针对红外云图分辨率低、视觉效果较差的问题，提出一种图像结构组稀疏表示的超分辨率方法。该方法充分利用红外云图的结构自相似性，将结构组作为稀疏表示的基本单位，建立图像结构组稀疏表示模型。在训练字典过程中通过高斯混合模型学习图像结构组的先验信息，再对样本块进行聚类，利用主成分分析学习得到紧凑的分类字典。在重建阶段对每个结构组自适应选取最匹配的字典，使用改进了的加权l1 范数优化方法求解稀疏系数。实验结果表明，与ScSR、Zeyde、NARM 等算法相比，所提算法在视觉效果以及图像质量评价指标上均有所提高，红外云图重构质量有较为明显的改善。

为了综合利用红外和可见光云图的天气信息，本文提出一种基于非下采样shearlet(NSST)与自适应脉冲耦合神经网络(PCNN)相结合的红外和可见光卫星云图融合方法。首先利用NSST 对红外和可见光卫星云图进行多尺度、多方向分解，然后对分解得到的低频子带系数采用基于局部区域方差和局部区域能量的自适应加权方法进行融合，高频子带系数采用改进的自适应PCNN 进行融合，其中脉冲耦合神经网络的连接强度依据高频系数区域特征的不同重要性，通过一个S 型模糊隶属度函数自适应确定。最后对融合完成的低频和高频分量进行NSST 逆变换得到最终的融合云图。实验结果表明，基于本文提出方法的融合图像无论是从主观视觉效果，还是客观评价指标都要优于文中对比的典型融合方法，能为后续的天气分析和处理提供具有更加丰富的气象资料。

提出一种基于TV-L1分解的红外云图超分辨率算法。该方法采用原始-对偶算法求解TV-L1图像分解模型, 将低分辨率云图分解为结构部分和纹理部分: 对结构部分采用软决策自适应插值(SAI)处理; 对纹理部分则基于非下采样Contourlet变换(NSCT)具有多方向和平移不变的特性, 构造非线性增益函数对其NSCT变换域系数进行处理, 然后对处理后的变换系数进行NSCT逆变换实现纹理增强。最后, 将处理后的结构部分和纹理部分组合起来得到重构的高分辨率云图。实验结果表明, 所提出的算法在视觉效果以及图像质量定量评价上均优于传统插值方法, 在实现两倍超分辨率时, 其峰值信噪比(PSNR)和结构相似度(SSIM)平均值分别提高了1.316 2~4.591 9 dB和0.007 1~0.020 6; 实现三倍超分辨率时PSNR和SSIM平均值分别提高了0.338 7~4.58 dB和0.001 8~0.041 7。由于SAI插值和非下釆样Contourlet变换准确表示了云图的不同形态特征, 故所提算法的超分辨率结果不但准确重建了云图中的结构部分, 而且有效保持了红外云图纹理和边缘。

快速准确地掌握降水的时空分布，对于区域气候、水文和生态环境等至关重要。以长江三角洲为研究区域，获取FY 卫星影像光谱特征，对其进行特征分析并结合地面实况降水观测数据，获得卫星降水模拟参数的特征集，利用SVM(Support Vector Machine)优越的非线性回归性能，提出一种自适应、自学习的降水估计方法。实验结果表明：卫星云图适用于阐释云的降水机理，将其与SVM 结合，可以很好地表达长江三角洲区域降水与云图特征间的非线性关系。此方法得到的降水估计量与地面实测降水数据的相关系数为0.85，表明本文方法可对该地区的降水估计发挥作用。