(1)简介

针对光学卫星遥感定量化、可视化、智能化应用中存在的关键数学问题，开展应用数学相关前沿方法研究。研究多帧序列图像超分辨率重构处理架构设计与优化、多帧序列图像配准模型研究、图像重构算法与模型研究等光学遥感影像可视化提升技术。研究定量遥感反演中的病态方程优化求解，包括：反演过程中不均衡分布信息的分析与利用、反演过程的信息变迁。研究数字图像处理结合模式识别方法，建立地物光谱特征的非线性的数学表达改正模型，解决由于影像拍摄时间、拍摄角度不同，造成的“同物异谱”及“同谱异物”问题，提升光学遥感大区域地物分类的精度。

(2)国内外研究现状

在国内的高分辨率光学遥感卫星系统中，武汉大学的研究团队已经开展了遥感图像可视化方向的研究与探索，并已经应用在部分卫星的数据处理系统中。如Worldview、IKONOS、PLEIADES等卫星数。广泛应用了图像增强、降噪、复原及重构等处理，大幅提升了遥感数据质量与性能指标。

定量遥感研究中为了克服遥感的病态反演问题，增加信息量以增加求解的稳定性和精度，比如使用多源数据、先验知识和数据同化等方法（Liang等，2013）。

在多/高光谱遥感分类领域，随着深度学习的再度崛起给图像分类带来新的机遇。利用深度学习多尺度2D-CNN对高光谱遥感影像进行深度表达并融合多波段光谱信息进行分类（Zhao等，2016）。有学者提出了一种利用递归神经网络(RNN)来对高光谱影像分类，展示了深度递归网络更加优越的分类性能（Mou等，2016）。

(3)研究内容

1)多帧超分辨率重构处理架构设计与优化

由于多帧序列光学遥感图像的数据量较大，涉及多维矩阵循环运算的问题，传统多帧超分的处理流程与框架，非常依赖运算资源，单帧影像输出耗时较长。为了满足遥感数据生产效率和稳定性的要求，需对多帧图像超分辨率重构运算架构设计与优化问题进行研究。

根据主流图形图像处理硬件的特点，从数据结构与矩阵运算的角度，对多帧图像超分处理的算法、流程和框架进行优化设计，以提高数据生产效率。

2)多帧序列图像配准模型研究

图像配准环节为超分重构提供了相关图像帧的位移与变换信息，配准精度直接对应多帧图像中非冗余信息的定位精度。传统的影像配准方法，通常采用角点提取匹配和图像空间变换的方法，难以实现图像中所有位置的高精度配准。作为超分处理最为关键和基础的环节，需要对多帧图像超分任务中高精度图像配准模型进行研究。

光学遥感卫星获取的序列图像在时间和空间维度具有相关性，研究将多帧图像的时空模型融入图像配准方式，并对配准结果进行修正，从而以提高配准结果精度。

3)图像重构算法与模型研究

图像超分重构过程是利用已知离散数据回归拟合得到连续信号模型，再通过更小的采样间隔进行图像重采样，从而得到更精细的高分辨率输出图像。为了保证重构图像的效果和精度，需对图像重构过程中的核函数和先验信息建模方法进行研究。

研究基于数值分析与模型拟合的数学理论，对图像重构过程中的核函数模型和先验信息提取模型进行优化，从而提高图像重构准确性和鲁棒性。

4)定量遥感反演中的病态方程优化求解问题研究

定量遥感是遥感科学和技术研究的前沿热点问题之一。定量遥感涉及到遥感图像数据读取、辐射定标、大气纠正、遥感模型、参数反演等一系列问题。定量遥感的本质在于反演，而反演问题通常却是病态的。一方面，地球表面的多变性导致反演模型复杂，求解困难；另一方面，目前遥感获取技术的限制，遥感反演中的信息量远远不足。有三类问题需要解决：信息的表达与度量，不均衡分布信息的分析与利用，反演过程的信息变迁。

研究数学手段制定合适的反演策略、运用合理的反演算法，利用有限的信息对病态反演问题进行优化求解。

5)多光谱遥感影像大区域分类方法研究

在多光谱遥感影像地表分类过程中，影像由于拍摄时间不同，处理得到的地表反射率会有一定程度的差异。同时地表覆盖的“同物异谱”及“同谱异物”线性，导致多光谱数据结构呈非线性。在图像监督分类领域，先验样本有限且质量不均匀，分类器模型的参数无法估计或估计不准确。在这种情况下，对多光谱影像的准确分类需要建立复杂的数学表达模型以真实地反映数据的内在本质。但模型求解过程往往需要一些繁琐的前处理或后处理。研究通过特征预处理等计算，使得通过小规模样本选取，提升遥感影像监督分类精度。