毫米波波段是介于光波和无线电波之间的波段,其频率范围是30—300GHz,相应的波长为10mm—1mm。毫米波波长短于微波,在相同的天线尺寸下可以获得较窄的波束宽度,提供较高的角分辨率,其波长又长于红外,尤其在几个大气窗口处,云、雾、烟尘等对毫米波的衰减远小于对红外的衰减,故毫米波探测器比光电探测器更为有效,同时它又具有全天候工作能力,因此其潜在的研究与应用价值日益突出。在获取图像的过程中有许多因素会导致图像质量的下降或退化,如光学系统的像差、大气扰动、运动、离焦和系统噪声,它们会造成影像的模糊和变形。图像重建的目的就是对退化的图像进行处理,使其复原成没有退化前的理想图像。按照傅里叶光学的观点,光学成像系统是一个低通滤波器,由于受到光学衍射的影响,其传递函数在由衍射极限分辨率所决定的某个截止频率以上值均为零。显然普通的图像复原技术如解卷积技术等只能将物体的频率复原到衍射极限相应的截止频率处,而不能超越它,这样截止频率之外的能量和信息被丢失了。超分辨率图像重建技术就是利用信号处理和软件的方法消除由成像系统导致的影像退化,包括像差、大气扰动、离焦、运动和系统噪声、以及非理想采样等,同时恢复出光学衍射极限分辨率所决定的截止频率外的信息,形成空间分辨率更高的清晰图像。凸影投集(POCS)算法是一类解决超分辨率图像复原的有效算法,超分辨率解空间与一组凸形约束集合代表了期望的超分辨率图像的一些特性,如正定、能量有界、数据可靠和平滑等,这样通过这些约束集合就可以得到简化的解空间。POCS是指一种迭代过程,在给定超分辨率图像空间中任意一个点的前提下,可以定位一个能满足所有凸形约束集合条件的收敛解。该算法的优点是最大限度的利用先验信息,使图像的复原更加可靠。而且,由于凸约束集的关系,该算法表现的十分灵活。而最大似然谱估计(ML)算法也有一系列的优势,例如保证收敛等。尤其要提出的是,在实际的操作环境下具有很好的实用性,即使是在由于成像系统的不稳定、大气随机振荡以及目标移动等原因而导致图像退化的点扩散函数无法准确建模的时候。ML算法具有数学运算简单的特点,而且对于传感器参数等具有一定的鲁棒性。然而,这种迭代算法有时却由于计算量巨大而耗费很长的时间。而且,在给定一些先验信息的情况下,最好的算法是既可以用到这些先验信息复原被动毫米波图像,有助于提高图像复原的质量,这就要求一种更优化的算法。将本文将POCS和ML结合起来,提出了一种新的算法。实验证明,该算法结合了POCS和ML的优势,在被动毫米波图像的复原上效果显著。