随着计算机技术、通信技术和传感器技术的发展,在遥感、生物医学等各个领域,海量、高质图像数据的快速获取成为可能,一个令人叹为观止的数字图像世界己经形成,数字图像应用的新纪元正向我们走来。几乎是伴随着数字图像的出现,就产生了图像滤波技术。图像滤波利用像素周围邻域像素的值决定中心像素的输出值,是计算机图像处理中最基本的操作之一,也是绝大多数图像信息提取过程都涉及的步骤。经过近三十年的发展,保持边缘的图像滤波技术己经在图像去噪、边缘检测等图像处理经典问题中广泛应用。随着各种新理论的提出和引入,其理论和方法进一步发展完善,也催生出新的应用领域,在计算机视觉等领域也发挥着越来越重要的作用。同时,海量图像数据的出现,新的图像处理应用需求,也为图像滤波带来了新的问题和挑战。本文总结了现有边缘保持图像滤波方法的优劣,选择以均值漂移滤波和引导滤波为工具,以解决自然场景、遥感场景图像处理和分析中典型问题为目标,从遥感图像融合、图像分割、遥感图像特征提取与分类多个图像处理层次上开展了研究工作。本文研究工作概括为以下几个方面:1.研究首先系统地综述了各种边缘保持滤波方法及应用,分析了研究趋势。就均值漂移滤波和引导滤波,这两种典型的、性能优越的边缘保持滤波方法,从理论基础、参数设置和方法应用等方面进行了初步的探讨。2.将引导滤波引入到遥感图像融合中,有效改善了融合结果的光谱失真问题。图像融合是将多源信道获取的关于同一目标的图像数据,合成具备各信源优点的高质量图像的过程。遥感全色与多光谱图像的融合希望生成的新图像既具有全色图像丰富的空间细节,又具有多光谱图像丰富的光谱信息。成分代替融合方法是遥感图像融合的经典方法,包括低分辨率全色波段模拟和细节注入两个步骤。该类方法具有计算复杂度低,融合后图像空间分辨率提升明显的优点,但也存在着严重的光谱失真。光谱失真的主要原因在于全色波段模拟过程中替代和被替代的波段间亮度分布的不匹配。为解决这一问题,本文提出了一种局部自适应成分替代的融合方法,即将经典低分辨率全色波段模拟和细节注入的全局模型均采用局部自适应模型代替。首先,在全色图像和多光谱波段图像之间建立局部线性回归模型,模拟低分辨率的全色波段。然后,将提取的细节,根据局部估计的权重注入到多光谱波段中。该方法充分利用了引导滤波可以将引导图像的结构传递到输入图像的特点。实验测试了 7对从GF-2、QuickBird和WorldView-2卫星传感器获得的图像,定量和目视的评价结果表明,所提出的方法比现有方法的光谱保真度更好。3.在图像解译过程中,区域分割是从像素空间到特征空间的重要一环,其质量直接影响后续解译的效率和精度。均值漂移分割算法是均值漂移图像滤波算法的拓展,在自然和遥感场景的图像分析中都广受关注。但该方法没有发挥指征对象边界的局部不连续信息的作用,存在不能有效检测、分割弱边缘对象的问题。针对这一问题,提出一种结合边界置信度度量的均值漂移分割框架,将边界置信度信息以自适应权重的形式整合到均值漂移迭代过程中。为获得可靠的边界置信度信息,提出了基于回归建模的低层次多边缘算子整合思路。分别提取灰度梯度和梯度矢量夹角测度,亮度梯度、色度梯度和纹理梯度,两组边缘算子,采用Logistic回归和支撑向量回归模型(SVR),形成了 4种边界置信度估测算法。提出的框架和方法,通过Berkeley Benchnark 300自然场景数据库进行了训练和预测。通过概率随机指数(PRI)、全局一致性误差(GCE)、信息变差(Vol)以及专用于彩色图像分割评价的经验评价函数(EEF)四个定量指标,以及目视解译,评价了分割质量。实验结果表明:边界置信度信息的加入,有助于改善均值漂移分割中的欠分割问题;亮度梯度、色度梯度和纹理梯度与SVR的组合获得了整体最优的边界置信度预测表现,进而产生了最优的分割效果;边界置信度信息的加入,使得纹理对象或弱边界对象的边界都获得了较准确的识别。4.以均值漂移分割获得的过分割区域为建模基元,提出了一种结合区域多尺度分割和马尔科夫随机场的建模方法,实现遥感场景的大尺度语义分类。多尺度分析技术广泛应用于高分辨率遥感图像的特征提取和建模中。但分解层数受制于图像的大小,下采样小波变换实现的图像多尺度表达难以描述大范围的空间模式,导致分类结果出现“胡椒盐”现象;面向对象的图像分析技术虽避免了“胡椒盐”现象,但由于仅利用了单尺度的的特征,也难以描述图像多层次的空间模式,导致分类精度较低。为改善分类结果中的“胡椒盐”现象和提高分类精度,提出了一种基于多尺度区域马尔科夫随机场建模的分类方法。首先,通过结合自适应权重的均值漂移分割算法获得过分割区域,依据区域内亮度均值以及区域间的共享边界长度信息,提取图像低频和高频特征,采用该低频特征波段代替原始图像,重复分割与特征波段提取过程,形成图像的区域多尺度表达。然后,以原始图像为初始尺度,以分割区域为处理单元,以更细尺度分类结果为标记场先验,以当前高频特征建立特征场,逐层分类、投影,获得最终尺度分类结果。合成纹理图像和多光谱遥感图像的实验表明:整合边界置信度信息的均值漂移分割算法能有效的为后续区域建模提供分析单元;相比于小波域多尺度和单尺度区域建模方法,提出的方法有效的提高了分类精度,并避免了“胡椒盐”现象的产生。5.高光谱遥感图像地物覆盖分类中,单一尺度特征无法有效表达地物类间差异和区分地物边界。为了解决这一问题,基于不同尺度参数实现地物不同尺度抽象的思想,分别提取均值漂移多尺度特征和引导滤波多尺度空间特征。首先,利用主成分分析对高光谱图像进行降维;然后,将第一主成分或前三个主成分作为引导图像,将包含信息量最多的前若干主成分分别作为输入图像,应用多个尺度参数进行引导滤波处理,提取多尺度特征,获得图像不同尺度的结构信息;同时,通过设置依次增大的光谱域及空间域带宽,实现均值漂移多尺度特征的提取。最后,将不同尺度的特征堆叠,形成特征向量,输入分类器中进行图像监督分类。采用帕维亚大学(University)、帕维亚城区(Centre)等3幅高光谱实验数据,提取了多尺度引导滤波特征、多尺度均值漂移特征、多尺度形态特征(EMPs)和多尺度Gabor纹理特征,输入到支持向量机和随机森林分类器中,进行了实验。实验全面对比分析了各特征、分类器的性能优劣。实验结果表明:多尺度特征融合有助于整体分类精度的提高,但往往是以个别类别的分类精度下降为代价;相比EMPs和Gabor纹理特征,提出的两种多尺度特征能在平滑地物细节的同时,有效保留地物的边界结构,在多个尺度上均获得了较优分类结果。