迭代最近点法(ICP)及其变体是三维点云刚性配准的典型方法, 但此类通过迭代计算逐点距离矩阵实现点云配准的方式, 严重制约了点云的配准效率。本文提出一种快速 ICP算法, 利用 Frobenius范数表示待配准的两幅点云之间的误差函数, 获得误差值最小点位置, 并对此位置进行奇异值分解, 从而得到旋转矩阵和平移向量, 极大压缩了迭代次数和配准时间。在 Standford数据集和 3DMatch数据集上进行试验, 与传统 ICP算法及其变体、3种基于学习的点云配准算法进行对比, 本文方法配准效率最优; 在达到相近的配准精确度时, 提出的快速 ICP方法的迭代次数仅为传统 ICP算法的 0.2倍, 在 Standford数据集上配准所需时间为传统 ICP算法的 1/4, 在 3D Match数据集上配准所需时间为传统 ICP算法的 1/8倍。本文提出的快速 ICP算法在数据量大的点云场景下, 具有更高的效率。

为解决激光雷达点云深度学习网络模型在移动端嵌入式设备部署存在的耗时耗存储问题,提出了一种激光雷达点云可学习二值量化网络模型。该模型基于特征的知识蒸馏,将全精度网络各层统计特征知识转移到二值量化网络,较大幅度地提升了量化精度;提出基于遗传算法的二值量化尺度因子恢复可学习优化算法,通过逐层搜索初始最优尺度恢复因子,并通过网络自学习大幅减少网络参数量;提出一种统计自适应池化损失最小化算法,包括量化网络自调节和全精度网络转移调节两种方式,以解决量化网络中池化信息损失较大的问题。实验结果表明,所提算法在获取高精度的同时实现了较大压缩比和加速比,可将PointNet大小压缩为原来的1/23、加速35倍以上,对其他点云主流深度网络具有良好的扩展性。

激光雷达可以准确、快速获取目标的三维(3D)空间信息,是一种常用的高分辨率成像技术。结合高频脉冲激光器、条纹相机以及信号处理技术,设计了一套激光雷达3D成像系统。其中,脉冲激光具有高峰值功率的特点,可以有效探测远距离目标物。相比高频微波调制的激光脉冲,结合脉冲压缩和法布里-珀罗腔振荡可以获得高能量的激光脉冲。条纹相机是一种具有快速微弱光探测能力的高速相机,可对远距离目标进行探测。采用均值滤波和邻域均值滤波方式抑制条纹相机的背景噪声,采用带通滤波和匹配滤波抑制低频噪声、提高信噪比,根据噪声的强度分布,用阈值滤波滤除剩余噪声,最终获得高精度的3D目标图像。在空气、烟雾中的3D目标成像实验结果表明,本系统具有较高的距离分辨率和目标细节捕捉能力。

复杂的水体环境，特别是水中微粒的吸收和散射作用，使得水下激光雷达测距系统的接收信号中存在大量的后向散射杂波。随着距离的增大，目标回波会逐渐淹没在杂波中，而副载波调制技术可以有效地提升目标对比度，实现水下激光雷达的测距增程。首先建立了光子在海水中传输的蒙特卡洛仿真模型，然后研究了结合激光雷达优势和微波雷达优势的副载波调制技术，给出了伪随机序列作为副载波时发射、接收和相关处理的详细步骤，最后对四种不同类型的副载波(方波、锯齿波、正弦波和伪随机序列波)在不同的水质和发射脉冲宽度的情况下进行了仿真研究。结果表明：伪随机序列对于目标对比度的提升方面性能最好。

星载高光谱图像的有效压缩已经成为高光谱遥感领域亟待解决的难题。分布式信源编码具有较低的编码复杂度与良好的抗误码性，在高光谱图像压缩领域具有广阔的应用前景。提出了一种基于多元陪集码的高光谱图像分布式近无损压缩算法。根据多元陪集码的Slepian-Wolf无损编码的压缩过程，提出了面向高光谱图像分布式近无损压缩的最优量化方案，使得高光谱图像在给定目标码率条件下的失真达到最小，在此基础上对量化值进行Slepian-Wolf无损编码，从而实现了高光谱图像的分布式近无损压缩。实验结果表明，与典型的传统算法相比，该算法取得了较好的近无损压缩性能和较低的编码复杂度。

在高光谱遥感图像中, 地物的空间分布往往呈现两种特征: 一是都有各自的主导区域；二是在地表空间上分布连续.利用这两种先验信息, 分别引入了对丰度的正交约束与平滑约束, 提出了一种基于丰度约束的非负矩阵分解算法.为进一步地提高算法的性能, 另外还提出了一种新的算法停止准则及权重因子调整策略, 以适应信噪比以及像元混合程度的变化.在仿真数据和实测数据上的实验结果表明, 该算法不仅能很好地表征地物的分布特征, 提高解混精度, 而且在信噪比较低, 无纯像元的条件下, 仍然能得到较好的解混结果.

提出了一种基于分布式信源编码的高光谱图像无损压缩算法，用于星载高光谱数据的有效压缩。为充分利用高光谱图像较强的谱间相关性，引入多波段谱间线性预测方案获取当前编码块的预测值，有效降低了编码块的最大预测残差值。在此基础上，根据最大预测残差值确定编码块各像素所属陪集的索引，通过传输每个像素所属陪集的索引代替预测残差，实现高光谱图像压缩。对星载可见/红外成像光谱仪(AVIRIS)获取的高光谱图像进行实验，并与已有的典型算法进行比较，结果显示该算法能够取得较好的无损压缩效果，同时具有较低的编码复杂度，适用于星载高光谱图像的无损压缩。

针对现有激光雷达目标姿态估计算法对遮挡较为敏感的问题，提出了一种新的三维姿态估计算法。分析了现有算法的内在本质和地面装甲目标固有的表面结构特性，提出了投影点云密度熵(PDE)特征，研究了PDE特征与目标姿态的内在关系，给出了对目标点云迭代地进行旋转投影并寻找PDE最小值以实现三维姿态估计的方法。采用25类地面装甲目标的激光雷达点云数据进行仿真实验，分析了自遮挡、遮挡以及噪声下的估计性能，讨论了参数选择对估算结果的影响。实验结果表明，本文方法在自遮挡下的估计误差小于3°，在遮挡率达到80%时的估计误差小于10°。实验显示，本文方法对遮挡和噪声具有很强的稳健性，且收敛迅速，能很好地实现激光雷达目标三维姿态估计。

提出了一种基于内容的高光谱图像无损压缩算法。采用自适应波段选择算法对高光谱图像进行降维，引入C-means算法对降维后的光谱矢量进行无监督分类。利用单调后向排序算法确定波段的预测顺序，并根据相邻波段的相关系数大小进行自适应波段分组。针对每一类地物，选取类内部分像素进行最优预测系数的训练，采用多波段线性预测的方案去除同类像素的谱间相关性，预测残差进行JPEG-LS无损压缩。对机载可见光/红外成像光谱仪(AVIRIS)与实用型模块化成像光谱仪(OMIS)获取的高光谱图像分别进行实验，并与未进行分类预测的算法比较。结果显示，提出的算法的平均压缩比分别提高约0.11和0.7，验证了该算法在无损压缩方面的有效性。