压缩感知(Compressed Sensing)是一种可以用来对信号进行采样、恢复等处理的新的办法。它突破了传统的奈奎斯特采样定律对信号采样频率的要求,可以用更少的采样值来表示原始信号,并用这些采样值精确的恢复出原始信号。使用CS方法时要求待处理的信号必须稀疏,且它能同时完成对信号的采样和压缩操作。与传统的信号处理方法相比,压缩感知理论在一定程度上提高了信号的采样效率,减少了恢复信号所需要的采样值个数。但是在使用压缩感知理论处理图像信号时,如果仍然对图像整体采用随机采样的方法来处理,采样效率将达不到最理想的结果。因此,论文结合人眼的视觉特点、图像不同区域对重构精度的贡献度和图像预测算法,对现有的压缩感知算法进行了改进,提出了适用于处理图像信号的基于变采样率和预测的图像压缩感知算法,并将其应用于光谱图像处理,以提高图像的采样效率,降低数据处理量。论文的主要工作如下:1.针对CS方法在处理图像信号时采样效率低这一问题,提出了一种基于变采样率和预测的图像压缩感知算法。该算法结合了人眼的视觉特点,分别采用不同方法来处理图像的不同部分,即对图像边缘区域进行密集采样和恢复,对按照一定规则抽取的图像非边缘区域进行稀疏采样并恢复,未被抽取的图像非边缘区域则通过预测得到。仿真结果表明,在采样量相同的情况下,本文所提出的算法和已有算法相比,对实验图像的恢复信噪比至少可提高1.4d B,且恢复得到的图像结构相似度较好,图像纹理细节较清晰。因而在相同的恢复质量下,本算法所需要的采样值较少,采样效率较高。此外,由于所提出算法整体采样量较小、处理复杂度较低,在相同软硬件环境下对实验图像的处理时间和已有算法相比至少可降低50%。2.针对卫星链路资源紧缺,光谱图像所含信息非常多等问题,结合光谱图像相邻谱带之间的相关性,借助于差分模型,将所提出的基于变采样率和预测的图像压缩感知算法应用于光谱图像处理。在差分模型中,只需要对一个参考谱带和其它的差值谱带进行处理,而差值谱带的稀疏度非常小,需要的采样值个数也较少。仿真结果表明,在差分模型下基于变采样率和预测的图像压缩感知算法与其它两种方法相比对实验中光谱图像的恢复效果至少可提升2.1d B。因此,基于变采样率和预测的图像压缩感知算法在差分模型下可以有效地压缩、传输星间链路中的光谱图像。