恒星光谱自动分类是研究恒星光谱的基础内容, 快速、 准确自动识别、 分类恒星光谱可提高搜寻特殊天体速度, 对天文学研究有重大意义。 目前我国大型巡天项目LAMOST每年发布数百万条光谱数据, 对海量恒星光谱进行快速、 准确自动识别与分类研究已成为天文学大数据分析与处理领域的研究热点之一。 针对恒星光谱自动分类问题, 提出一种基于卷积神经网络(CNN)的K和F型恒星光谱分类方法, 并与支持向量机(SVM)、 误差反向传播算法(BP)对比, 采用交叉验证方法验证分类器性能。 与传统方法相比CNN具有权值共享, 减少模型学习参数; 可直接对训练数据自动进行特征提取等优点。 实验采用Tensorflow深度学习框架, Python3.5编程环境。 K和F恒星光谱数据集采用国家天文台提供的LAMOST DR3数据。 截取每条光谱波长范围为3 500~7 500 部分, 对光谱均匀采样生成数据集样本, 采用min-max归一化方法对数据集样本进行归一化处理。 CNN结构包括: 输入层, 卷积层C1, 池化层S1, 卷积层C2, 池化层S2, 卷积层C3, 池化层S3, 全连接层, 输出层。 输入层为一批K和F型恒星光谱相同的3 700个波长点处流量值。 C1层设有10个大小为1×3步长为1的卷积核。 S1层采用最大池化方法, 采样窗口大小为1×2, 无重叠采样, 生成10张特征图, 与C1层特征图数量相同, 大小为C1层特征图的二分之一。 C2层设有20个大小为1×2步长为1的卷积核, 输出20张特征图。 S2层对C2层20张特征图下采样输出20张特征图。 C3层设有30个大小为1×3步长为1的卷积核, 输出30张特征图。 S3层对C3层30张特征图下采样输出30张特征图。 全连接层神经元个数设置为50, 每个神经元都与S3层的所有神经元连接。 输出层神经元个数设置为2, 输出分类结果。 卷积层激活函数采用ReLU函数, 输出层激活函数采用softmax函数。 对比算法SVM类型为C-SVC, 核函数采用径向基函数, BP算法设有3个隐藏层, 每个隐藏层设有20, 40和20个神经元。 数据集分为训练数据和测试数据, 将训练数据的40%, 60%, 80%和100%作为5个训练集, 测试数据作为测试集。 分别将5个训练集放入模型中训练, 共迭代8 000次, 每次训练好的模型用测试集进行验证。 对比实验采用100%的训练数据作为训练集, 测试数据作为测试集。 采用精确率、 召回率、 F-score、 准确率四个评价指标评价模型性能, 对实验结果进行详细分析。 分析结果表明CNN算法可对K和F型恒星光谱快速自动分类和筛选, 训练集数据量越大, 模型泛化能力越强, 分类准确率越高。 对比实验结果表明采用CNN算法对K和F型恒星光谱自动分类较传统机器学习SVM和BP算法自动分类准确率更高。

除了星系的光谱红移之外， 星系测光红移的估计也对研究宇宙大尺度结构及演变有着重要的研究意义。 利用斯隆巡天项目最新发布的SDSS DR13的150 000个星系的测光及光谱数据， 在红移值Z<0.8范围内， 先使用SOM自组织神经网络对星系样本进行早型星系和晚型星系的聚类， 然后用遗传算法优化后的BP神经网络对星系的测光红移进行估算。 估算结果与作为标准的已知星系光谱红移进行比对， 早型星系的红移估计最小均方误差约为0.001 3， 晚型星系最小均方误差约为0.001 7。 实验结果表明， 遗传优化的BP算法在精度上优于BP神经网络算法， 且效率上优于K近邻、 核回归等传统测光红移估计算法。

目前我国LAMOST光谱巡天已发布超过760万条的天体光谱, 对其中大量的低信噪比光谱的处理一直是业内公认的难题。 针对天体光谱中重复观测的光谱, 提出了一种新的处理方法。 该方法的主要内容为: 对每一组重复观测光谱, 选择其红移值的差距在一定范围内的组别, 然后使用一种基于信噪比加权的最优叠加方法来提高光谱的信噪比。 通过对LAMOST DR4中所有重复观测光谱进行处理, 证明该方法对于提高低信噪比重复观测光谱的信噪比十分有效。 使7 571组恒星光谱的信噪比达到参数测量的标准, 3 357组类星体和星系光谱的信噪比得到提高, 平均提高率为56.38%; 并且获得了43 021个双星候选体。

三维颅面软组织因受重力影响在躺卧与直立两种姿态下的差异较大，为将躺卧姿态下获取的三维颅面模型矫正为直立姿态下的三维模型，本文提出了一种基于测地线的躺卧三维颅面模型的直立矫正方法。首先利用测地距离的内蕴几何不变性，建立两种姿态下面部特征点的点对应；然后，利用主成分分析建立颅面特征点运动模型；最后，对待矫正的躺卧颅面模型，根据颅面特征点运动模型确定特征点的运动，根据特征点的运动确定躺卧颅面模型到直立颅面模型的变形。所提方法将与直立姿态人脸模型间的平均误差从矫正前的10-2数量级下降到矫正后的10-4数量级。 本文利用测地距离的内蕴几何不变性，解决了两种姿态下面部特征点对应的难题；所建立的颅面特征点运动模型，能够较好地表示颅面在两种姿态下发生的形变，从而能够实现有效地模型矫正。

通过对恒星光谱进行分析可以研究银河系的演化与结构等科学问题, 光谱分类是恒星光谱分析的基本任务之一。 提出了一种结合非参数回归与Adaboost对恒星光谱进行MK分类的方法, 将恒星按光谱型和光度型进行分类, 并识别其光谱型的次型。 恒星光谱的光谱型及其次型代表了恒星的表面有效温度, 而光度型则代表了恒星的发光强度。 在同一种光谱型下, 光度型反映了谱线形状细节的变化, 因此光度型的分类必须在光谱型分类基础上进行。 本文把光谱型的分类问题转化为对类别的回归问题, 采用非参数回归方法进行恒星光谱型和光谱次型的分类; 基于Adaboost方法组合一组K近邻分类器进行光度型分类, Adaboost将一组弱分类器加权组合产生一个强分类器, 提升光度型的识别率。 实验验证了所提出分类方法的有效性, 光谱次型识别的精度达到0.22, 光度型的分类正确率达到84%以上。 实验还对比了两种KNN方法与Adaboost方法的光度型分类, 结果表明, 利用KNN方法对光度型分类精度低, 而基于弱分类器KNN的Adaboost方法将识别率大幅提升。

开展了利用计算机自动比较两个3D面貌相似程度的研究。提出了一种在形状空间下基于测地线的3D面貌相似性比较的方法。该方法使用测地线近似表示3D面貌模型，然后将其变换到形状空间下，以对应测地线的平均测地距离作为两个3D面貌的相似性比较的依据。在公开的GAVADB三维面貌库上对14个人的28个3D面貌模型进行了实验，识别率达到92.86%以上，说明本方法可以将同一个人的不同模型与不同人的模型区分开。另外，使用提出的方法对不同人的3D面貌模型进行了相似性比较实验，结果表明使用本方法得出的相似程度的判断与人的主观判断相一致，说明本方法能够较好地反应3D面貌的相似程度。

气象卫星所携带的多种传感器可以获得可见光、 红外、 多光谱等多模态的卫星图像, 目前处理这些多模态图像的一个重要手段是数据融合分析方法, 而获取不同模态图像空间对应关系的图像配准是数据融合分析的前提和基础。 针对多模态气象卫星图像的配准问题, 重点研究红外图像和可见光图像的配准问题, 并根据红外图像和可见光图像的特点, 提出了一种由粗到精的两阶段配准方法。 在粗配准阶段, 将Fourier-Mellin变换应用于红外和可见光图像的边缘图像上, 并通过变换图像在频域的关系实现了图像配准仿射变换参数的快速计算; 在精配准阶段, 基于图像的Harris算子检测红外图像和可见光图像的特征点, 并通过特征点局部区域的互相关函数实现特征点的匹配, 最终通过匹配特征点求得精确配准的变换参数。 文章提出的由粗到精的图像配准方法, 有效结合了Fourier-Mellin变换对边缘图像配准的高效性和Harris算子图像配准的准确性, 是红外和可见光图像配准的一种新方法。 利用FY-2D气象卫星获取的红外和可见光图像进行了配准实验, 实验结果表明所提出的方法具有良好的鲁棒性和较高的配准精度。

气象卫星光谱图像是气象科学和环境遥感科学研究的重要工具, 而图像配准是气象卫星图像数据应用的前提。 文章针对气象卫星光谱图像的配准问题, 提出了一种基于Fourier-Mellin变换的自动配准方法。 首先利用全球海岸线矢量图数据构造地标模板, 地标模板是气象卫星光谱图像配准的参考图像; 其次, 根据云通道数据选择无云区域红外子图像, 并利用Sobel算子对红外光谱图像提取边缘特征; 最后利用Fourier-Mellin变换确定地标模板图像和红外边缘图像之间的仿射变换参数, 从而实现红外光谱图像的配准。 该方法本质是基于曲线匹配的思想, 无需特征点提取, 大大简化了配准流程。 利用FY-2D气象卫星上获取的红外通道数据进行了实验, 结果表明: 该方法鲁棒性好, 运算速度快, 配准精度较高。

天文观测技术的迅速发展推动了大规模的星系光谱巡天计划如SDSS、 LAMOST等,面对这些巡天项目所观测到的海量光谱数据, 研究自动的光谱分析方法已成为必然的选择。研究了基于Bayes决策的光谱分类方法, 将光谱分为恒星, 星系和类星体三类。 首先采用主分量分析来进行特征提取, 将光谱投影到由三个主分量构成的特征空间中； 然后, 采用非参数密度估计Parzen窗法来估计类条件概率密度函数； 最后利用基于最小错误率的Bayes决策进行分类。 在Parzen窗法中, 核宽很大程度上影响着估计效果, 从而影响着分类效果。 通过详尽的实验分析了核宽和分类效果的关系, 发现当核宽接近某个阈值时, 识别率将会增加,但小于这个阈值时, 识别率反而下降。