随着卫星技术的飞速发展,遥感影像在城市规划、动态监测、气象预测、地物识别等行业上被广泛应用,但光学传感器在采集数据时很容易受到云层的影响,导致影像地物被遮挡、清晰度下降、后期地物识别困难。因此,为了提高遥感数据的使用率,达到节省经济成本的目的,研究如何有效的去除影像云噪声的方法是遥感数字图像处理技术中的热点。本文先介绍了遥感影像薄云的成像模型和去云方法的基础理论,针对传统的去薄云方法在滤除云噪声时存在的大量源信息被丢失的问题,提出了一种改进的小波变换去薄云影像方法。该算法是将同态滤波和高频强调滤波融合到传统的小波变换中得到的,首先,通过探讨选取了最优小波基db4和3层分界层;其次,采用Mallat算法对实验影像进行分解,得到包含大部分云噪声的高层细节系数、大量地物信息的低层细节系数、少量云噪声及背景信息的近似系数;然后,对高层细节系数重构得到的低频分量经同态滤波预处理后进行适当增大、对低层细节系数重构得到的高频分量进行增大处理、对最高层近似系数进行高频强调滤波处理;最后,小波重构得到去云后的结果,完善了传统的小波变换法在处理低频信息上的不足。为了验证本文改进算法的有效性,以单景Landsat8影像作为研究对象,采用3种方法对实验影像进行去薄云处理,从目视评价和客观指标上对去云效果进行独立性和综合性评价。实验结果表明:(1)改进的Butterworth高通滤波器能更好的保留原始图像的细节,并避免“振铃现象”和失真的问题。同态滤波法能去除中厚度均匀分布的薄云,随着截止频率的增大,去除的云噪声更多,但随之源信息丢失的更严重、结果影像更模糊。(2)传统的小波变换法减小高层细节系数和最高层近似系数,并增大低层细节系数,能在一定程度上削弱云噪声,增强地物信息,但不能完全滤除低频分量上的云噪声,无法达到理想的去云效果。(3)本文改进的算法能确保损失最少源信息的情况下更有效的去除薄云噪声,同时增强地物细节和轮廓,对比度更好、清晰度更高,去云处理后的效果更理想,实现了小波变换的时域性和傅里叶变换的频域性互补。因此,本文改进的算法在去云效果上明显优于其他方法,验证了该算法的有效性。