遥感卫星科学技术的快速发展,使得各种遥感传感器获取了大量不同空间分辨能力和光谱分辨能力的图像,这些图像数据被广泛应用于森林火灾探测,智慧城市,天气预报等多个领域,大大方便了人们的生活并且促进了社会的发展。然而根据光学知识设计的传感器获取的遥感图像在空间细节分辨能力和光谱分辨能力之间相互制约,在信噪比保持一定的情形下,提高图像的光谱分辨能力就要牺牲图像的空间分辨能力,因此在现有技术条件下只能获得成像空间分辨能力低但光谱分辨能力高的多光谱图像和光谱信息较少但空间细节丰富的全色图像。现实生活中很多遥感应用需要结合这两者的优点,生成空间分辨能力高的多光谱图像,以方便对图像进行更进一步的研究和应用,而遥感图像融合技术就是为了解决这一问题逐渐发展起来的。基于稀疏表示的信息表达方法是信息处理领域的一个热门研究方向,它在非正交的基系统中寻找合适的少量的基对信号进行表示,在信号获取与压缩领域取得了令人满意的成果。近年来很多学者将稀疏表示理论引入遥感图像融合领域,结合图像融合的专业知识对其进行改进和完善,得到了主观视觉和客观指标都比较好的融合图像。本文在总结稀疏表示的相关研究的基础上,对遥感图像融合做了进一步的提升和改进,具体工作如下:1.认真研究传统K奇异值分解(K Singular Value Decomposition,K-SVD)方法学习过完备字典的过程,针对其训练量大,耗时长的缺点,选取合适的图像特征用K均值聚类训练图像块样本集合,并对样本较多的类别中相似性较高的样本进行裁减,在保持训练样本多样性的条件下减小了训练量,从而提高了字典训练的效率。2.对字典进行分析和研究,发现字典中存在相似字典原子和较少使用的字典原子,影响字典稀疏表示的能力。用规范化后的与原稀疏模型差异最大的全色图像块对其进行替换,得到自适应字典,能更准确的对源多光谱图像和全色图像进行稀疏表示。3.使用自适应字典稀疏表示多光谱图像的亮度分量和全色图像,并对稀疏系数进行实验研究,分析验证了基于模极大值选择的稀疏系数在信号表示中的重要性,并将稀疏系数分解成模极大值系数和剩余稀疏系数,采用不同的融合规则分别对二者进行融合,实验结果表明这种方法得到的融合结果主观视觉效果相对更好,且客观评价指标更优。