随着信息技术和对地观测技术的迅速发展,遥感技术在社会生活和经济建设中发挥着越来越重要的作用。目前,遥感技术已经广泛应用于环境保护、地质找矿、国土资源调查、城市规划监测、林业和农业普查、军事解译等领域。随着人工智能和高分辨率遥感技术的发展,特别是遥感图像的空间分辨率,波谱分辨率的逐步提高,直接导致图像数据量数量级增长,对数据传输与处理提出更高的要求,遥感图像处理技术在理论上、技术上和应用上发生了重大变化,传统的遥感图像的处理方法已经很难满足当前遥感应用的需求。伴随着遥感技术的飞速发展,机器视觉领域的理论和方法研究也在飞速进步,近几年,稀疏表示和压缩感知理论已经成功应用于图像处理,网络工程,医学及遥感军事等领域并取得了巨大的成功。本文针对遥感图像的特征及其应用背景,将传统的遥感图像处理技术与计算机视觉处理的理论相结合,研究了基于稀疏表示及字典学习的遥感图像处理技术理论及典型应用。稀疏表示和字典学习的基本原理是利用超完备字典中的冗余基取代正交基,对字典的选择尽可能的包含分解遥感图像信号的信息。将该方法应用于遥感图像的处理,能够降低构建传感器所需的昂贵的代价,降低传感器与地面接收器之间的传输代价,且能够将传感器的计算开销转移到地面计算机。本文提出的方法能充分挖掘遥感图像的应用潜力,为各类应用提供借鉴。论文的主要成果及创新点如下:1通过探究稀疏表示及字典学习的相关理论及应用成果,分析了基于稀疏表示及字典学习的遥感图像处理原理,通过零空间属性、有限等距性及边界约束等分析了如何构造感知矩阵;通过实例说明稀疏恢复的保证。2综述了稀疏表示信号1?最小恢复原理,稀疏恢复算法,重点研究了字典学习算法的原理与方法,根据多光谱和高光谱遥感图像的结构特点,构建了多光谱遥感图像和高光谱遥感图像的字典学习模型和算法。3结合计算机视觉领域的研究成果,提出三种遥感图像的去噪算法。基于广义高模型的局部自适应遥感图像去噪算法、基于稀疏表示和自适应字典学习的遥感图像去噪算法及基于聚类的组稀疏字典学习多光谱遥感图像去噪算法。通过与同类算法相比,均能取得较好的去噪效果。4在前人工作的基础上,提出了两种基于稀疏表示遥感图像超分辨率重建算法。通过对遥感图像进行分块,利用K-SVD算法对高分辨率遥感图像库或者遥感图像自身进行字典学习,获得能够稀疏表示高分辨率遥感图像的字典,通过特征提取、独立成分分析降维、高分辨率遥感图像的重建等操作后实现了对遥感图像超分辨率的重建,该方法提高了图像的峰值性噪比,通过实验验证了算法高效性。5提出了基于结构性稀疏表示和字典学习的高光谱遥感图像分类方法。通过深入挖掘高光谱遥感图像的空间关系及光谱关系,提出了一种新的结构性高光谱遥感图像的稀疏表示及字典学习方法,基于聚类的字典学习方法,使用线性SVM作为分类器,完成了对高光谱遥感图像的分类,通过实验验证了算法的有效性。通过对遥感图像进行聚类,提出了一种新的结构性高光谱遥感图像的稀疏表示及字典学习方法,该方法通过同时利用高光谱遥感图像像素间的空间关系及光谱信息进行聚类,被聚类为同一组的像素具有相同的字典,通过学习得到能表示高一组像素的字典,然后根据学习字典计算图像的稀疏系数,从而获得遥感图像的稀疏表示特征。基于稀疏表示及字典学习的理论在遥感图像处理领域具有非常好的前景和发展。本文对稀疏表示及字典学习的理论及在遥感图像处理领域的应用做了一定的探索。由于稀疏表示及字典学习的理论近年来才兴起,在遥感图像处理领域的研究也刚刚开始,基于稀疏表示及字典学习的遥感图像处理研究仍有巨大的潜力。