提出了一种基于旋转差值核估计的激光雷达（LiDAR）点云边缘提取方法。对点云中任意数据点, 在给定方向上以该数据点为对称中心, 以一定间距构建对称窗口; 在对称窗口中定义距离核函数, 计算两窗口内数据点的高程加权均值, 将两加权均值之差的绝对值作为该数据点在该方向上的边缘强度, 并选取所有方向上的最大边缘强度作为边缘点判据。计算最大边缘强度对应方向上两窗口内数据点的高程方差, 结合两方差的差值绝对值和边缘点判据提取建筑物与地面交界点; 调整两窗口间距, 再次计算所有方向上最大的高程方差之差绝对值, 并将该绝对值作为树木点的判据, 并在依此判据检测出的点集上去除建筑物与地面交界点后提取出树木点。利用激光传播特性将点云数据中的树木点滤除后, 再提取完整的建筑物边缘。实验结果表明, 所提方法有效克服了树木的影响, 建筑物边缘的提取精度约为80%。

针对传统基于归一化非完全Beta函数(Normalized Incomplete Beta Function, NIBF)的图像增强方法难以有效地自动获取最优参数且其增强效果受图像动态范围限制的问题, 提出一种基于自适应量子遗传算法的NIBF遥感图像自动增强方法。首先, 由图像色深, 对待增强图像引入最大和最小光谱测度级, 扩大其动态范围。其次, 利用量子比特将NIBF参数编码为量子染色体, 并设置若干量子染色体构成初始参数种群; 对该参数种群进行测量和解码, 以解码值作为NIBF的参数输入, 对图像进行光谱测度变换, 得到对应的增强图像种群。然后, 利用八方向边缘检测模板提取增强图像种群中每个个体的边缘图像, 由边缘强度、边缘数以及熵测度定义刻画参数种群中个体品质的适应度函数, 并以此评价参数种群中的每个参数个体, 保留和记录最优参数个体。在提出的进化策略中, 利用量子旋转门实现量子染色体向最大适应度方向进化, 并根据每代适应度的差异和进化代数自适应地调整量子旋转角的大小; 以最终演化的参数种群中适应度最大的参数个体作为NIBF的最优参数, 生成相应的光谱测度变换曲线, 从而确定输入和输出光谱测度之间的映射关系, 实现图像最优自动增强。对5幅图像的平均实验结果表明: 盲/无参考图像空域质量评价指标提升了122.2%; 自然图像质量评价指标提升了71.8%; 运行时间为10.758 s。满足了遥感图像增强处理中的自动化、鲁棒性和高效率的要求。