遥感图像处理技术广泛应用于军事国防和民用经济建设领域,得益于航天遥感对地观测技术的迅猛发展。如今的光学成像卫星的遥感图像具有分辨率高、覆盖面宽、细节丰富等优点,同时这些优势也意味着成像的数据量非常巨大,海量的数据会造成更大的数传压力,极大地延误了遥感信息的时效性。云通常覆盖了地球的近三分之二的区域,海洋比陆地上有更多的云层覆盖。云层阻挡地面特征的光线到达传感器系统,严重阻碍了光学遥感卫星获取有效信息,造成星上存储资源冗余,增加了数传压力。随着集成芯片产业的快速发展,人工智能、深度学习与基于嵌入式系统的实时识别已经在地面应用中得到实现。具有人工智能识别功能的嵌入式实时处理相机是未来星载相机发展的重要方向。智能相机可以对数据进行在轨实时处理,比如实现星上目标实时检测功能,剔除被厚云层覆盖或者平静海面等无效信息,提取舰船或者飞机等有效军事目标信息。在一个数传窗口内,大幅度缩减冗余信息量,提高数据使用效率,减少数传压力,从而实现如下目的:大型军事目标实时侦察,跟踪监视其活动情况,掌握敏感地区海上大型军事力量的部署与目标动向。所以,实现在轨实时云检测处理在军事或商业卫星领域均有重要的实际应用价值。为了提高星上在轨遥感图像自动云检测处理的速度和准确性,缓解在轨传输与存储数据压力,保障遥感信息的时效性,本文围绕多光谱遥感图像的本质和云检测问题展开了研究。根据遥感图像的成像特点,设计了一整套基于张量的在轨实时云检测处理的方法,和基于可编程逻辑阵列(FPGA)与多核数字信号处理器(DSP)的在轨处理硬件平台。本文详细阐述了在轨实时云检测处理的算法流程中涉及到的各项关键技术,包括超像素分割,目标区域特征的选择与提取、基于张量的机器学习方法、硬件平台上的高效运算架构等,改善了在复杂背景下多光谱幅面遥感图像中云检测算法运算速度慢、检测率低和通用性差的问题。主要研究内容归纳如下:多光谱图像可看作由高度、宽度、光谱构成的三维数据,通常将多光谱图像展开成多个二维矩阵进行运算处理,平坦化或展开操作破坏了内部数据间结构,而该结构作为多维空间中信息的反映是非常重要的,张量能够描述具有三维及以上的数据结构。本文介绍和分析了张量运算和支持张量机存在的问题,由于支持张量机的权重函数是由投影得到,这种方法不能捕获多光谱图像数据结构之间的耦合。为了保持数据结构的完整性,本文提出了支持规范张量训练机(SCTTM),实验结果表明,该算法能保持张量的数据结构信息,在小样本的训练集下,得到高效的识别分类结果。在轨云检测处理首先需要进行图像分割步骤,结合在轨硬件平台并行处理的优势和精确分割目标与背景需求,本文分析了当前主流的超像素分割方法及其优缺点。由于超像素分割主要针对彩色(RGB)图像,超像素分割用于多光谱遥感图像时,无法充分利用多光谱图像的谱段信息和丰富的灰度信息。本文提出了基于特征加权小波融合的超像素分割方法,该方法充分利用多光谱的所有谱段信息和灰度信息。实验表明,本文提出的方法相对于现今的超像素分割方法,对复杂的多光谱图像进行超像素分割后,能准确的分割海洋与陆地、船只与海洋和云区域。遥感图像经过本文提出基于特征加权小波融合的超像素分割后,根据场景被聚类分割成若干超像素子切片。本文设计了基于张量的Gabor能量云检测方法,突出一种新的特征,Gabor纹理能量特征图结合光谱信息特征图构成三阶张量,带入支持规范张量训练机进行训练识别。本方法不受限于图像的成像参数,可在不同轨道高度、不同分辨率、不同校正等级的多光谱图像进行云检测,并且得到的结果相对于现有云检测方法有更高的准确率和更低的误报率。根据在轨处理的需求和本文算法流程的张量运算,本文提出了基于FPGA的快速张量运算架构,设计了基于FPGA的张量内积、外积和核心张量运算架构。实验表明,本文提出的方法在FPGA上运算的效率比CPU有明显的优势,在数据规模增大时,相对于GPU也有明显的优势,为后续工程实现轨实时处理提供了保证。在轨多光谱相机成像模块在成像时,会对在轨处理模块产生非常可观的数据速率传输,并在规定Cameralink接口的项目需求下,设计了一套基于FPGA的超高速Cameralink接口。仅利用成像模块和在轨处理模块的FPGA片内资源实现了超高速Cameralink传输,不仅摆脱对Cameralink专用转换芯片的依赖,并且在数据格式不变的情况下,显著突破了专用转换芯片的Cameralink传输速率瓶颈,大幅度缩减线路板布线需求和面积,降低硬件设计成本。最终,本文搭建FPGA与多核DSP在轨处理平台,并对云检测算法进行优化和嵌入式系统移植。在保证系统通用性及可扩展性的同时,提高算法的处理效率,减小了星上遥感数据的传输压力,为在轨云检测奠定了基础。