中文摘要：

本项目重点研究形态成分分析(MCA)等稀疏表示方法的有关理论、技术及应用。形态成分分析(MCA)是新近提出的一种基于超完备基稀疏表示的信号和图像分解（分离）方法。MCA方法在冗余多尺度变换的基础上，认为对于信号或图像的形态成分，能用适当的字典来稀疏表示，从而有效地对其进行分解。本项目在项目综合分析Wavelet、Curvelet等超完备稀疏变换的特性的基础上，结合图像自身内容自适应地构造全局和局部相结合的图像表示字典，以提高图像的稀疏表示能力，在此基础上进行图像的自适应稀疏分解，并应用于SAR等遥感图像的去噪；提出将curvelet变换、Contourlet变换等多尺度变换方法和粒子群优化算法、非线性扩散方法以及总变分方法相结合的混合遥感图像增强和去噪方法，以提升算法的性能；提出多粒子群协同进化的优化算法，并基于此算法进行最优原子的搜索，对字典进行优化，采用全局和局部搜索策略相结合的思想，同时引入多粒子群来保持粒子的多样性；提出基于线特征和控制点的异源遥感图像配准，采用基于特征一致的粗配准和基于控制点的精确匹配方法，对待配准图像实现由粗到精的自动配准。