为满足复杂条件下带电作业机器人作业过程中对线缆的定位需求, 提出一种基于激光光斑的带电作业机器人线缆定位方法, 在双目相机安装滤光片, 移动激光发射器, 并在线缆上形成两个光斑。对光斑源图像提取HSV空间的亮度分量, 减少光照差异及背景对光斑的影响。利用帧间差分获得两光斑的亮度分布图的差分图像。通过光斑筛选获得目标光斑, 去除差分中抖动、光照变化等影响。通过匹配左右相机的光斑对, 计算光斑三维坐标, 获得线缆上的目标位置和姿态, 保证了立体匹配的准确率。搭建实验平台, 采集多种光照环境、背景下的线缆图, 具有96%的定位准确率, 定位误差也能达到作业需求, 验证了该定位方法的有效性及实用性。

为使成像光谱仪能在复杂振动环境和宽温(5~35 ℃)下使用,基于Offner同心结构凸面光栅的光学系统,研制出短波红外成像光谱仪系统。为了验证结构设计的合理性,利用Patran & Nastran对仪器光机结构进行模态分析、静载分析及热致响应分析,并采用广义逆矩阵方法对静载响应分析结果进行处理,得到仪器光学元件的面形变化和刚体位移数据。在0~40 ℃温度范围和4 g加速度载荷下,仪器光学面形变化的方均根(RMS)值小于34 nm,各镜之间相对位置变化小于0.05 mm,各镜偏心小于0.05 mm,满足仪器面形和刚体位移公差要求。振动实验表明,成像光谱仪的一阶模态为559 Hz,远高于一般环境激励,其刚度满足使用要求。温度实验表明,宽温范围内波长极值漂移为0.306 pixel,光谱带宽极值变化为0.493Δ(Δ为吸收峰的半峰全宽)。工程分析和实验验证了该结构的环境适应性,这对仪器工程化具有重要的实用价值。

滤波器在提取高光谱图像空间纹理信息时往往容易陷入局部的特征提取。针对这一问题,提出一种自适应流形滤波的高光谱图像分类算法(AMF-SVM)。该方法采用自适应寻优,先计算第一个流形,然后根据流形树高度进行递归投射、平滑和聚合处理,结合处理结果对高光谱进行线性滤波,得到较好的空间特征,并由支持向量机(SVM)完成分类,最后获得最优的分类结果。实验表明,相比使用光谱信息、高光谱降维、空谱信息结合的SVM分类方法,边缘保持滤波以及递归滤波的方法,AMF-SVM对高光谱图像的分类精度有较大提高,充分说明了该方法的有效性。

针对单一滤波器提取高光谱图像空间特征时不能获得完整的图像空间信息的不足, 提出一种结合非局部均值滤波和导向滤波的高光谱图像分类算法。该方法利用非局部均值滤波提取高光谱全波段图像空间信息, 利用导向滤波提取经由主成分分析(PCA)降维后的高光谱图像的空间边缘信息, 将两种空间信息进行线性融合的结果输入至支持向量机(SVM)完成分类。实验表明, 相比于使用光谱信息、高光谱PCA降维、空谱结合的SVM分类、边缘保持滤波以及递归滤波等方法, 该算法能够有效提高光谱图像的分类精度。

针对单一的滤波器提取高光谱图像空间纹理信息时不能获得完整的图像特征的不足, 提出一种结合双边滤波和域转换标准卷积滤波的高光谱图像分类算法.该方法采用空间信息自适应融合的分类寻优, 先对高光谱波段进行抽样分组, 再用双边滤波和域转换标准卷积滤波对分组后的波段进行滤波, 两种空间信息进行线性融合后交由支持向量机完成分类.实验表明, 相比使用光谱信息、高光谱降维、空谱结合的支持向量机分类方法和边缘保持滤波以及递归滤波的方法, 本文所提算法对高光谱图像的分类精度有较大提高, 在训练样本仅为5%和3%的情况下, 对印第安农林和帕维亚大学图像的总体分类精度分别达到了96.95%和97.89%, 比其他算法高出2~13个百分点, 验证了该方法在高光谱图像分类的有效性.

介绍了一种可以使用双极性序列的单极性信道OCDMA（光码分多址）系统，阐述了利用三阶Chebyshev映射构造具有良好相关性的双极性混沌序列的方法，并将双极性混沌序列应用到上述单极性信道OCDMA系统中。对系统性能进行了分析，在完全异步的情况下，推导了信噪比和误码率的表达式，仿真了误码率随用户数变化的曲线，与使用Gold序列的相同系统进行了比较，结果表明：在相同用户数的情况下，使用混沌序列时具有较低的误码率。

如何在光域产生混沌序列并将其作为光码分多址OCDMA(optical code division multiple access)系统的地址码，是近年来一个新的研究方向。利用马赫－增德尔干涉仪设计了一种完全在光域产生模拟双极性混沌序列的发生器。通过控制马赫－增德尔干涉仪两臂引起的相移来调制输入光电场的振幅和相位，使得输出光电场矢量等于输入光电场矢量与余弦项的乘积，多个干涉仪及光纤延迟线和相移器可以构成混沌序列发生器，并按logistic映射在光域产生双极性混沌序列。此混沌序列发生器可作为OCDMA系统的编解码器，提高保密性并增加系统可容纳的用户数。

光谱解混是高光谱数据分析的重要技术之一.全约束(即非负性约束和归一化约束)最小二乘线性光谱混合模型(FCLS-LSMM)具有模型简单和物理意义明确等优点而得以广泛使用.然而, FCLS-LSMM的传统优化求解方法的迭代过程非常复杂.近年提出的几何方法为降低LSMM的求解复杂度提供了新思路, 但是所获得的结果并非真正意义上的全约束最小二乘解.为此, 建立了一种完全符合FCLS要求的LSMM几何求解方法, 具有复杂度低和可以获得理论最优解等优点.实验表明了所提出方法的有效性.

高光谱图像得到了越来越广泛的应用, 但较低的空间分辨率严重地影响着它的应用效果; 其超分辨率方法受到学术界的高度重视, 但一直没有得到很好的解决。 为此重点研究了建立低分辨率资源图像与高分辨率目标图像之间的关系模型; 引入关联感兴趣光谱端元的算子进行空间变换; 应用最大后验概率(MAP)算法实现超分辨率复原。 实验表明, 该超分辨率方法具有超分辨率效果好、 复杂度低、 抗噪声性能强和保护感兴趣类别等优点。

提出了基于支持向量机(SVM)的单纯形增长算法(SGA)新实现方法, 该方法无需降维预处理, 且采用低复杂度的距离尺度代替复杂的体积尺度；证明了线性SVM与传统线性光谱混合模型(LSMM)在光谱解混中的等效性, 并探索了前者在信息的扩展利用和模型的非线性推广两方面的优势.实验结果表明, 基于SVM的SGA实现方法在保证选择结果不变的前提下复杂度大大降低,SVM模型下解混精度明显提高.