提出一种基于标记的混合溢出树(SHSPT)特征匹配算法, 用于遥感图像的目标匹配识别。针对特征数据建立和预处理, 提出了基于中心点的数据分割方法, 通过定义数据密集区域的中心, 舍去边缘稀疏数据, 提取出分割后的数据。进行特征匹配时, 使用二进制数组表示数据空间, 标记分割后的特征向量数据, 通过比特操作计算特征向量间的距离, 缩短计算时间。最后对特征匹配方法进行改进, 采用待匹配特征距离的均值代替尺度不变特征变换(SIFT)匹配算法的次临近特征距离, 从而得到更多的匹配点。实验证明, 基于标记的混合溢出树特征匹配算法占用内存空间比传统的混合溢出树算法减少约68%, 匹配准确度与原算法接近, 匹配时间平均缩短了约32.8%, 解决了航天遥感图像数据量大, 特征维数较高, 匹配识别时间长, 占用计算机内存大等问题。

受光学系统离焦、大气扰动、平台振动的影响, 激光主动照明系统捕获的图像容易被模糊, 而传统的去模糊方法难以取得良好的复原效果, 故本文提出基于光纹特征的盲解卷积复原方法来实现图像去模糊。首先将模糊图像降采样, 建立尺度金字塔, 在尺度空间查找光纹特征图像块。随后基于激光主动照明图像饱和像素较多的特点, 提出新的图像退化模型。最后针对模糊核估计、光纹参数更新、清晰图像复原3个步骤, 提出适用的能量函数, 迭代复原出无噪清晰图像。搭建了主动照明系统, 在捕获的激光主动照明图像上进行了实验, 并与现有方法进行了对比。结果表明: 本文方法不仅能够复原出清晰图像, 而且能有效抑制振铃效应, 其客观评价指标峰值信噪比(PSNR)优于已有的其他算法。

传统的激光主动成像散斑抑制方法中, 局部单像素滤波和变换域滤波难以取得良好的抑制效果, 同时容易导致边缘展宽, 对图像信息造成破坏。鉴于非局部滤波对加性噪声的优异去噪性能, 本文研究了三种具有代表性的非局部滤波方法, 并使用半导体泵浦固体脉冲激光器搭建主动成像系统, 进行散斑噪声抑制性能的比较。实验表明, 采用同态FM-PatchGP不仅能够有效抑制散斑噪声, 而且能很好地保持边缘信息, 同时满足实时性处理的要求, 在激光主动照明系统中具有良好的应用前景。

针对激光主动成像的图像特性, 提出一种基于快速轮廓转动力矩的目标识别方法。将转动力矩的概念引入目标识别中, 提出的快速轮廓转动力矩特征(FCTF)不仅包含了轮廓的尺寸、位置、规则度以及目标的亮暗等信息, 同时对于旋转、尺度缩放等变换具有不变性。采用转动力矩的快速计算方法, 提高了识别算法的计算效率。识别算法首先使用最大稳定极值区域(MSER)算法检测出目标特征区域, 并将其变换为圆形区域, 然后结合快速转动力矩特征算法提取出目标区域的局部不变特征, 最后输入训练好的支持向量机分类器进行识别。实验结果表明相比于已有的激光主动成像目标识别方法, 所提算法对于旋转、仿射变换均具有更高的识别率, 同时单帧平均运算时间为968 ms, 满足激光主动成像目标识别系统实时性的要求。

在传统太阳跟踪器的基础上结合图像处理技术，搭建一套双模式太阳跟踪器，并围绕太阳质心提取算法展开研究。针对太阳跟踪器在太阳被云雾遮挡时无法准确跟踪的问题，提出了一种基于快速中值滤波的去雾算法，根据暗通道先验计算出透射率图，使用快速中值滤波代替软抠图方法对透射率图进行平滑，还原出无雾图像。为避免人工阈值带来的分割误差，在去雾增强的图像上使用快速最大稳定极值区域(MSER)特征区域检测方法检测出太阳区域，并提取出太阳质心。实验证明该算法在雾霾天气下仍然能够还原出清晰的太阳图像，准确提取出太阳质心，并且算法复杂度较低，满足太阳跟踪器实时处理的需求。

提出了一种结合轮廓转动惯量和特征包(BoF)算法的激光主动照明目标识别方法。介绍了转动惯量的定义，并提出了一种多尺度轮廓转动惯量特征区域检测方法和轮廓转动惯量局部不变特征提取方法。多尺度轮廓转动惯量特征区域检测方法能够提取出包含轮廓的最小特征区域，而轮廓转动惯量局部不变特征能够很好地描述轮廓的大小、位置、规则度等信息，对于各种图像变换具有不变性，并且计算效率较高。使用BoF算法统计图像的轮廓转动惯量局部不变特征，生成归一化特征直方图作为整幅图像的特征向量，输入训练好的支持向量机分类器进行识别。实验结果表明与基于Hu 矩和BP 神经网络的目标识别方法相比，所提算法在旋转和仿射变换下的识别率分别提高7.33%和19.08%。

提出了一种适用于彩色图像的局部不变特征配准方法。特征点提取阶段，提出了快速分割测试特征颜色差异(CDoFAST)特征点检测方法，计算图像的颜色不变量，以此为输入在尺度空间检测FAST 极值点，在极值点附近对高斯差分算子(DoG)值进行插值和拟合，以最终确定特征点的位置和尺度。特征描述符生成阶段，提出了一种新的彩色二进制局部不变特征(CBLID)，采样点邻域结构类似于人眼视觉的重叠，通过统计方向图生成二进制链码，具备旋转、尺度缩放、光照不变性和抗噪性能。通过计算汉明距离进行匹配并结合随机抽样一致性(RANSAC)算法去除误匹配点，计算出待配准图像间的变换关系。实验表明，所提算法针对彩色图像能够获得比传统的尺度不变特征变换(SIFT)、快速稳健特征(SURF)和DAISY 更高的配准精度，同时算法的运行时间也较短，在测试图片上耗时仅为SIFT的10%和12%。

在传统激光主动成像系统的基础上, 结合目标识别技术搭建了一个激光主动成像识别系统实验平台, 用于研究激光主动成像后的目标识别。介绍了实验平台的工作原理, 基于Hu矩特征的双隐含层BP神经网络算法以及实验处理流程和实验结果。特征量由7个不变Hu矩构成, 通过240张原始目标样本库对由136个权值系数构成的双隐含层BP神经网络算法进行了训练。利用训练好的双隐含层BP算法对黑夜条件下远处的运动目标--43式冲锋模具枪进行了实验研究, 成功获得了清晰的红外激光主动成像效果。实验显示对450 m处2 740帧和550 m处2 420帧激光主动成像图像的统计识别率达到了68.87%和72.11%, 其中旋转变换下的统计识别率可达80.05%和84%, 好于仿射变换的识别效果。

动平台激光主动成像系统所成图像被模糊的同时受到多种噪声的污染，传统的复原方法对噪声敏感，难以取得令人满意的结果。为此，提出基于方向滤波器组的激光主动成像图像复原方法，使用不同的方向滤波器组对含噪模糊图像进行滤波，估计模糊核函数。对于每个方向滤波器，计算核函数在垂直滤波器方向的Radon变换。接着使用Radon逆变换得到二维模糊核函数的最终估计。根据模糊核函数，即可复原出无噪清晰图像。搭建激光主动成像系统进行实验，结果表明与近年来一些较好的模糊盲复原方法相比，该方法不仅拥有更好的主观效果，同时在客观评价指标(PSNR)上也有所提高。

提出一种SAR图像目标识别新方法。首次引入BM3D方法，用于滤除原始图像中的相干斑噪声，BM3D结合了空间域和变换域去噪的优势，滤波性能优异。在特征提取步骤，将低阶Hu矩与高阶Zernike矩组合，Hu矩描述目标的粗略信息，高阶Zernike矩描述目标的细节信息，因此组合矩能够更加全面而细致地表达目标特性。使用组合矩特征训练SVM分类器，对含噪的SAR图像进行识别实验。实验结果表明：本文方法的识别率高达9890%，优于已有的SAR目标识别方法。