针对遥感影像感兴趣区域检测中所需的全局搜索与建立先验知识库等问题，提出基于显著特征聚类的遥感图像感兴趣区域检测算法。利用色彩信息，在不同的颜色通道(RGB)构建直方图以计算不同颜色通道的信息图，融合得到单幅图的显著图。接着通过k-means在CIELab颜色空间上进行聚类，在簇的层级上计算显著值，以降低计算复杂度，从而获得CIELab颜色空间的显著图。将单幅显著图与CIELab空间显著图对应融合，得到最终显著图。根据获得的最终显著图构建感兴趣区域掩膜，以达到将感兴趣区域分割出来的目的。实验结果表明，该算法不需要建立先验知识库，获得显著图结果更加准确，对遥感图像的显著性区域检测有实际意义。

针对二维Otsu及其改进算法分割直方图非高斯分布的遥感图像效果较差等问题，提出了一种基于最小类平均绝对偏差的遥感图像分割算法（MCMAD）。利用对角线投影法把遥感图像的二维直方图转化为一维直方图，从而降低计算复杂度；在不同阈值下计算一维直方图相应类中像素出现的概率和类中像素灰度的期望值；遍历一维直方图的所有阈值，得到不同阈值对应的类平均绝对偏差，将最小类平均绝对偏差对应的阈值作为最佳阈值分割点。实验结果表明，与二维Otsu及其改进算法相比，MCMAD算法不仅能够很好的分割直方图为高斯分布的遥感图像，而且改善了直方图为拉普拉斯分布的遥感图像分割效果。此外，新算法的时间消耗也很低。

频域分析在遥感图像显著区域检测时可以很好地检测到显著区域的边缘部分，但是，往往在显著区域的内部产生误检测。提出了一种基于图像高频信息多尺度融合的视觉显著区域检测算法，将遥感图像进行多尺度的高斯金字塔分解，对分解后的每一级图像进行傅里叶变换，提取变换后的高频信息进行多尺度融合，获得最终显著图。结合该显著图提取遥感影像视觉显著区域不仅能够有效排除显著区域内部误检测问题，而且获得了更为精确的显著区域细节。此外，该算法较Itti模型具有更低计算复杂度。

传统提升小波变换无法有效重构遥感图像中的非水平与非垂直高频信息，导致这些地方的高频小波系数仍然较为显著，降低了遥感图像的编码效率。提出了一种新的基于方向优化的提升小波框架（DOLW）。设计基于梯度的方向预测模型获得提升小波的最优变换方向；沿最优变换方向对图像进行先垂直后水平的方向提升变换，削弱遥感图像高频子带中非水平与非垂直方向上的边缘与纹理能量；利用抽样函数完成分数像素上的插值预测。针对遥感图像的实验表明，与传统的提升小波变换相比，新算法获得的重构图像无论峰值信噪比还是主观质量都有显著提高，对今后遥感图像的压缩编码研究具有重要价值。