地基望远镜的空间目标在成像过程中受到大气湍流、传感器热噪声、空间微尘以及目标高速移动的影响,采集到的图像呈现一定程度的退化现象。为了从退化的数据中恢复质量更好的图像,国内外研究学者在图像去模糊、图像超分辨,图像去噪等方面提出了多种方法。针对噪声的影响学者提出了许多去噪方法,并在实际的生产生活中得到应用。为了消除噪声对空间目标图像的影响,本文结合稀疏表示和空间目标图像特点进行图像去噪研究。本文的课题来源是国家重点实验室项目“基于XXX空间目标图像融合方法研究”。研究中发现,空间卫星目标存在如下特点:(1)在轨卫星目标数量有限;(2)重点观测的卫星目标多数已知其形状;(3)不同卫星目标具有相似的部件和形状特征。本文基于成像目标的这些先验信息,针对噪声的影响,开展基于样例学习的稀疏表示图像去噪方法研究,充分利用噪声图像在高质量图像库中相似部分的信息改进过完备字典的学习,结合稀疏去噪模型提出了两种基于相似样例的图像稀疏去噪方法。1.基于局部相似样例学习的稀疏去噪算法。该算法以SIFT关键点周围n×n的图像块作为学习样例。首先使用SIFT算法对已知图像库中的每一幅图像提取SIFT关键点位置和对应的特征描述符构建SIFT特征群;其次,提取噪声图像的SIFT关键点位置和对应的特征描述符并在SIFT特征群里寻找相似的匹配;最后将所有获取的局部图像块作为过完备字典学习的样例输入。由于该算法提高了学习样例与噪声图像的关联性,在一定程度上增强了过完备字典对图像局部信息的表示能力,所以可以获得更好的去噪效果。2.基于区域相似样例学习的稀疏去噪算法。首先使用SIFT和MSER算法对已知图像库中的每一幅图像提取SIFT特征描述符和MSER区域构建SIFT-MSER特征簇集合;其次,提取噪声图像的SIFT-MSER特征簇并在SIFT-MSER特征簇集合里寻找相似的匹配;然后取所有匹配到的SIFT-MSER特征簇所在的MSER区域作为过完备字典学习的样例输入;最后使用过完备字典对噪声图像进行稀疏分解与重构获取最终的去噪图像。该算法使得字典学习兼顾局部信息和全局信息,通过高频补偿处理则进一步提高了图像的信噪比。