针对前馈卷积神经网络（CNN）感受野较小、获取上下文信息不足、其特征提取卷积层只能提取到浅层特征的问题，提出改进的基于通道注意力反馈网络的遥感图像融合算法。首先，通过两层卷积层分别初步提取全色（PAN）图像的细节特征和低分辨率多光谱（LMS）图像的光谱特征；其次，将提取的特征和网络反馈的深层特征相结合，并将其输入到通道注意力机制模块中以得到初步精细化特征；然后，经过反馈模块生成表征能力更强的深层特征；最后，将生成的深层特征经过含有反卷积的重建层，从而得到高分辨率多光谱（HMS）图像。在三个不同卫星图像数据集上的实验结果表明：所提算法能很好地提取PAN图像的细节特征和LMS图像的光谱特征，同时其恢复出来的HMS图像在主观视觉上更加清晰，并且在客观评价指标上优于对比算法，同时在均方根误差（RMSE）指标上，所提算法比传统算法降低了50%以上，比前馈卷积神经网络算法降低了10%以上。

为了更有效地结合高分辨率全色（PAN）图像细节信息和低分辨率多光谱（MS）图像光谱信息，提出了一种改进的全色锐化算法。首先，对低分辨率MS图像的强度通道进行下采样再上采样获取其低频成分；其次，用强度通道减去低频成分获取其高频成分，在获取到的高低频成分中进行随机采样来构建字典；然后，用构建好的过完备字典对高分辨率PAN图像进行分块分解以获取高频信息；最后，将分解出的高频信息注入到低分辨率MS图像中以重建高分辨率MS图像。经多组实验后发现，所提出的算法在主观上保留了光谱信息，并注入了大量的空间细节信息。对比结果表明，相比其他诸如基于成分替换算法、基于多分辨率分析算法、基于稀疏表示算法，所提算法重建出来的高分辨率MS图像更加清晰，且在相关系数等多种客观评价指标上优于对比算法。

在基于字典的图像超分辨率（SR）算法中，锚定邻域回归超分辨率（ANR）算法由于其优越的重建速度和质量引起了人们的广泛关注。然而，ANR算法的锚定邻域投影并不稳定，以致于不足以涵盖各种样式的映射关系。因此提出一种基于自适应锚定邻域回归的图像SR算法，根据样本分布自适应地计算邻域中心从而以更精确的邻域来预计算投影矩阵。首先，以图像块为中心，运用 K均值聚类算法将训练样本聚类成不同的簇；然后，用每个簇的聚类中心替换字典原子来计算相应的邻域；最后，运用这些邻域来预计算从低分辨率（LR）空间到高分辨率（HR）空间的映射矩阵。实验结果表明，所提算法在Set14上平均重建效果以31.56 dB的峰值信噪比（PSNR）及0.8712的结构相似性（SSIM）优于其他基于字典的先进算法，甚至胜过超分辨率卷积神经网络（SRCNN）算法。同时，在主观表现上看，所提算法恢复出了尖锐的图像边缘且产生的伪影较少。

单传感器捕获的彩色-近红外（RGB-NIR）图像存在光谱干扰，从而导致重建出的标准彩色图像（RGB）图像与近红外（NIR）图像存在色彩失真以及细节信息模糊。针对这个问题提出一种基于深度学习的去马赛克方法，通过引入跳远连接与稠密连接解决了梯度消失和梯度弥散问题，使得网络更容易训练，并且提升了网络的拟合能力。首先，用浅层特征提取层提取了马赛克图像的像素相关性以及通道相关性等低级特征；然后，将得到的浅层特征图输入到连续多个的残差稠密块以提取专门针对去马赛克的高级语义特征；其次，为充分利用低级特征与高级特征，将多个残差稠密块提取到的特征进行组合；最后，通过全局跳远连接恢复最终的RGB-NIR图像。在深度学习框架Tensorflow上使用公共的图像与视觉表示组（IVRG）数据集、有植被的户外多光谱图像（OMSIV）数据集和森林（Forest）三个公开数据集进行实验。实验结果表明，所提方法优于基于多级自适应残差插值、基于卷积卷积和神经神经网络以及基于深度残差U型网络的主流的RGB-NIR图像去马赛克方法。

分水岭变换是一种基于区域和数学形态学的图像分割方法，被广泛用于灰度图像的分割之中。但传统分水岭变换过分割问题严重，图像的噪声和虚假纹理会淹没真正想得到的边缘信息。针对岩屑图像的特征，提出了一种改进的分水岭算法分割方案。先在预处理期用形态学开闭重建运算对原始图像平滑处理，在相对保留边缘不受影响的同时，降低噪声的影响。再通过非线性的阈值变换分离出目标和背景，然后在提取出目标的情况下合并过小区域，得到目标的边缘。而由于阈值变换后，区域数量已经明显减少，可以降低区域合并的运算量，提高合并速度。在求取形态学梯度时，选用了一种新的形态梯度形式，消除了形态学处理对分割结果造成的轮廓偏移现象。从实验结果看来，该算法取得了较好的分割效果。