针对军用无人飞行器对海上重要舰船合成孔径雷达图像获取困难的问题,提出了一种从单一图像学习图像内部分布的无条件图像生成网络。该网络采用金字塔式多尺度生成对抗网络(GAN)思想,在每一层金字塔中都有一个GAN负责该尺度下图像块的生成和判别,且每个GAN具有相似的结构。生成器前端采用不同大小卷积核连接的Inception模块获取不同尺度下的图像特征,为了充分利用这些特征,加入了残差密集模块;判别器采用马尔科夫判别器的思想,捕捉不同尺度下的图像分布。将所有生成的图像制成数据集用于训练不同的目标检测算法,结果表明,训练后模型的平均精度得到了一定的提升,验证了该网络模型的有效性。

融合相同场景下低分辨率高光谱图像和高分辨率多光谱图像生成高分辨率高光谱图像是获取空间域和光谱域的综合场景信息一种重要方法。为充分利用图像的光谱信息和空间信息, 提出了向量总变差正则的局部光谱解混的高光谱图像超分辨方法。本文基于耦合狄利克雷自编码分别从高光谱图像和多光谱图像提取光谱特征和对应的空间信息。耦合网络的解码部分能有效地保留光谱特征, 集成局部低秩约束和向量总变差约束的正则项可以充分利用多光谱图像空间结构信息从而提取稳定的丰度矩阵, 最小化角相似性可以有效减少光谱失真, 最后通过端元和丰度的线性组合生成高分辨率的高光谱图像。实验表明, 在CAVE和Harvard数据集上重构误差分别达到3.78和1.66, 光谱角映射分别为6.57和3.03, 较其他方法有明显提高。本文方法能充分利用图像的空间性质, 具有更好的高光谱图像超分辨效果。

导弹末制导飞行过程中,基于传统方法检测红外目标时准确率和实时性不足。针对这一问题,提出一种基于改进YOLO v3的红外末制导目标检测方法。从红外末制导背景出发,优化损失权重,提高了网络定位和分类能力。充分利用Adam算法自适应和动量法稳定的特点,运用“预训练”的思想,提出一种联合训练的方法,大幅提高模型检测精度。实验表明,改进算法在设计的红外目标数据集上进行训练和测试,检测效果理想,平均准确率达到77.89%,检测速度达到25 frame/s,虚警率和漏检率都得到有效降低。

对于高光谱影像地物分类问题, 为更加有效地利用像元空间信息和光谱信息, 提高地物分类精度, 提出了多核融合多尺度特征的分类方法。首先, 通过多尺度空间滤波和PCA白化, 提取出多尺度特征;接着在核稀疏表示分类器内使用多核方式对分别表示每项特征, 在分类器内实现特征自动融合, 根据子核与理想核、子核之间距离求取核组合的权重, 使用训练集所构成的字典在特征空间内对待测样本进行线性表示, 根据每类地物的重构误差确定待测像元所属地物类别。实验结果表明: 对于Indian Pines影像和Pavia University影像总体分类精度分别达到99.51%和97.96%, 较传统方法明显提高, 并且对于小样本地物识别精度也都能达到90%以上。本文算法对于高光谱影像地物具有更强的识别能力, 并且具有较强的稳定性和鲁棒性。

基于大场景合成孔径雷达（SAR）图像序列，研究了一种针对多类慢动车辆目标的识别与跟踪方法，采用先识别、再跟踪的思路。提出了一种图像目标局部多分辨分析与多核分类器相结合的识别方法，实现了多类目标的快速特征提取和准确分类。根据相邻帧之间目标的对应关系，利用无偏卡尔曼滤波对目标的运动参数进行估计，并用实际测量值不断进行修正，实时获取目标的坐标、类型等信息，实现了复杂背景下地面多类慢动目标的高效跟踪。通过构建大场景合成孔径雷达序列图像进行仿真实验，证实了该方法具有快速和稳定的收敛性能，实时性较好，具有较高的跟踪精度。

针对高光谱特征的稀疏表示,提出了一种基于多尺度分割的空间加权算法用于高光谱图像分类。该算法采用更合理的邻域定义挖掘空间先验信息,优化类边缘像元的稀疏表示。首先,通过多尺度分割提供邻域空间约束;结合拉普拉斯尺度混合(LSM)先验,分别对每个邻域组内像元进行空间加权的稀疏表示。然后,采用概率支持向量机(SVM)分类,同时提供像元的分类标签及其置信度。最后,以此置信度为权重,对多尺度分类图进行加权融合,生成最终的分类图。实验显示,本文算法能够增强光谱特征表示的稀疏性和鲁棒性,提高总体分类精度;在小样本训练下,单类的分类精度可提升30%左右,表明该算法在高光谱应用中具有较强的实用性。

依据图像几何校正的一般思路,提出了一种有效的控制点(CP)自动确定方法.首先定义了基准控制点(RCP)及畸变控制点(DCP)的概念,设计了一种基于图像方差的检测模板,提出了相应的检测准则及搜索方案;然后在畸变图像中利用归一化积相关图像匹配算法实现了基准控制点相对应的畸变控制点的精确定位,并给出了方法的算法流程;最后,以几何旋转畸变图像为例进行仿真实验,准确辨识出了畸变模型的参数,验证了方法的可行性及有效性.