随着遥感技术和成像光谱仪的发展,高光谱遥感图像的分辨率不断提高,其庞大的数据量在提高其遥感探测能力的同时,也给分析和处理带来了很大的困难.高光谱波段选择可以有效减少数据冗余,提高分类识别精度和处理效率.因此如何从多达数百个波段的高光谱图像中选择出具有较好分类识别能力的波段组合是亟待解决的问题.针对上述问题,采用基于图论的谱聚类算法,将原始高光谱图像中的波段作为待聚类的数据点,利用互信息描述两两波段间的相似度,生成相似度矩阵.再根据图谱划分理论,将相似度矩阵生成的非规范化图拉普拉斯矩阵进行谱分解,得到类间相似度小且类内相似度大的类簇;然后根据地物类型计算各波段的类间可分性因子,将其作为类簇内进一步选择代表性波段的参考指标,达到降维的目的;最后通过支持向量机与最小距离分类方法对波段选择后的图像分类.该方法区别于传统的无监督聚类方法,采用基于图论的谱聚类算法,并根据先验知识计算类间可分性因子来选择波段.通过与自适应波段选择算法和基于自动子空间划分的波段指数算法的对比实验,结果表明:两组实验当聚类数目达到相对最佳时,该波段选择方法支持向量机图像总分类精度达到94.08%和94.24%以上,最小距离分类图像总分类精度达到87.98%和89.09%以上,有效保留了光谱信息,提高了分类精度.

针对转扫式光谱成像系统在数据采集过程中, 由于转台转速过快造成校正后的影像存在有数据漏洞, 以及获取的原始影像数据存在有严重几何形变, 影响影像上地物信息的分类与识别等问题, 介绍了转扫式光谱成像系统的组成并给出数据采集一般过程, 根据数据采集时单帧影像的覆盖范围和系统采集影像的速率等信息, 在数据采集时对转台速度进行控制;结合影像获取时的起始与终止角度以及传感器距离前视点的距离等信息, 详细推导了转扫式光谱成像空间定位模型, 并对定位后影像进行格网划分和光谱重采样, 给出了影像畸变校正的一般流程;鉴于影像空间定位后相邻帧间影像空间分辨率不一致, 同时为保证获取最大的影像分辨率, 采用最小空间采样间隔作为坐标定位后影像格网划分单元;考虑到新生成均匀格网与不均匀格网叠加进行光谱取值时, 采用直接光谱采样可能造成的光谱混叠失真问题, 提出了基于位置分布的光谱精确采样方法, 以张家界老司城获取的高光谱影像数据为例进行畸变的校正, 校正后影像上地物保持了原有的几何特征, 验证了算法的正确性, 同时抽取不同地物点的光谱数据进行相关系数计算, 结果表明改进的光谱采样算法优于直接光谱采样, 为同类产品的地面应用提供参考。

视准轴角度误差直接影响移动激光成像系统(MMS)的点云精度，尤其是在多路线、多角度下扫描同一区域时，不理想的视准轴误差估计会造成重叠区域无法无缝拼合。针对上述问题，提出了一种基于平面特征的地面移动激光成像系统的视准轴误差自标定方法，给出移动激光成像系统的点云生成模型，依据三维场景中的平面特征，建立Gauss-Helmert平差模型，依据最小二乘法，推导出计算视准轴误差的法方程。实验结果表明,提出的方法不需要特殊的定标场，只需在数据采集过程中以不同方位扫描同一平面特征就可以计算出视准轴误差，且计算结果可靠有效。

针对用PCA融合方法进行高光谱遥感影像和高分影像融合会出现一定程度的光谱失真问题, 提出了一种改进的弱光谱畸变PCA融合方法。 采用NCUT（normalized cut）影像分割算法, 将复杂的高光谱遥感影像对象化, 增加融合样本的线性可分性, 从而削弱传统PCA融合产生的光谱畸变; 运用图论和聚类理论生成表达像素间相似度的权重矩阵和若干掩膜, 并用这些掩膜切割高光谱影像与高分影像, 再分别融合其对应匹配的子区域对象, 最后将所有子区域融合结果拼接成一幅影像。 使用Hyperion高光谱数据和Rapid Eye高分影像进行实验, 结果表明: 该方法在保证融合结果空间分辨率提升和纹理信息不变的前提下, 光谱保真能力优于传统的PCA融合方法。

提出了一种激光扫描数据和影像融合的方法，通过立体像对匹配获取精确匹配点，并与三维扫描点云进行最邻近迭代配准；在利用网格划分法进行的K邻近点搜索中，采用欧氏距离的选择权迭代逐步实现影像点与激光扫描点的精确配准；利用空间后方交会获取正确的外方位元素，通过摄站点、像点以及激光点之间的共线关系，在相对应影像上进行激光点的像素定位，并提取颜色属性信息。实验结果表明，该算法不但较好地实现了三维地面激光点云数据与CCD影像的精确融合，且对机载激光数据与影像的融合亦可行和有效。