针对光学高分辨率遥感影像中的云覆盖问题，通过引入块稀疏表征与自适应邻域约束，研究人员提出了一种基于字典学习的迭代块修复的凸优化模型与算法。此法能够较完美地重构出云覆盖区域的地表信息，且能保证影像中结构与纹理特征的一致性。 

　　此外，受传感器失灵以及恶劣的成像条件影响，光学遥感数据中还存在着其它形式的缺失信息，如Landsat-7条带现象与定量遥感产品的缺失数据等，限制和影响了遥感数据的可用性。考虑到影像特征的多尺度特性，研究组发展了一种多尺度自适应的稀疏字典学习方法来重构遥感缺失信息。此方法根据缺失信息的邻域语义特性，自适应确定待修复块的尺寸与一致性约束因子，并选择相应级别的多尺度字典来进行稀疏修复。结果表明，其能够完美保留纹理区空间信息的语义完整性与结构细节信息的连贯性，避免条带效应与平滑效应。 

　　相关论文： 

　　F. Meng, X. Yang, C. Zhou, et al. (2018), Multiscale Adaptive Reconstruction of Missing Information for Remotely Sensed Data Using Sparse Representation. Remote Sensing Letters, 2018, 9(5): 457-466 

　　F. Meng, X. Yang, C. Zhou and Z. Li, (2017), A sparse dictionary learning-based adaptive patch inpainting method for thick clouds removal from high-spatial resolution remote sensing imagery. Sensors, 17(9), 2130.