当前遥感信息处理已经进入数据海量化时代,图像数据量呈几何级数增长。然而,由于受到大气运动、大气吸收散射、卫星平台运动及探测器元器件损坏等因素的影响,传感器采集到的遥感图像经常受到云层遮挡和其他图像内容失真的干扰,产生“无效数据”。当前大部分遥感卫星在轨处理系统无法有效检测并剔除“无效数据”,容易造成星上计算、存储资源以及星地数传资源浪费。本文围绕遥感“无效数据”自动检测判别及程度估计问题,针对云层遮挡及常见的图像内容失真等遥感图像质量影响因素,分别提出了面向在轨应用的云量估计方法和相关遥感图像失真评价方法。论文的具体研究内容和主要创新性成果如下:(1)针对大片云层遮挡导致的“无效数据”检测估计问题,现有的云量判别方法大多难以平衡算法的性能与复杂度。与它们不同,本文利用了遥感全色图像的自然场景统计特性(Natural Scene Statistics,简称NSS)用于云量估计,简单高效。研究发现,统计上,全色云图和无云图的均差对比度归一化系数(Mean Subtracted Contrast Normalization,简称MSCN)呈现不同的分布,非对称广义高斯函数(Asymmetric Generalized Gaussian Distribution,简称AGGD)可以对其进行建模区分。将所得模型参数进一步采用多变量高斯函数(Multivariate Gaussian Model,简称MVG)建模,云图与无云图MVG模型特征之间的距离即代表云图中云量多少。算法在Landsat 8全色云图像库中的实验结果表明,本方法比Landsat 8云量估计算法更准确,对云的薄厚和形状更鲁棒。而且算法简单,复杂度低,适合星上实时处理。(2)针对图像严重失真导致的遥感“无效数据”评价问题,考虑存在参考图像的场合,如图像压缩过程,本文首先提出了一种图像结构与细节分离的全参考遥感图像质量评价方法。研究发现不同类型的失真对图像不同内容的破坏存在差异,例如噪声对图像细节影响较大,而模糊主要平滑图像边缘结构。奇异值分解(Singular Value Decomposition,简称SVD)可以将图像分解成结构部分和细节部分。对两部分内容,分别采用图像梯度、对比度相似度和归一化峰值信噪比进行评估,最后将两部分评价结果非线性权重相乘得到图像最终质量评分。相比于传统全参考评价方法,本算法在遥感图像和公开的可见光图像质量评价(Image Quality Assessment,简称IQA)数据库中取得了更准确的评价结果。虽然上述结构与细节分离法考虑了不同失真对图像不同内容的影响,然而其所采用的特征及拟合方法,与人眼视觉感知过程不太吻合。非负矩阵分解(Non-negative Matrix Factorization,简称NMF)能从自然场景中提取到物体各个组成部分的表征,该表征与人眼视觉感知更加吻合。本文借助NMF分别从失真图像和参考图像中提取组件特征并计算特征相似度,进而提出了一种面向人眼视觉感知的遥感图像全参考质量综合评价方法,通过采用超限学习机(Extreme Learning Machine,简称ELM)对特征相似度训练并预测质量评分。算法在遥感图像和公开的可见光IQA数据库的质量预测结果与人眼主观评分的一致性比现有其他方法更好。(3)考虑到大部分遥感在轨处理不存在参考图像,本文提出了一种基于小波高频子带峰态值(Kurtosis)的遥感图像无参考噪声评价方法。由于大气散/折射、光照变化、成像器件的光子噪声、散粒噪声等在遥感图像中主要产生加性噪声,本文研究发现图像中的加性噪声主要出现在小波分解的高频子带,使得噪声严重图像的高频子带系数分布离散,形状矮胖,而低噪声图像的高频子带系数分布集中,形状高瘦。该分布特点可以由峰态值描述区分。实验对比结果表明算法在加性高斯噪声遥感图像库和公开可见光IQA噪声图像库中取得了更准确的评价结果,同时计算复杂度低。(4)针对遥感图像模糊失真评价问题,本文提出了一种内容鲁棒的在轨无参考评价方法。研究发现,模糊图像的梯度幅值统计直方图符合威布尔(Weibull)分布。本文首先利用威布尔分布及偏斜度(Skewness)对梯度幅值建模,将所得模型参数进行分离归一化(Divisive Normalization)来消除图像内容变化带来的影响。同时提出了一种鲁棒的稀疏ELM用于归一化特征的训练和结果预测。算法在遥感模糊图像库和公开IQA模糊图像库的实验结果表明,本文方法具有很好的图像内容适应性,相比于现有其他无参考模糊评价方法,结果更加准确。