针对城市热环境研究中研究尺度选择不足、研究维度不全面导致研究结论与实际情况有差异的问题，提出一种定量分析和研究城市建筑空间分布格局与城市热环境相关性的方法。首先基于Landsat8遥感影像提取研究区的地表温度（LST），构建研究区城市建筑空间分布格局定量表达体系，然后利用相关分析（CA）和双变量局部空间自相关分析（BLSAA）方法探究1 km和2 km尺度下城市建筑空间分布格局对热环境的影响。所提方法对济南市中心城区热环境的研究结果表明：一、二、三维城市空间结构指标对研究尺度变化非常敏感，且一、三维城市空间结构指标尤其敏感；1 km尺度下的研究结果置信度比2 km尺度高；一、二、三维城市空间结构指标对城市热环境的影响主要为正相关，且正相关指标的个数随维度增长而递增；相比于一维城市空间结构指标，二、三维城市空间结构指标与城市热环境的相关程度较大。

高光谱异常检测是检测出与周围背景像素的光谱具有明显差异的目标的过程。研究学者针对高光谱异常检测提出了多种算法，其中低秩协同表示检测器（LRCRD）不仅能够考虑所有像素之间的高光谱相关性，而且用低秩和l₂范数最小化约束字典的系数矩阵，背景字典不需要过度完备，可以更好地表示背景。然而，LRCRD模型并没有考虑到高光谱数据的局部几何信息对于区分背景和异常像素的重要性。将图拉普拉斯正则项引入LRCRD模型中，提出了一种基于图正则化低秩协同表示的异常检测方法，分析数据中的非线性几何信息。该方法保持高光谱图像的局部几何结构，提高了检测精度。在合成和真实高光谱数据集上对所提方法进行了实验验证，实验结果证明了所提方法的可行性。

针对高光谱图像维度高、训练样本少以及训练带来的过拟合、参数过多问题，提出了一种基于改进密集连接网络（DenseNet）和空谱注意力机制网络（MDSSAN）的高光谱图像分类方法。首先，对高光谱图像进行主成分分析，并将中心像素的空间邻域输入改进的网络模型中。然后，对三维DenseNet进行改进，将模型中的三维卷积块分解成空间维和光谱维的采样卷积。最后，在空间维上引入空间注意力机制，在光谱维上引入通道注意力机制，以减少模型的训练参数，提取更具判别力的空谱联合特征。实验结果表明，MDSSAN模型在Indian Pines、Pavia University和KSC数据集上的总体分类精度分别为99.43%、99.74%、98.98%，相比其他对比模型，该模型的收敛速度更快，分类性能更好。

高光谱图像具有非线性的特点,且光谱间具有较强的相关性,利用线性的方法对高光谱数据进行维数变换容易损失一些信息。将核函数引入到最小噪声分离变换(MNF)中,提出了核最小噪声分离变换(KMNF),通过非线性映射将数据映射到高维特征空间,并在高维空间进行最小噪声分离成分的提取。利用高光谱图像较强的谱间相关性和空间邻域相关性,利用前后两个波段和空间邻域加权进行多元线性回归处理,对高光谱数据进行较准确的噪声估计。约束能量最小化(CEM)方法和匹配滤波(MF)方法是高光谱目标探测中较为经典的方法,将KMNF应用到两个经典的目标探测方法中,利用AVIRIS飞机场数据进行高光谱目标探测实验,结果表明,KMNF更能突出目标,提高高光谱目标探测的效果和精度。

为了解决网格运动统计(GMS)算法在图像发生旋转时特征匹配时间过长的问题,提出一种改进的快速GMS图像匹配算法。首先采用快速特征点提取和描述算法对图像进行暴力匹配以得到初始匹配点对,根据汉明距离选取其中匹配质量较高的特征匹配对。然后通过计算匹配对特征点主方向的差值得到两个图像的近似旋转角度,根据旋转角度直接确定运动核的最佳形态。最后采用GMS算法根据运动核来实现正确匹配与错误匹配的区分,避免循环计算不同形态运动核的匹配结果,减少算法运行时间。实验结果表明,改进算法正确匹配点的数目比传统特征点匹配算法至少提高28%,在匹配速度方面较GMS算法至少可提高36%。

点云数据量十分庞大,合理地精简点云数据是点云数据处理的重要研究内容。针对传统点云精简算法存在的细节缺失、空洞等问题,提出一种基于多参数k-means聚类的自适应点云精简算法。该方法基于KD-Tree创建点云k邻域,结合曲面拟合对点云数据进行曲率和法向特征计算,运用多参数混合特征提取方法对点云特征及边界进行检测并保留;并由KD-Tree索引确定初始化聚类簇心,进行k-means聚类,聚类结果根据最大曲率偏差作细分精简。将本文算法、曲率采样法、均匀网格法与随机精简法分别应用于不同类型的点云模型中进行实验,结果表明,本文算法在复杂模型下的标准偏差均优于后三者,且可以较好地保留点云的细节特征信息,精简效果与模型完整性优于均匀网格法与曲率采样法。

针对旋转不变性二进制描述算法(Oriented Fast and Rotated Brief, ORB)的尺度旋转性配准误差大, 配准率较低及随机采样一致性(Random Sample Consensus, RANSAC)算法随机性强且不稳定的问题, 提出一种ORB与RANSAC结合的快速特征匹配算法。首先, 对特征点提取方式进行优化选择, 消除特征边缘影响。之后构建简化的金字塔式尺度空间模型, 改进分层图像的尺度空间结构, 减少生成图像层数和数目; 然后采用梯度方向改进传统ORB算法中的主方向提取模式, 提高特征角点主方向的准确性。最后, 通过构建分块随机取样检测的方式改进RANSAC算法, 提高RANSAC算法的稳定性和图像配准的准确性。实验结果表明改进后的ORB和RANSAC融合算法在尺度和旋转配准方面性能有很大提高, 并且配准的精度较传统ORB算法高, 尺度配准精度提高55.41%, 旋转配准精度提高26.66%。满足复杂图像快速精确配准拼接的精度和实时性要求。