卫星云图能从多角度展示云系特征及其演变过程,是监测天气变化,进行气象灾害预报的重要工具。目前气象卫星主要通过红外、可见光等不同通道的传感器对大气进行观测来获得不同波段的卫星云图。受成像原理的限制以及在卫星数据接收过程中的诸多内部与外部因素的干扰,卫星云图的空间分辨率往往不能满足气象监测的需求,且不同通道卫星云图的分辨率也存在差别,尤其是红外云图的分辨率往往较低(低于可见光通道),且卫星云图存在灰度层次不分明的缺点,使得综合利用多个通道云图的信息比较困难。如何基于现有观测设备和已获取的观测数据,重构出高分辨率红外云图成为卫星云图应用中的迫切需求。基于此,本文根据红外云图的特点以及气象服务对云图处理所提出的要求,进行了卫星云图超分辨率的若干关键技术研究,主要的工作如下:(1)研究了图像的退化过程,并给出图像降质模型,引入稀疏表示理论解决超分辨率问题。详细阐述了稀疏表示理论,重点研究了稀疏表示问题的优化算法,包括贪婪法、松弛法等计算方法,介绍学习字典的构造原理和方式,并研究了主流的基于字典学习的图像超分辨率算法流程。(2)提出一种结构组稀疏表示的红外云图超分辨率方法。该方法不同于传统稀疏表示模型使用单个图像块作为稀疏重建的基本单位,而是构造图像块结构组作为稀疏表示的基本单位,建立结构组稀疏表示模型,从而充分利用红外云图蕴含的结构相似信息。字典学习阶段,使用高斯混合模型对样本块进行聚类,使用主成分分析方法对每类样本进行学习,获得紧凑的分类字典。重建过程中,为每个结构组自适应选择最合适的字典,用迭代收缩算法求解稀疏系数。最后通过仿真实验对所提方法的图像重建效果进行了验证。(3)提出一种基于V1LT-分解的红外云图超分辨率方法。首先考虑红外云图中形态分量的不同特性,使用基于全变差理论的V1LT-分离模型将低分辨率红外云图分解成卡通部分与纹理部分,对这两种形态部分采用针对性的处理方法。对卡通部分使用SAI算法进行插值处理,对纹理部分利用NSCT变换的图像增强方法进行增强,最后将处理得到的卡通部分和纹理部分组合并输出高分辨率云图。通过仿真实验验证了所提算法重构图像在视觉效果和图像质量上有明显的改善,有效保持了云图的纹理结构信息。