利用大气辐射传输模型和指数衰减点扩展函数，发展了一套适用于亚米级分辨率的全色卫星影像的大气校正方法，该方法充分考虑了大气参数（气溶胶、水汽、臭氧及其他吸收气体等参数）、空间分辨率、背景像元与目标像元的空间距离等对邻近效应的影响。结果表明，本文建立的大气校正方法能够有效去除大气及周围环境对卫星入瞳信号的影响，充分解决全色卫星影像中的邻近效应问题，全面提升了卫星影像的质量（清晰度至少提高了155%，对比度至少提高了115%，边缘能量至少提高了247%，细节能量至少提高了204%，调制传递函数至少增大了169%）。

由于航空图像背景复杂，包含的物体类别多样，航空图像分类任务仍然面临困难。针对传统航空图像多标签分类算法准确率低、泛化性差的问题，本文提出了一种基于循环神经网络多标签航空图像分类方法。首先，采用超像素分割获取图像的低层特征，通过注意力机制生成注意力特征图；接着，采用交叉验证的方式获取最佳的图像尺度，将多尺度注意力特征图嵌入卷积神经网络中对 图像进行特征提取；最后，采用改进的双向长短期记忆网络挖掘标签之间的相关性，改进的双向长短期记忆网络增加了输入门到输出门之间的连接，使输入状态可以更好地控制每一内存单元输出的 信息，并且将遗忘门和输入门合并成单一的更新门，使得改进的双向长短期记忆网络可以学到更长时期的历史信息。结果显示，在图像变换尺度为1，1.3，2时，模型在UCM多标签数据集上的精确率 和召回率分别达到了85.33%和87.05%，F1值达到了0.862。本文方法相比于原始VGGNet16模型，精确率提高了7.25%，召回率提高了8.94%。实验表明，该方法可以有效提高航空图像多标签分类任务 的准确率。

针对遥感建筑物实时检测中深度卷积网络资源消耗大和硬件移植难的问题,提出一种基于二值与浮点数混用方法的语义分割网络MBU-Net。通过对FU-Net网络全局权重进行二值化处理来压缩模型大小,并将占少量参数的网络输出层权重替换成浮点型(MBU-Net),解决了全局二值网络(GBU-Net)检测精度差、训练缓慢的问题。在QuickBird卫星遥感数据集上进行实验,MBU-Net的像素准确率为82.33%,F1分数(召回率和精确率的调和平均数)为73.15%;相比于FU-Net,MBU-Net在保证检测精度的前提下,模型大小大幅压缩,检测速度提升了6.29倍,功耗降为37.78%,且优于其他同类方法(Deeplab、ENet),对遥感建筑物实时检测具有重要的实际工程价值。

JPEG2000存在大量计算冗余和消耗较大内存资源的缺陷。为了适应实时性要求高和资源有限的卫星图像的传输, 提出一种新的基于率失真斜率的卫星图像码率控制算法。本方法是根据编码块的有效位平面数大致呈下降趋势和率失真斜率的三个属性提出一个简单的公式, 通过此公式求得的率失真斜率作为层 1编码的门限值, 丢掉小于此门限值的编码通道, 然后在该值基础上层 2计算最优率失真斜率和截断点以实现码率控制, 因而不需要编码所有的编码通道。实验结果表明, 在 0.125 bpp时, 本算法的存储量约占 PCRD存储量的 33%, 而信噪比保持不变。因此, 本方法可以有效地提高卫星图像的编码效率。