卷积神经网络模型能够提取图像不同层次的分层特征,提取图像包含有大量的细节信息,然而,现有方法没有充分利用网络模型提取的所有分层特征。为了充分利用所有分层特征,增强特征重利用和信息连续传递,设计了适用于高光谱图像分类的残差密集网络模型。残差密集网络结合了残差网络和密集网络,包括浅层特征提取、残差密集单元和密集特征融合三部分。利用卷积操作提取原始图像的浅层特征,将浅层特征作为残差密集单元的输入,残差密集单元的输出与下一个单元中每个卷积层的输出建立短连接,实现了信息连续传递;将两个单元提取的密集特征与浅层特征相加形成全局残差学习,实现了所有分层特征的融合,最终的融合特征用于高光谱图像分类。实验表明,本文方法用于Indian Pines数据、University of Pavia数据及Salinas数据能够分别取得98.71%、99.31%及97.91%的分类精度,有效提高了高光谱图像的分类精度,增强了分类方法的稳定性。

针对传统高光谱影像低秩表示去噪方法无法保持影像多元几何结构信息的问题, 提出一种基于局部超图拉普拉斯约束的高光谱影像低秩表示去噪方法。在低秩表示模型中增加超图拉普拉斯正则项, 保持数据间多元几何流形结构; 并对低秩模型系数矩阵增加稀疏和非负约束条件, 进一步提高模型对影像局部信息的保持能力, 使得模型不仅能够恢复具有低秩性质的影像信号分量, 而且可以很好地保持影像的多元几何流形结构。在AVIRIS影像和ProSpecTIR-VS影像上的对比实验表明, 所提方法更好地保持了影像的空间和光谱信息, 有效地改善了高光谱影像去噪效果。

针对内视场光学分割型相机, 利用子影像同名像点虚拟影像坐标相等这一约束条件,提出一种高准确度子影像几何拼接方法.首先在分析各CCD几何安置误差的基础上,设计拼接关系并给出拼接参量计算方法;其次结合SIFT等高准确度影像匹配算子对拼接模型进行优化选择,给出子影像拼接流程;最后采用附加参量自检校技术进行畸变参量再精化处理.利用所提方法对一款自行设计的数字大面阵复合相机进行几何拼接试验, 结果表明该方法能够有效解决高准确度子影像几何拼接、高量测性能大幅面虚拟影像生成问题, 拼接后影像内符准确度可达子像元级, 满足航测作业对数字航摄相机测图准确度和摄影效率的应用要求.

针对基于线性模型分解高光谱影像混合像元分解精度低, 而非线性模型难以建立等问题, 提出了利用多核支持向量机(MKSVM)的后验概率进行高光谱影像非线性混合像元分解的方法。该方法在支持向量机的基础上, 以线性加权组合核函数代替单核函数, 采用简单多核学习方法迭代解算权系数来实现分类。然后, 通过S型函数将分类器输出值转化为概率; 将两两配对概率转换为多类后验概率。最后, 利用后验概率实现高光谱影像的非线性混合像元分解。采用该方法对两组推帚式超光谱成像仪(PHI)的高光谱影像进行了对比实验, 结果表明: 该方法的分类精度分别提高到95.62%和91.51%, 均方根误差(RMSE)最小分别为11.15%和7.55%, 均小于15%。实验结果显示提出的方法基本消除了混合像元对高光谱影像分类的影响, 提高了分类精度。

红外序列图像的匹配处理是在一系列红外图像内寻求像素点对应关系的过程,它直接涉及并影响到红外图像配准的精度,是视频目标识别、定位、跟踪等处理的关键技术之一。匹配中为了加快搜索速度,采用了金字塔策略。针对红外图像信噪比低的特点,预处理时引入了小波间值算法对红外图像进行滤波处理;针对无人机红外序列图像间旋转角度大的特点,采用81FT 算法对灰度序列图像进行了匹配,并结合相关系数控制的方法,进一步去除错配点。匹配时不受传感平台较大角度旋转的影响,从而取得了良好的效果。