随着传感器技术的快速发展,不同种类的图像传感器已在多个领域得到广泛应用。这些传感器因工作环境不同,获取的图像所包含的信息也存在较大差异。和普通的光学图像不同,遥感图像具有较高的空间分辨率,包含的纹理细节信息也更丰富,在辅助工程规划、抗震救灾,和气象预测等方面具有广泛的应用。近几年研究者们提出了许多基于稀疏表示的遥感图像处理方法,主要用于遥感图像噪声抑制以及多源图像融合中。目前,这些方法取得了一定的进步,但是面对具有更为丰富的纹理信息和边缘特征的遥感图像,该方法仍存在着很多不足,如不具有平移不变性、细节信息容易丢失等。为解决以上问题,本文主要对稀疏表示基础理论进行深入研究与探索,针对遥感图像去噪和融合的关键技术展开系统深入的研究,以得到能更全面、完整地反映场景信息的清晰融合图像。主要工作及创新性研究成果如下:1.基于稀疏表示的SAR图像相干斑噪声抑制算法由于合成孔径雷达(Synthetic Aperture Radar,SAR)图像特殊的成像机制,在图像的获取过程中往往伴随着相干斑噪声的产生,如SEN1-2数据库中卫星Sentinel-1采集到的噪声SAR图像,给后续的图像融合带来了严重不良影响。在用传统的稀疏理论对SAR图像进行表示时,由于对图像信息进行了压缩处理,导致重构的图像会产生一定的边缘模糊和空间分辨率下降等现象。因此,针对传统的基于稀疏表示的SAR图像相干斑噪声抑制算法,本文主要做了以下改进:(1)基于残差图像融合和稀疏表示的SAR图像去噪算法结合基于稀疏表示的图像去噪算法的优点,并充分利用残差图像中包含的边缘等图像细节和图像融合相关知识,本文提出了一种基于残差图像融合和稀疏表示的SAR图像去噪算法。(2)基于平移不变性的K-SVD和向导滤波的SAR图像去噪算法众所周知,图像是具有平移不变性的,只有当表示图像的过完备字典也是移不变的,才能获得图像的最优稀疏表示。为了克服传统K-奇异值分解(K-mean Singular Value Decomposition,K-SVD)对图像中像素点位置和相位特征的敏感,本文提出了基于平移不变性的K-SVD和向导滤波的SAR图像去噪算法。2.基于稀疏表示的遥感图像融合算法为了更全面地整合多传感器采集到的大量图像信息,从而更好地为需求者提供多元化的信息参考,以获得更简明直观的结果,本文提出了两种新的基于稀疏表示的遥感图像融合算法,具体如下:(1)基于稀疏表示和向导滤波的遥感图像融合传统的基于稀疏表示的图像融合算法不仅忽略了图像本身固有的空间连续性,而且在对稀疏系数进行融合时往往采用零范数取大的规则而忽略了图像冗余信息之间的关联,进而导致源图像一些不连续的边缘特征丢失,融合后的图像信息不具有完整性。为此,本文提出了一种基于稀疏表示和向导滤波的遥感图像融合算法。首先,对稀疏表示的系数采用基于改进双曲正切函数和零范数取大的融合规则进行融合,通过稀疏重构可以得到基于稀疏表示的融合图像。同时,对源图像进行基于空间域的图像融合处理,最后用向导滤波对初次融合的两幅融合图像进行滤波处理可以得到最终的融合图像。(2)基于联合稀疏表示和优化理论的图像融合为了更完整地保留源图像的信息以得到信息更为丰富的融合图像,本文提出了一种基于联合稀疏表示和优化理论的图像融合算法。首先使用联合稀疏表示将源图像的冗余部分和互补部分进行区分,然后采用基于最优理论的融合规则对互补的稀疏系数进行融合。最后,将融合后的互补子图像和冗余子图像相加在一起重构出融合图像。3.基于稀疏表示的噪声遥感图像融合算法在对遥感图像进行处理时,如果能同时实现图像去噪和信息融合的效果将对图像的实际应用带来巨大便利。为此,本文提出了一种基于联合稀疏表示和脉冲耦合神经网络(Pulse Coupled Neural Networks,PCNN)的噪声遥感图像融合算法。首先,利用源图像训练字典得到基于源图像的自适应字典,并与固定字典联合构成最终的冗余字典。由于噪声是不稀疏的,而且不同种类源图像中噪声的特性不同,噪声可以被看作是源图像的互补成分,在对联合稀疏表示后得到的互补子图像进行融合的同时,可以实现图像去噪效果。通过对Oslo城市以及SEN1-2数据库上大量的图像进行对比实验证明了本文提出的算法不仅可以实现图像融合效果,还对图像噪声具有很强的鲁棒性,避免了融合过程中噪声的干扰。