为了克服迭代最近点(ICP)算法鲁棒性差、配准精度低的问题,提出了一种改进的基于快速点特征直方图(FPFH)的ICP点云配准算法。首先,基于改进内部形态描述子和法向矢量角的变化来提取点云特征;其次,使用指数函数优化欧氏距离,并将优化的欧氏距离作为FPFH算法的权重系数,用于特征点描述,从而保证利用初始对齐估计得到更准确的点云位置;然后使用双重约束和单位四元数算法完成初始配准;最后,给ICP算法构建双向k维树,并使用点对的欧氏距离与最大欧氏距离的比值来计算每个点对的权重,将权重作为ICP迭代误差函数的加权系数,以减少迭代时间并减少不良对应关系在配准中的影响。实验结果表明,本文算法的配准精度较ICP算法提高2~6个量级,并且具有更强的鲁棒性。

高光谱图像中包含丰富的光谱特征和空间特征,这对地表物质的分类至关重要。然而高光谱图像的空间分辨率相对较低,使得图像中存在大量的混合像素,这严重制约物质分类的精度。受到观测噪声、目标区域大小及端元易变性等因素的影响,使得高光谱图像的分类仍然面临诸多挑战。随着人工智能和信息处理技术的不断进步,高光谱图像分类已成为遥感领域的一个热点问题。首先对基于特征融合的高光谱图像分类文献进行系统综述,并对几种分类策略进行分析与比较,然后介绍高光谱图像分类的发展现状及面临的相应问题,最后提出一些可以提高分类性能的策略,从而为课题的技术研究提供指导和帮助。

针对水下图像颜色失真与模糊问题,提出了基于背景光估计与透射率优化的水下图像复原算法。该算法将透射率定义为直接分量透射率和后向散射分量透射率,有效提升成像模型的完整性。先对红色衰减分量进行补偿并重置直方图分布范围实现色彩均衡;基于亮度、梯度判别及色调判断选出最佳背景光点;再通过红色暗通道先验得到后向散射分量透射率,利用无退化像素点求得直接分量透射率;最后将两个透射率及所求背景光代入成像模型中以获得复原图像。实验结果表明,所提算法能够有效平衡图像的色度、饱和度及清晰度,视觉效果接近自然场景下的图像。

针对单目视觉估计曲面物体位姿时世界坐标不易获得的问题,将双目视觉与合作靶标相结合,提出一种高效的曲面物体位姿估计方法。通过双目相机生成不同位姿下的目标物体点云以便快速提取靶标角点的世界坐标,不同于常用的点云配准位姿估计,本文取对应点坐标差的均值表示平移向量;然后,求取靶标角点所在切面的法向量,组成目标在不同位姿坐标系下的矩阵,从而推导出旋转矩阵。所提方法不仅保证了位姿估计结果的准确性与稳定性,而且算法的运行效率显著提高。实验结果表明,本文方法的运行效率相比ICP算法提高了98.24%,比NDT算法提高了97.58%,具有实际应用价值。

针对高光谱图像数据维数多,光谱信息和空间信息难以提取的问题,提出了一种基于超图和卷积神经网络的分类算法,依据高光谱图像中像素之间的光谱关系和空间关系构建超图;通过超图构建具有谱空联合特征的样本,将其送入卷积神经网络进行特征提取,实现分类。在3种常用的高光谱数据集上进行实验,于Indian Pines数据集上取得了96.63%的总体分类精度。相比于其他算法,所提算法的分类精度高、速度快,而且避免了传统方法在特征提取和融合时出现的不稳定性,验证了其提取的谱空联合信息对高光谱图像具有更强的特征表达能力。