在电子战中,利用无人机侦察图像进行大范围和危险环境中的目标定位、识别和图像理解,并与传统的电磁侦察有机融合,能极大地提高我军参谋人员对战场态势感知和准确分析的能力,这是未来战场侦察技术发展的趋势之一。清晰的侦察图像是后续战场目标识别的基础,因此对含噪无人机图像进行去噪方法研究具有重要意义。本文以此为研究方向,取得的主要成果如下:(1)针对无人机图像的特点和干扰噪声复杂多样,通过分析和比较提出了采用压缩感知去噪的解决方法。基于压缩感知图像去噪技术是根据图像具有稀疏性的特点,按照研究对象稀疏成分的有无,将图像中的有效成分与噪声分离实现图像去噪。在验证实验中,采用经典图像去噪算法作为对照方法,在不同类型的噪声下进行仿真,实验结果表明,基于压缩感知的图像去噪算法比常规图像去噪方法效果更优,所提取图像的有效成分具有更高峰值信噪比,能满足不同工作环境下无人机图像去噪的要求。(2)针对压缩感知理论中固定稀疏字典无法全面表示图像结构特征而影响去噪效果的问题,研究了基于无人机含噪图像字典学习的稀疏去噪算法。首先将噪声图像作为训练样本,选择初始化字典,对含噪图像进行稀疏表示;此时通过K-SVD算法对稀疏表示后的矩阵进行学习,更新字典,这个过程即为字典学习,经过反复迭代,使残差满足事先设定的范围,则停止更新,得到新字典。同时,本文通过与参数化构造字典和对自然图像训练得到的字典比较,实验结果表明了通过字典学习进行图像去噪,对图像结构特征的表达效果和去噪效果更好。(3)针对无人机侦察图像中混合噪声影响图像稀疏性的问题,本文提出了一种基于压缩感知的组合去噪算法。该算法分为粗去噪和细去噪两部分,粗去噪过程主要利用滤波平滑处理掉混合噪声中的脉冲噪声,减少其对图像稀疏性的破坏;然后再对粗去噪的图像进行稀疏表示,通过线性映射得到信号的测量值,最后利用重构算法得到去噪后图像。实验结果表明,该算法改善了含有脉冲噪声的混合噪声对图像稀疏性的影响,提高了图像去噪性能。(4)针对图像去噪后细节特征易受影响的问题,本文提出了基于小波融合的分层去噪算法。该算法利用小波融合原理,将中值滤波法和基于字典学习的稀疏去噪法两种算法去噪后图像融合,根据图像类型特点和感兴趣目标提出融合规则,根据局部图像信息的能量谱设计了低频系数融合规则,根据局部方差谱设计了高频系数融合规则。在峰值信噪比、标准差、熵作为评价指标的条件下进行仿真实验,结果表明算法具有良好的去噪性能,提高了对图像细节特征的提取效果。