迅猛发展的遥感技术能够动态、快速和准确地提供多种对地观测数据,成为地理信息系统的主要信息源和数据更新途径。然而,遥感链路造成的图像辐射性能质量失真严重影响了遥感图像特征点的提取和匹配,导致几何定位精度评价结果不准确。因此,本文针对遥感图像复原问题,深入研究了基于字典学习算法的遥感图像去噪、去模糊和超分辨率复原算法,并将其纳入到统一框架中,实现了特征点的精准提取和匹配,从而进一步提高了几何定位精度评价模型的准确性。本文的主要工作和创新性成果如下:(1)提出了基于多尺度分数阶字典学习模型的图像去噪算法。针对现有字典学习算法中稀疏向量和字典的偏离性问题,将分数阶思想引入到字典学习模型中。首先,在多尺度图像空间上,通过自适应分数阶技术对含噪图像的奇异值矩阵进行重新估计,并构建分数阶样本空间。然后,在分数阶样本空间上进行稀疏编码和字典更新,进而抑制了稀疏向量和字典的偏离性。实验结果表明该方法能够进一步提高了稀疏向量的计算精度,有效抑制了遥感图像中的噪声。(2)提出了基于非局部张量字典学习模型的图像去模糊算法。针对多光谱图像特点,将核心张量的非局部结构相似性正则项作为先验知识引入到字典学习模型中。首先,为了充分利用多光谱图像的空间相似性和波段相关性,使用三阶张量表示多光谱图像块,并通过高阶奇异值分解获得稀疏核心张量。然后,利用图像的非局部结构相似性对核心张量进行加权估计,并进行张量字典学习,实现模糊多光谱遥感图像的复原。实验结果表明该方法能够有效提高核心张量的计算精度,减少光谱失真,进而提高了多光谱遥感图像复原效果。(3)引入非零均值的拉普拉斯统计模型对稀疏核心张量进行建模,提出了自适应张量字典学习的图像超分辨率算法。首先,通过高阶奇异值分解获得多光谱图像块对应的核心张量。然后,以高分辨率全色遥感图像为图像先验,自适应的估计拉普拉斯模型的均值和方差,并重构核心张量。最后,使用基于张量的字典学习模型,对多光谱图像进行超分辨率重建。实验结果表明该方法能够准确地估计拉普拉斯模型中的均值和方差,获得精确的核心张量,提高多光谱遥感图像光谱保真度和超分辨率重建效果。(4)为了提高遥感图像几何定位精度评价模型的准确性,将上述图像复原算法纳入到统一框架中,并结合基于遥感图像辐射特征的稀疏分类模型,提出了基于两级匹配策略的特征点提取模型。首先,使用特征点提取算法对遥感图像和其多源参考图像进行粗匹配获得初始特征点集合,并构建遥感图像和其多源参考图像之间的几何关系,对遥感图像进行几何关系补偿。其次,针对补偿后的遥感图像和参考图像,使用基于字典学习的算法对遥感图像进行复原,主要包括全色图像去噪、多光谱图像去模糊、多光谱图像超分辨率重建,解决图像辐射质量退化问题,为特征点精匹配过程提供更丰富清晰的图像细节。然后,针对复原遥感图像,根据遥感图像辐射特征进行子区域稀疏分类,并针对不同地物类别采用SURF算法自适应提取特征点,实现几何定位精度的精确估计。实验结果表明,该模型能够提取出高精度、均匀分布的特征点,从而获得准确的几何定位精度。