大氣紊流的存在通常使遙感影像變得很模糊，這給后續(xù)階段的目標判讀造成了很大的困難。近年來，許多文獻提出了復原退化圖像的方法，如參考文獻[1]對基于LRW算法的圖像復原方法進行了研究；參考文獻[2]采用了盲去卷積的方法，詳細分析了該方法的原理；參考文獻[3-5]所用的圖像復原方法主要是迭代盲去卷積算法。這些方法在處理某一特定問題時，能很好地復原圖像，但是不能解決較為一般的問題，而且運算復雜，不具有實時處理的功能。本文簡要分析各個算法的特點，提出了大氣紊流的近似數(shù)學模型和基于自相關函數(shù)的維納濾波算法來復原遙感影像，并通過對比說明該算法的優(yōu)越性。

　　1 大氣紊流的近似數(shù)學模型

　　大氣紊流是影響遙感影像成像的一個很大的影響因素，由大氣紊流產(chǎn)生的模糊現(xiàn)象與很多因素如溫度、風速、曝光時間等都有關系。對于氣流來說，雖然其蹤跡難以確定，但是對于圖像采集的某一時刻而言，可以將導致其模糊的點擴散函數(shù)用勻速直線運動來近似。

　　對于在勻速直線運動影響下的圖像，根據(jù)其先驗知識，點擴展函數(shù)（退化函數(shù)）可以描述為：

　　其中P為已知的概率函數(shù)。由貝葉斯條件概率定理知，根據(jù)貝葉斯條件概率定理推導可得，Lucy Richardson算法的圖像離散形式可以表示為：

　　其中，參數(shù)λ是加性噪聲的擾動量；C是常量，由圖像受噪聲污染的先驗知識來決定。為了得到比較滿意的圖像復原結果，選擇估計這個參數(shù)值比較重要。

　　4 基于自相關函數(shù)的維納濾波算法

　　在建立引起圖像退化的點擴展函數(shù)（式（1））后，為了更好地消除模糊，引入原圖像f（x）的自相關函數(shù)：

　　5 實驗

　　在使用航空設備采集圖像時，會遇到各式各樣的大氣紊流。本文采用某水利樞紐（空間分辨率為10 m，視角高度為3.48 km）作為實驗對象。

　　圖1（a）和圖2是三種算法處理不同噪聲影響后的結果對比圖，圖2（a）是采用LRW算法處理后的圖像，圖2（b）采用的是迭代盲去卷積算法，圖2（c）采用的是本文算法。圖1中的加性噪聲的擾動量為13 pixel，角度為40°，用來模擬較大的大氣紊流；圖2中的加性噪聲的擾動量為2 pixel，角度為10°，用來模擬較小的大氣紊流。

　　表1為三種算法的關鍵數(shù)據(jù)比對表，其中匹配程度是指復原圖像與原圖像的相似程度，完全匹配是100%，不匹配是0；耗時是指處理過程所用時間。由表1可知，運用本文提出的基于自相關函數(shù)的維納濾波算法，實現(xiàn)了對圖像的快速處理，并且效果優(yōu)于其他兩種方法，為以后進行目標的實時性識別做了很好的圖像預處理工作。

　　本文提出的基于自相關函數(shù)的維納濾波算法，簡單易行，能很好地處理受大氣紊流影響的遙感影像。采用本文采用算法處理后的復原圖像，與原圖像匹配程度高，并且運行速度快，能夠?qū)崿F(xiàn)實時性操作，優(yōu)于LRW算法和迭代盲去卷積算法。