高光谱图像分类是利用高光谱数据图谱合一且光谱信息丰富的特点, 对图像中的每个像素进行分门别类, 以达到对地物目标进行高精度分类和自动化识别的目的, 是对地观测的重要组成部分。在分析高光谱图像特点的基础上, 本文从普通机器学习和深度学习这两方面对高光谱图像像素级分类的研究进展及效果进行总结、评述和比较, 通过具体实验的结果对比, 直观地展现各种算法的优劣。针对高光谱分类问题, 本文从两个方面对今后的研究方向及发展前景进行了分析和展望。一方面, 在算法研究上, 高光谱图像分类算法可在保证分类精度的前提下降低算法的复杂度, 利用多源遥感数据、多特征综合、多尺度复合, 提升小样本、少参数分类模型的分类精度, 适应智能化、快速化高光谱遥感对地观测的发展要求; 另一方面要紧密结合市场应用需求, 重视高光谱图像在实际中的应用, 研究具有市场竞争力的高效分类算法, 提升高光谱图像分类在遥感技术应用领域的竞争力。

针对运动模糊图像的模糊去除问题, 提出了一种基于L0范数正则化的模糊核方法。该方法以图像梯度L0范数为正则项, 根据图像的稀疏先验条件, 选取合适的参数估计方法, 构建了一个非凸的最优化能量函数。在对该函数进行数值求解中, 选用了交替迭代法, 交替更新原始图像和模糊核的估计值。在原始图像估计中, 以图像梯度L0范数为稀疏正则项可以有效地保留图像的强边缘并抑制弱边缘对模糊核估计的影响, 从而提高了核估计的正确率。在模糊核计算过程中, 模糊核估计最优化能量函数则转换为一个经典的凸优化问题, 再通过对能量函数进行快速傅里叶变换计算可以快速得到所需的估计模糊核。在成功估计出图像模糊核后, 图像的盲去卷积问题就转换为图像的非盲反卷积问题。采用以L0.5为正则项的超拉普拉斯先验算法进行反卷积, 该算法能够逼近自然图像的重尾分布从而获得更佳的复原结果。实验结果证明, 提出的图像去模糊算法与其他近似方法相比, 去模糊效果更佳。

基于模糊图像的退化过程、卷积模糊模型和模糊图像生成的机理, 提出一种基于L0范数的正则化模糊核估计方法, 解决了遥感图像重建问题中0范数难求解的难题。该方法以模糊核稀疏性为先验知识, 采用对应梯度的L0范数为正则项, 有效避免了细小边缘对模糊核估计的影响, 使得模糊核的估计更加准确。进一步采用超拉普拉斯分布来近似图像梯度的重尾分布, 利用L0.5范数正则化对模糊图像做反卷积, 从而恢复出原始图像。与传统方法相比, 本文方法可以准确地估计出图像的模糊核, 很好地抑制恢复图像的振铃现象, 有效地提升遥感图像的质量。模糊图像以及各方法重构图像在同一刀刃下的调制传递函数(MTF)曲线显示, 本文方法的MTF曲线得到了较好的提升。

考虑视频图像序列的各帧之间具有较强的相关性，提出了一种基于三维小波变换和分块Context模型的视频去噪新方法(3DWTBCM)。3DWTBCM法基于视频图像三维小波分解域内系数和噪声分布的特征，利用小波系数具有局部相关性对其进行分块，将系数分解成各个局部区域。然后，将Context模型用于局部块中，按照能量分布将块内的小波系数分成多个子块。对各部分进行能量估计和多阈值估计，获得去噪最佳阈值，并有效地消除噪声。实验结果表明，3DWTBCM的噪声抑制效果明显优于各种2D去噪方法和其他常用的3D去噪声方法，PSNR 平均提高0.5~1.2 dB。而且从视觉效果来看，本文算法在去除噪声的同时，较好地保留了运动图像细节，运动物体显得比较平滑，不存在传统算法中的拖影、闪烁等现象。

为了克服Contourlet融合在远离支撑区间上出现的混叠成分,抑制融合图像在奇异处产生伪吉布斯现象,提出了改进拉普拉斯能量和的尖锐频率局部化Contourlet (SFLCT)域多聚焦图像融合方法。采用SFLCT而不是原始的Contourlet对多聚焦图像进行分解,并将多聚焦图像空域融合方法中评价图像清晰度的指标引入到SFLCT变换域,用拉普拉斯能量来选择变换域系数。然后,逆SFLCT重构得到融合结果。最后,采用循环平移来提高SFLCT的平移不变性,有效抑制融合图像在奇异处产生伪吉布斯现象。实验结果表明:对于多聚焦图像,所提方法比循环平移小波变换法的互信息提高了5.87%,QAB/F提高了2.70%,比循环平移Contourlet方法的互信息提高了1.77%,QAB/F提高了1.29%;视觉效果优于典型的空域分块拉普拉斯能量方法和平移不变小波变换方法。

考虑二维双树复数小波变换(DTCWT)具有良好的平移不变性和方向选择性,基于当前系数与父系数及邻域系数间的关系,构造了DTCWT图像去噪阈值计算公式,提出了一种去噪方法,PNDTCWT。该方法在对图像进行二维DTCWT变换后,利用阈值公式,根据当前系数和父系数及相邻系数计算收缩阈值,对当前系数进行去噪处理。最后,经过二维DTCWT反变换,得到去噪结果。实验结果表明,PNDTCWT的噪声抑制效果明显优于各种基于DWT的去噪方法和其他DTCWT去噪方法。与基于父系数的DTCWT去噪方法相比,PNDTCW的峰值信噪比(PSNR)平均提高了0.5 dB左右。从视觉效果来看,PNDTCW能在去噪的同时较好地保留图像细节,物体轮廓显得比较平滑,不存在传统DWT算法中的混淆现象。

提出了一种优化预测运动矢量的快速运动估计算法.在对预测运动矢量研究的基础上,根据序列图像中运动矢量的中心-中值偏置分布特性和矢量间的时空相关性,结合运动矢量的相似度分析,选用中心、中值和时间相关的三个矢量作为基本预测矢量.设置相似门限来减少由三个空间相邻块预测矢量带来的大量冗余信息,对算法中关键的门限技术进行了改进.实验结果证明,本文算法对各种类型的运动序列都有很强的自适应性,在保持搜索准确度的同时,可大幅度提高运动估计的速度,其平均搜索速度是FS的208倍,明显优于PMVFAST的146倍、MVFAST的77倍、DS的55倍,提高了视频压缩中现有的运动估计算法的性能.

提出了分组Karhunen-Leove变换(KLT)和整数小波变换(IWT)的高光谱图像数据压缩方法,并采用整数小波变换技术和Set Partitioning in Hierarchical Trees(SPIHT)压缩编码,实现了对分组Karhun-Loeve变换后的数据压缩。该压缩编码方法与现有压缩方法相比,既保留了Karhun-Loeve变换压缩性能和整数小波变换高压缩比的特点,也宜于实时传输。实验结果表明,分组Karhun-Loeve变换/整数小波变换/SPIHT在相同压缩比下,峰值信噪比比Karhun-Loeve变换/小波变换/WSFCVQ、Karhun-Loeve变换/小波变换/改进的对块零树编码压缩和Karhun-Loeve变换/WT/FSVQ分别提高了6 dB, 9 dB和8 dB,运算时间减少一半,整体压缩性能有了较大的提高。

A novel image fusion algorithm based on bandelet transform is proposed. Bandelet transform can take advantage of the geometrical regularity of image structure and represent sharp image transitions such as edges efficiently in image fusion. For reconstructing the fused image, the maximum rule is used to select source images' geometric flow and bandelet coefficients. Experimental results indicate that the bandelet-based fusion algorithm represents the edge and detailed information well and outperforms the wavelet-based and Laplacian pyramid-based fusion algorithms, especially when the abundant texture and edges are contained in the source images.

A new hyperspectral image compression method of spectral feature classification vector quantization (SFCVQ) and embedded zero-tree of wavelet (EZW) based on Karhunen-Loeve transformation (KLT) and integer wavelet transformation is represented. In comparison with the other methods, this method not only keeps the characteristics of high compression ratio and easy real-time transmission, but also has the advantage of high computation speed. After lifting based integer wavelet and SFCVQ coding are introduced, a system of nearly lossless compression of hyperspectral images is designed. KLT is used to remove the correlation of spectral redundancy as one-dimensional (1D) linear transform, and SFCVQ coding is applied to enhance compression ratio. The two-dimensional (2D) integer wavelet transformation is adopted for the decorrelation of 2D spatial redundancy. EZW coding method is applied to compress data in wavelet domain. Experimental results show that in comparison with the method of wavelet SFCVQ (WSFCVQ), the method of improved BiBlock zero tree coding (IBBZTC) and the method of feature spectral vector quantization (FSVQ), the peak signal-to-noise ratio (PSNR) of this method can enhance over 9 dB, and the total compression performance is improved greatly.