空间图像数据在拍摄过程中会受到多种降质因素的影响,例如相机自身、成像平台、成像环境以及目标自身的特点等都是影响成像质量的关键因素。其中,目标和相机的动态特性及其工作模式还有成像环境等都会使空间图像成像结果降质。并且,不同的降质因素会导致获取到的数据信息存在很大偏差,甚至使图像信息无法识别或丢失,这就为后期图像处理增加了难度。因此,详细分析每一种降质因素的形成原因和存在形式对不仅可以为图像质量评价提供技术职称,而且可以给不同的图像降质因素处理方法的参数建模,为实现图像处理流程的智能化提供理论支撑。本文的研究内容主要是利用支持向量机对图像的复合降质因素进行粗分类,再利用深度学习对粗分类结果中的降质因素进行精细分类。首先分析降质因素的形成原因、存在形式以及图像降质因素对成像图像数据的影响,接着针对这些降质因素进行特性分析,并将其作为构建空间图像数据库的数据分类标定依据,从而建立复合降质图像数据库和单一降质图像数据库。选择图像的空域、频域特征,主要包括小波变换特征和梯度特征,利用这些特征构成的特征向量来感知降质图像中降质因素的存在形式,并将其作为支持向量机和深度学习神经网络的输入,选用合适参数的向量机模型、利用其分类准确的能力对复合降质的图像进行粗分类。选用深度学习网络模型Alex Net,详细分析了其网络原理、算法执行细节、每一层的数据传递机制、网络训练过程,利用其强大的自学习能力,对含有单一降质因素的图像数据进行学习、分类,实现成像数据降质因素的精细分类。文章的主要工作及创新点如下:1)对空间图像中降质因素的形成原因、存在形式进行了较为全面的分析。指出降质因素的分类对空间图像质量评价以及图像处理流程智能化有着重要的作用,并构建了两个降质图像数据库。从图像成像链路入手,根据空间图像成像过程中存在的降质因素成因和类型,针对空间图像成像途径少、成像环境恶劣、数据有限、成像机会少等特点,针对标定的不同降质因素,通过实拍数据、数据仿真等途径,最大程度地建立复合降质因素图像数据库以及单一降质因素的图像数据库,为本文图像降质因素分类方法研究工作以及今后的图像质量评价工作提供数据基础。2)提出了一种基于支持向量机的复合降质因素分类方法。基于降质因素类型,采用小波变换特征、梯度特征构成的降质因素的特征向量,感知图像噪声、模糊、高曝光、低曝光等降质在图像对比度、结构、细节等方面的影响。然后介绍了目前常用的分类方法,并且说明为什么选择支撑向量机。通过实验和统计验证该方法合理有效性,分析出图像各种降质因素存在的概率,为空间图像的质量评价以及后续图像处理提供很好的依据。3)提出了一种基于深度学习的单一降质因素分类方法。针对空间图像存在单一降质因素的情形,基于卷积神经网络(CNN)之典型模型Alex Net网络的图像分类具有分类效果好的特点把单个降质因素影响的图像数据作为该网络的输入。原始图像首先进入卷积层进行卷积产生一个特征图,之后进入池化层进行降采样,依次类推,最后将输出的特征图拉成一列特征向量,输入到分类器中,一般该分类器可选择MLP(Multi-layer Perceptron Neural Networks)或者Softmax多分类器来输出判定结果,最终实现每一种降质因素的准确分类。