现如今高分辨率遥感图像已经广泛应用到各个领域,由于受到光照、大气等外界因素的影响,遥感系统成像时可能出现图像清晰度降低现象,如遥感图像中包含云污染,会影响对地物信息的解译与判读,如果是薄云噪声,可以不需要辅助影像进行降噪处理,而厚云噪声几乎完全遮挡了地物信息,需要借助辅助影像进行云去除。本文提出的对高分辨率可见光遥感图像的薄云与厚云去除技术具有较好的效果与实用性。本文的研究内容主要包括以下两个方面:针对可见光图像中薄云噪声的去除,本文提出了改进的基于多尺度小波分析的去云算法,该算法能改善传统小波法对薄云信息区分的不精确问题。首先利用暗原色先验算法将可见光图像进行暗通道处理得到暗通道图像,然后将可见光图像进行多尺度小波分解,分解后对低层细节系数重构得到高频分量,高频分量对应于图像的地物细节信息,对暗通道图像进行加权处理后与高频分量结合来增强地物信息,对高层细节系数重构得到低频分量,低频分量对应图像的薄云噪声,利用高频强调滤波器进行低频云噪声的抑制,对近似系数进行重构,最后将处理后的高层细节系数重构图、低层细节系数重构图与近似系数重构图进行叠加得到去云图像。针对不同时相的两幅遥感图像中厚云所在位置不同,本文提出了一种基于小波分析的图像融合算法,该算法解决了传统小波融合去云法的云残留问题。由于数据集的空间分辨率高、地物信息明显,本文对融合方式做了改进,主要改进是对低频分量的融合规则,提出了将基于暗通道的云检测算法运用到低频分量的融合规则中,首先将两幅不同时相的图像进行暗通道处理分别得到各自的暗通道图像,然后对两幅图像分别进行小波分解,对各自的低频分量进行重构,通过判断云的位置来融合两幅图的低频分量,对于高频分量则利用局部能量融合算法进行融合,融合后进行重构,最后将融合后的高频分量与低频分量进行叠加得到去云图像。通过实验结果分析,验证了本文提出的算法能够有效去除遥感图像的薄云噪声与厚云噪声。本文对薄云去除的几种方法进行了对比,结果表明本文提出的算法在目视分析与客观评价上都取得较好效果,改善了传统小波法对薄云信息区分的不精确问题。厚云去除后的图像与原始图像的相似度较高,可视性更佳,有效地解决了云残留问题。