传统的高光谱图像分类大多只考虑地物的光谱信息,而忽略了空间信息,现有的空谱联合分类方法难以有效提取空间邻域信息。针对上述问题,提出了一种卷积神经网络和稀疏字典联合学习的算法。现有稀疏编码方法大多仅考虑光谱信息而丢弃空间信息,而所提算法利用卷积神经网络可以有效提取数据深层特征的优势,对高光谱图像同时提取空谱特征,获取高维深层特征;然后再通过字典学习对深层特征进行稀疏编码,以获取用于分类的鉴别特征;最后采用分类器确定分类结果。在实验部分,采用所提算法与现有几种算法在三个公开数据集上进行分类,结果发现:相比于其他算法,所提算法的总体分类精度、平均分类精度和Kappa系数均有所提升。所提方法可以同时提取高光谱数据的空谱特征,具有良好的鲁棒性和判别性,有效地提高了分类的准确率,并且在样本数量小的数据集上表现良好。

针对大视场线阵CCD图像不均匀现象,提出了一种基于图像像素灰度补偿的均匀化方法.首先分析并计算线形目标上不同坐标位置的微小面元在线阵CCD 上产生的辐射照度,并由此推导线阵CCD 面元上不同像素灰度值与中心像素灰度值之间的关系,进而建立大视场线阵CCD 像面上像素的灰度补偿模型,实现大视场线阵CCD图像快速均匀化的目的.对大量线阵CCD 采集的高速路面图像进行了处理,结果表明我们提出的方法具有较强的可行性、鲁棒性和实用性.