以中心位置携带孔缝的机载电子设备屏蔽腔体为研究对象, 建立能够计算平面波辐照下腔体屏蔽效能的BLT(Baum-Liu-Tesche)方程。针对Robinson孔阵阻抗计算误差较大这一问题, 引入偏心系数Cmk修正孔阵阻抗, 修正后BLT方程能准确计算开有任意位置孔阵腔体的屏蔽效能。通过对电磁波电场进行矢量分解, 实现了任意极化角度下屏蔽腔体屏蔽效能的计算。结果表明, 屏蔽腔体屏蔽效能随孔缝数量的增加而升高, 极化角度的增大会增强屏蔽腔体电磁屏蔽能力。将BLT方程计算结果与Robinson法结果、CST仿真结果进行对比, 证明BLT方程具有准确性, 为计算机载电子设备屏蔽腔体屏蔽效能提供了一种有效方法。

针对点集匹配中异常值的干扰问题, 提出了一种基于贝叶斯学生t分布混合模型(SMM)的稳健仿射点集匹配方法。在贝叶斯框架下, 该算法将点集匹配问题模型化为利用SMM进行概率密度估计的问题。通过引入模型参数的近似变分后验分布, 目标函数转化为最大化完全数据对数似然的变分下界, 利用变分贝叶斯期望最大化(VBEM)算法迭代估计模型参数的变分后验分布。对于学生t分布的自由度参数, 通过最大化完全数据的对数似然进行迭代更新, 并利用斯特林公式近似计算。通过模拟点集和光学遥感图像的配准实验, 验证了该方法的有效性。

包含相同目标的图像由于可能存在结构差异而导致特征匹配困难、不精确, 针对该问题提出了一种新的匹配方法。首先, 提出一种稳健的非线性投影非负矩阵分解方法 (RNPNMF), 利用 RNPNMF得到特征点集的共同投影空间; 然后, 计算特征点集在共同投影空间的投影, 利用特征点集在共同投影空间上的投影实现点集的精确匹配。最后, 为验证本文方法的有效性, 分别对光学图像和 SAR图像进行了实验, 实验结果表明: 和现有方法相比, 本文所提方法能更精确有效的实现特征点集的匹配, 同时, 应用于图像配准也得到了很好的结果。

针对合成孔径雷达(SAR)图像提出了一种带边缘惩罚和自适应权马尔科夫随机场(MRF)模型的快速分割算法。在MRF分割模型的能量函数中引入了边缘惩罚和自适应加权参数。边缘惩罚的引入能够减少边缘模糊从而更加精确地定位边缘。自适应权参数能够根据图像分割时收敛的阶段以及图像的局部场景自适应地调整能量函数中数据模型因子的权重，这有利于在均质区域改进分割区域的一致性，而在非均质区域则可保持图像的边缘和重要细节。针对所提出的能量函数提出了一种快速的非均质点跟踪优化算法。对合成和真实的SAR图像的分割结果表明，所提出的分割方法能提高分割的精度并显著减少运行时间。

针对全局曲线匹配在闭塞目标识别中不再可行，提出了一种用于闭塞目标识别的部分对部分曲线匹配方法。首先，构造了一个目标轮廓局部形状特征描述子称之为仿射不变曲线描述子 (AICD)，它基于一个曲线仿射不变量及其无符号积分，具有仿射不变特性；其次，结合 AICD和基于曲率零交叉点的仿射不变曲线分割方案，给出了一个仿射变换下的曲线匹配算法。实验表明该算法对于存在仿射变形和部分闭塞的目标识别有效且优于现有的曲线匹配方法。

为了提高概率图模型点模式匹配的精度，本文提出了改进的动态图模型点模式匹配算法。首先，在动态图模型点模式匹配的相似性度量中应用混合高斯分布，以提高模型利用多特征的能力，使匹配方法对噪声更加稳健。其次，在目标点集中引入了虚拟的哑点并给出了包含哑点的相似性度量。当模板中的点和哑点相匹配的相似性度量更大时模板点将和哑点匹配，以减少由异常点所导致的误配。实验结果表明所提出的匹配方法对噪声和异常点更加稳健，匹配的精度也优于传统方法。

针对合成孔径(SAR)图像的配准，提出一种基于仿射不变快速核独立成分分析-尺度不变特征变换(FKICA-SIFT)的多尺度配准方法。首先，根据特征点的Hessian矩阵构建仿射不变SIFT描述子。接着，利用FKICA提取该描述子的独立成分得到新的描述子FKICA-SIFT。然后，利用该描述子对Steerable滤波后的各层带通合成子图像提取的特征点进行匹配。最后，采用由粗到细的匹配策略逐步优化变换参数，实现图像的多尺度精确配准。实验结果表明，对有较大仿射变化的SAR图像，当阈值小于0.7时，该方法的匹配正确率大于85%，阈值小于0.5时，匹配正确率可达90%以上，配准精度达到亚像素水平, 优于SIFT，PCA-SIFT，ICA-SIFT及SURF等相关方法。使用该方法准确地检测出了地震前后唐家山堰塞湖水域的变化情况，基本满足了SAR图像变换检测前精确配准的要求。

A technique to construct an affine invariant descriptor for remote-sensing image registration based on the scale invariant features transform (SIFT) in a kernel space is proposed. Affine invariant SIFT descriptor is first developed in an elliptical region determined by the Hessian matrix of the feature points. Thereafter, the descriptor is mapped to a feature space induced by a kernel, and a new descriptor is constructed by whitening the mapped descriptor in the feature space, with the transform called KW-SIFT. In a final step, the new descriptor is used to register remote-sensing images. Experimental results for remote-sensing image registration indicate that the proposed method improves the registration performance as compared with other related methods.

Point pattern matching is an essential step in many image processing applications. This letter investigates the spectral approaches of point pattern matching, and presents a spectral feature matching algorithm based on kernel partial least squares (KPLS). Given the feature points of two images, we define position similarity matrices for the reference and sensed images, and extract the pattern vectors from the matrices using KPLS, which indicate the geometric distribution and the inner relationships of the feature points. Feature points matching are done using the bipartite graph matching method. Experiments conducted on both synthetic and real-world data demonstrate the robustness and invariance of the algorithm.

针对SAR (Synthetic Aperture Radar) 图像全自动配准问题，本文提出一种基于仿射不变SIFT (Scale InvariantFeature Transform) 特征的精确配准方法。该方法首先对传统SIFT 方法改进构建具有仿射不变性的SIFT 描述子，并利用该描述子对提取的控制点进行粗匹配，然后由粗匹配点对的尺度比和方位差及其邻域的灰度相似性构建新的相似矩阵，最后利用SVD (Singular Value Decomposition)方法确定精确匹配点对，求出变换参数从而实现图像的精确配准。实验结果表明该方法优于传统的SIFT 方法和SIFT＋SVD 方法并且可以达到亚像素的配准精度。