出了一種基于最優(yōu)角度的自適應(yīng)篩選原則來選取第二條刃邊。最優(yōu)角度原則是指：在第一條確定刃邊已知的情況下，分別計(jì)算其余待選刃邊與確定刃邊的夾角，選取夾角最大的那條待選刃邊作為第二條確定刃邊。在兩條刃邊都確定的基礎(chǔ)上，將刃邊塊中每一個(gè)像素點(diǎn)的灰度值作為ESF散點(diǎn)圖的y坐標(biāo)，計(jì)算出刃邊塊中每個(gè)像素點(diǎn)到刃邊直線的垂直距離并將其作為x坐標(biāo)。針對(duì)實(shí)際ESF曲線的非對(duì)稱性，利用改進(jìn)后的Fermi函數(shù)擬合出ESF曲線，其表達(dá)式為：

式中：ai，bi，ci是Fermi函數(shù)的3個(gè)系數(shù)；D是補(bǔ)償項(xiàng)。

對(duì)式（20）進(jìn)行求導(dǎo)，可以獲得在x方向上的線擴(kuò)展函數(shù)（Line Spread Function，LSF）。同理，通過另一條ESF，可以求得y方向上的LSF（y）。根據(jù)式（22）可求出模糊圖像的PSF。圖2呈現(xiàn)了PSF的求取過程。

圖2 PSF的求取過程Fig.2 Estimation process of PSF

4 FTV復(fù)原

快速全變分模型在TV［22-23］模型的基礎(chǔ)上做了一定的改進(jìn)，解決了‖ ?f‖2不可微分的問題，并且引入了新的輔助參量w，其定義如下：式中：w表示紅外圖像中每個(gè)像素點(diǎn)對(duì)應(yīng)的輔助變量；β為懲罰系數(shù)，通常情況下都足夠大；h表示模糊核函數(shù)，也可以用PSF表示。

當(dāng)f有一個(gè)合適的初始值時(shí)，式（23）的前兩項(xiàng)對(duì)于w來說是可以分離的，而第三項(xiàng)與w無關(guān)，因此w的最小化問題等價(jià)于：

對(duì)式（24）進(jìn)行求解，得到的最優(yōu)解為：

當(dāng)w有一個(gè)合適的初始值時(shí)，式（23）是關(guān)于f的二次函數(shù)，此時(shí)f的最小化求解問題可以由正規(guī)方程解出：

綜上所述，本文所用算法對(duì)模糊紅外圖像的具體復(fù)原流程如圖3所示。

圖3 模糊紅外圖像復(fù)原流程Fig.3 Flow chart of blurred infrared image restoration

5 實(shí)驗(yàn)結(jié)果與分析

5.1 復(fù)雜刃邊的提取

為驗(yàn)證基于相位一致性原理獲取復(fù)雜刃邊的優(yōu)越性，選取邊緣較為崎嶇的行人圖像作為實(shí)驗(yàn)對(duì)象。圖4為行人圖像的刃邊獲取結(jié)果，基于PC的自適應(yīng)雙刃邊法不再局限于單調(diào)的直線型刃邊獲取，不同形狀的邊緣只要滿足刃邊選取條件，都可以用來擬合PSF，克服了傳統(tǒng)刃邊法選取刃邊的局限性，有效提高了PSF擬合的準(zhǔn)確性。

圖4 行人圖像的刃邊獲取Fig.4 Edge acquisition of pedestrian

5.2 自適應(yīng)雙刃邊與單刃邊算法比較

將模糊紅外圖像作為實(shí)驗(yàn)對(duì)象，分別進(jìn)行自適應(yīng)單刃邊與自適應(yīng)雙刃邊算法（本文算法）復(fù)原，圖5是紅外圖像的復(fù)原效果對(duì)比。自適應(yīng)單刃邊法與本文算法雖然都可以實(shí)現(xiàn)紅外模糊圖像的自適應(yīng)復(fù)原，但從復(fù)原效果來看，自適應(yīng)單刃邊所擬合出的圓形PSF不能夠較好地貼合實(shí)際模糊核，圖5（b）中PSF大小超過實(shí)際模糊核尺寸，導(dǎo)致復(fù)原結(jié)果中振鈴效應(yīng)明顯。這是因?yàn)閱稳羞叿ü烙?jì)的PSF只具有單個(gè)模糊方向的模糊信息，當(dāng)其他方向的模糊尺度小于估計(jì)方向尺度時(shí)，PSF會(huì)大于實(shí)際模糊核；反之，PSF小于實(shí)際模糊核。自適應(yīng)雙刃邊法解決了單方向模糊尺度不精確的問題，基于兩個(gè)方向的模糊尺度信息來擬合PSF。圖5（c）對(duì)目標(biāo)人物的面貌以及輪廓信息復(fù)原效果較好，也可以很好地復(fù)原目標(biāo)建筑、車輛等細(xì)節(jié)信息，有效地抑制了復(fù)原過程中的振鈴效應(yīng)與圖像噪聲。

圖5 模糊紅外圖像復(fù)原結(jié)果Fig.5 Results of blurred infrared image restoration

5.3 LR與FTV復(fù)原比較

對(duì)紅外遙感圖像分別進(jìn)行LR復(fù)原和FTV復(fù)原，復(fù)原對(duì)比結(jié)果如圖6所示。

圖6 LR與FTV復(fù)原結(jié)果對(duì)比Fig.6 Comparison of LR restoration and FTV restoration

觀察圖6中的復(fù)原結(jié)果，雖然LR復(fù)原和FTV復(fù)原都實(shí)現(xiàn)了對(duì)模糊紅外圖像的去模糊，但是LR復(fù)原圖中振鈴效應(yīng)明顯，并且復(fù)原圖中的紅外噪聲沒有得到抑制。直觀上看，“眼形”區(qū)域等地表建筑細(xì)節(jié)部分更加模糊，嚴(yán)重影響了復(fù)原質(zhì)量。而FTV復(fù)原算法較好地抑制了振鈴效應(yīng)，復(fù)原結(jié)果符合人眼觀察感知特性。雖然FTV復(fù)原有效提高了圖像的清晰度，但是復(fù)原圖中仍有紅外噪聲的影響，對(duì)于噪聲嚴(yán)重的紅外圖像，需要進(jìn)行噪聲預(yù)處理［26-28］。

5.4 復(fù)原圖像質(zhì)量客觀評(píng)價(jià)與分析

為證明本文提及算法的整體有效性和可行性，選取加上尺度為15、標(biāo)準(zhǔn)差為1.5的橢圓模糊后的紅外汽車圖像作為復(fù)原對(duì)象，進(jìn)行模糊圖像自適應(yīng)復(fù)原實(shí)驗(yàn)。圖7為待選刃邊圖（彩圖見期刊電子版），其中綠色線代表的是選取的初步刃邊直線，一共是6條刃邊直線，紅色框標(biāo)注的是刃邊塊區(qū)域，藍(lán)色數(shù)字表示刃邊的次序。實(shí)驗(yàn)計(jì)算6個(gè)刃邊塊的梯度值，如表1所示。

通過比較6個(gè)刃邊塊的梯度值，發(fā)現(xiàn)第2塊刃邊區(qū)域的梯度值最大，所以將此刃邊塊作為第一確定刃邊，然后計(jì)算該刃邊直線與其他5條刃邊直線的角度，如表2所示。

圖7 待選刃邊圖Fig.7 Map of selected edges

表1 6個(gè)待選刃邊塊的梯度值Tab.1 Gradient values of 6 selected edges

表2 第一確定刃邊與其余刃邊的夾角Tab.2 Angles between first edge and others

比較表2中5組數(shù)據(jù)，發(fā)現(xiàn)第4塊與第2塊刃邊夾角最大，為83°。因此將這兩條刃邊作為自適應(yīng)擬合PSF所需的兩條刃邊。圖8為紅外圖像的復(fù)原結(jié)果。

對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行圖像質(zhì)量評(píng)價(jià)，將基于LR的自適應(yīng)單刃邊復(fù)原結(jié)果參數(shù)作為比較對(duì)象，得的質(zhì)量參數(shù)對(duì)比結(jié)果如表3所示。

圖8 紅外圖像復(fù)原結(jié)果Fig.8 Restoration result of infrared image

表3中列出了加入橢圓模糊的紅外圖像、基于LR的自適應(yīng)單刃邊復(fù)原結(jié)果圖像和基于本文算法復(fù)原結(jié)果的質(zhì)量參數(shù)，分別為PSNR（Peak Signal-to-Noise Ratio）、MSE（Mean Square Error）、平均梯度（MeangradientGˉ）、信息熵（Entropy）。本文算法復(fù)原結(jié)果的PSNR，Gˉ，Entropy參數(shù)，相比于模糊圖像，分別提高了2.2%，40.3%，2.7%；相比于自適應(yīng)單刃邊法的復(fù)原結(jié)果，分別提高了1.5%，11.5%，1.4%。總的來看，兩種復(fù)原方法的PSNR，Entropy以及平均梯度Gˉ都比模糊圖像的質(zhì)量參數(shù)要高，這說明復(fù)原結(jié)果都更接近原始的清晰圖像了。單獨(dú)比較兩種復(fù)原方法，本文算法的PSNR，Gˉ，Entropy都比基于LR的自適應(yīng)單刃邊復(fù)原方法的高，并且MSE明顯下降，說明本文算法在提升復(fù)原圖像的峰值信噪比、增強(qiáng)圖像細(xì)節(jié)信息的同時(shí)，有效地抑制了噪聲，復(fù)原效果更好。

表3 評(píng)價(jià)參數(shù)對(duì)比Tab.3 Comparison of evaluation parameters

5.5 圖像復(fù)原對(duì)紅外目標(biāo)探測(cè)的提升

本文算法對(duì)紅外圖像復(fù)原后，可以有效恢復(fù)目標(biāo)的細(xì)節(jié)信息，如目標(biāo)的輪廓信息、灰度梯度信息等，對(duì)后續(xù)的紅外目標(biāo)探測(cè)等工作具有積極意義。圖9是基于灰度變換法［24］對(duì)機(jī)場(chǎng)遙感圖像局部復(fù)原前后的目標(biāo)探測(cè)效果對(duì)比，機(jī)場(chǎng)遙感圖中共有4架飛機(jī)。

本文復(fù)原算法提高了圖9中飛機(jī)目標(biāo)與背景的差異性，與原圖飛機(jī)目標(biāo)相比，復(fù)原飛機(jī)目標(biāo)的灰度值提升了，因此利用灰度變換以及閾值選取的方法更容易探測(cè)出飛機(jī)目標(biāo)。從目標(biāo)探測(cè)效果來看，復(fù)原前的圖像中部分飛機(jī)目標(biāo)與背景的相似度較大，目標(biāo)探測(cè)結(jié)果為2架飛機(jī)，探測(cè)精確度為50%；復(fù)原后的圖像中，4架飛機(jī)目標(biāo)與背景的對(duì)比度提高了，飛機(jī)的外形輪廓也更加明顯，目標(biāo)探測(cè)結(jié)果為4架飛機(jī)，探測(cè)精確度為100%。

紅外小目標(biāo)像素在整張紅外圖像像素中占比較小，紅外圖像模糊的情況下，紅外小目標(biāo)很容易淹沒在背景和傳感器噪聲中，探測(cè)難度較大。利用本文算法對(duì)模糊紅外圖像進(jìn)行預(yù)處理，然后再利用NRAM［25］算法對(duì)紅外圖像進(jìn)行目標(biāo)探測(cè)。紅外小目標(biāo)探測(cè)對(duì)比結(jié)果如圖10所示。

NRAM紅外小目標(biāo)探測(cè)算法基于非凸秩近似極小化聯(lián)合l2，1范數(shù)，在增強(qiáng)目標(biāo)的同時(shí)抑制背景。圖10（a）中小目標(biāo)與背景的相似度較高，經(jīng)過本文算法復(fù)原后，小目標(biāo)與背景的差異性提高。場(chǎng)景中有4個(gè)紅外小目標(biāo)，對(duì)原圖的紅外小目標(biāo)探測(cè)結(jié)果為0個(gè)，探測(cè)精確度為0%，對(duì)圖10（b）復(fù)原圖中的紅外小目標(biāo)檢測(cè)結(jié)果為6個(gè)，探測(cè)精確度為66.7%，虛警概率為33.3%。

圖9 復(fù)原前后目標(biāo)探測(cè)對(duì)比Fig.9 Comparison of target detection before and after restoration

圖10 紅外小目標(biāo)探測(cè)結(jié)果對(duì)比Fig.10 Comparison of infrared small target detection results

本文提出的圖像復(fù)原算法可以有效降低紅外圖像中目標(biāo)探測(cè)的錯(cuò)誤率，提升目標(biāo)探測(cè)的精確度。

6 結(jié) 論

本文將相位一致性原理引入模糊紅外圖像邊緣特征檢測(cè)中，從相位的角度提取出圖像的邊緣信息，并利用連通區(qū)域最優(yōu)角度原則自適應(yīng)地提取和篩選出兩條滿足條件的刃邊，最終將估計(jì)出的PSF作為先驗(yàn)知識(shí)帶入FTV復(fù)原模型之中，實(shí)現(xiàn)了模糊紅外圖像的自適應(yīng)復(fù)原。結(jié)果表明，基于相位一致性的邊緣檢測(cè)對(duì)于圖像亮度、對(duì)比度變化及噪聲具有較好的抗干擾能力，在刃邊較為復(fù)雜的情況下具有一定的優(yōu)越性，自適應(yīng)雙刃邊提取出的橢圓PSF與實(shí)際模糊核相近，能夠較好地去除多種因素所導(dǎo)致的紅外圖像模糊。相比于傳統(tǒng)的逆卷積圖像復(fù)原法，F(xiàn)TV復(fù)原算法能夠更好地抑制振鈴效應(yīng)，減少振鈴所帶來的二次模糊，并且在圖像復(fù)原的基礎(chǔ)上，提高紅外圖像的目標(biāo)探測(cè)精確度。