为了提高网络对高空间分辨率遥感影像多尺度建筑物的提取效果,在编码-解码网络的基础上提出了一种高效的尺度自适应全卷积网络。首先,构建多输入多输出结构,实现多尺度特征融合和跨尺度特征聚合。然后,用残差金字塔池化模块学习深层自适应多尺度特征。最后,用基于残差密集连接的聚合特征精化模块进一步处理初始聚合特征,利用不同尺度特征图的像素依赖关系提升分类精度。在差异较大的WHU航空数据集和Massachusetts数据集上的实验结果表明,相比其他方法,本方法对建筑物的提取效果较好,且训练时间和内存占用情况适中,具有较高的实用价值。

针对三维卷积网络在训练样本较少时对高光谱图像的分类精度不理想问题,提出了一种高效的基于多特征融合和混合卷积网络的分类模型。首先,对高光谱图像进行降维处理后用三维卷积层提取深层空谱联合特征。然后,引入残差连接并通过特征图连接和逐像素相加进行多特征融合,实现特征重用、增强信息传递。最后,用二维卷积层对提取的特征进行空间信息强化,实现图像分类。实验结果表明,在三个公开高光谱数据集Indian Pines、Salinas和University of Pavia中分别用标记样本的5%、1%、1%作为训练样本时,本模型的分类精度分别为97.09%、99.30%、97.60%,可以有效提升小样本情况下的高光谱图像分类效果。

立体匹配, 其目的是在对两幅存在一定视差的图像进行匹配后, 获得两幅图像精确的视差图, 是计算机视觉领域的重点和难点问题。为了快速、高效地获得高精度的稠密视差图, 在充分研究了基于边缘特征的立体匹配和基于局部窗口的立体匹配两类算法的基础上, 提出了一种基于局域边缘特征的自适应立体匹配算法。首先该算法自适应地选择局部匹配窗口大小, 并计算其中相应位置的权值, 实现初次匹配, 然后再以基于边缘特征匹配获得的高精度稀疏视差图作为约束, 修正部分误匹配点, 最终获得准确、稠密的视差图。实验表明, 该算法具良好的实验结果和较大的实用价值。

在普通X射线源上进行X射线衍射断层扫描成像检测晶体材料内部缺陷的研究极少, 短波长X射线衍射仪(short wavelength X-ray diffractometer, SWXRD)相比同步辐射装置, 体积小巧、 实用和维护费用低。 在SWXRD上进行X射线衍射断层扫描时, 缺陷边界的确定直接影响成像的质量和缺陷的辨别。 采用衍射强度阈值法对测试数据进行处理, 使得缺陷边界清晰可辨。 运用Gauss函数拟合测试数据探索各种因素对阈值大小的影响, 解决阈值设定的难题。 通过研究置于铝粉中的不同直径像质计对阈值大小的影响, 发现阈值为基体强度的91%较合适。 然后测试铝板上的细缝进一步验证了阈值法对缺陷边界的改善和阈值选择的准确性。