灌浆期是水稻的重要生育期之一，为精准分割灌浆期水稻稻穗，探究稻穗特征与水稻长势之间的关系，提出了一种基于神经架构搜索的灌浆期水稻稻穗分割及特征分析方法。以DeepLabV3Plus网络模型为基础框架，基于神经架构搜索算法自动设计主干网络，修改空洞空间卷积池化金字塔（ASPP），搭建语义分割网络Rice-DeepLab。通过田间摄像头采集4种水稻的灌浆期图像并经Rice-DeepLab分割后，计算稻穗面积占比、离散程度、图像平均曲率和颜色特征等参数并分析。实验结果显示：改进后的语义分割网络Rice-DeepLab的平均交并比（mIoU）为85.74%，准确率（Acc）为92.61%，与原网络模型相比mIoU、Acc分别提高了6.5%、2.97%；由图像的稻穗面积占比、离散程度、图像平均曲率、颜色特征可大致判别稻穗稀疏或稠密，稻穗是否饱满，色泽青绿、金黄或灰白等长势。本研究表明，可以利用田间摄像头便捷地开展灌浆期水稻监测工作，通过稻穗分割及其特征分析初步判断水稻的长势，为田间管理提供支持。

以不同像移探测需求为导向,梳理了像移探测方法的发展脉络,将像移探测历程划分为基于工程参数的像移计算、基于联合相关器的像移估计和基于遥感图像的像移探测三个阶段;客观分析了每个阶段所解决的问题及面临的瓶颈;结合空间相机的发展趋势,剖析了目前像移探测方法中迫切需要解决的三个关键科学问题,为宽频带像移探测提供了一种可能的研究思路。

提出了一种基因表达式编程寻优的色调对比度增强算法。选用多幅低照度图像作为参考图像,将该方法与自适应直方图均衡化、同态滤波、多尺度Retinex和带颜色恢复的多尺度Retinex等方法的实验结果进行了比较。所提算法的峰值信噪比、结构相似度和基于局部方差质量指数的平均值分别为25.93、0.75和0.87,均优于其他算法,在主观上亮度和对比度都更自然,更符合人眼视觉特性。该算法可广泛适用于低照度环境下的机器视觉领域。

提出了基于双重约束函数的无重叠图像期间的颤振估计算法。建立了视差图像与低频颤振相结合的双重约束函数,以评价无重叠图像期间颤振曲线的平滑度;采用共轭梯度法筛选颤振曲线平滑度最优解,并以此作为无重叠图像期间颤振的最佳估计;建立了无重叠图像期间与重叠图像期间颤振之间的函数关系式。以我国XX-1号可见光详查相机为例进行实验,颤振探测结果在被测颤振的频率既不等于也不接近特征频率的整数倍处具备有效性,证明了所提算法能够对无重叠图像期间非特征频率整数倍及其附近处的颤振进行有效探测。