点云数据滤波是机载激光雷达(LiDAR)数据处理研究中很重要的问题之一。提出了一种基于区域预测的LiDAR 点云数据形态学滤波算法，该算法由点云数据建立规则格网、去除粗差点，对实验区域进行分块，然后使用各个分块区域的高程标准差预测地形坡度参数s 从而进行渐进式形态学滤波，最终确定地面点。文中算法优点在于可以根据区域地形起伏情况自适应地得到阈值进行滤波。使用国际摄影测量与遥感学会(ISPRS)提供的测试数据进行实验，实验结果表明，提出的算法能够有效去除地物点和保留地面点，并且能有效降低总误差。

给出了一种三角形形变量的定义，并提出了基于不规则三角网(TIN)的LiDAR数据边缘检测新方法。将点LiDAR数据进行三角剖分，生成不规则三角网，计算TIN中每个三角形的形变量，根据三角形形变量的不同来确定处于地物目标边缘的三角形，对这些边缘三角形进行处理得到边缘点。针对LiDAR数据中可能由于河流等导致的数据空白区域，仅利用三角形形变量无法检测到所有边缘点的问题，提出了顶点到重心距离的平方和作为测度来确定狭长三角形，从而提取到河流等数据空白区域的边缘点。实验结果表明，该算法能够较好地提取LiDAR 数据的边缘点，得到LiDAR数据的边缘信息。

Shearlets not only possess all properties that other transforms have, but also are equipped with a rich mathematical structure similar to wavelets, which are associated to a multi-resolution analysis. Recently, shearlets have been used in image denoising, sparse image representation, and edge detection. However, its application in image fusion is still under study. In this letter, we study the feasibility of image fusion using shearlets. Fusion rules of larger high-frequency coefficients based on regional energy, regional variance, and absolute value are proposed because shearlet transform can catch detailed information in any scale and any direction. The fusion accuracy is also further improved by a region consistency check. Several different experiments are adopted to prove that fusion results based on shearlet transform can acquire better fusion quality than any other method.

提出了一种基于区域分割和à trous小波变换的红外与可见光图像融合算法.首先,对红外与可见光图像进行区域分割及区域关联,并按关联映射图所划分区域提取红外与可见光图像的的能量信息及梯度信息；然后,对红外与可见光图像进行多尺度à trous小波变换分解,分解后的低频部分按照文中所提出的区域能量比和区域清晰比指标进行区域融合,高频部分采用绝对值取大算子进行融合；最后进行重构得到融合图像.结果表明,该算法既可保持可见光图像的光谱信息,又可有效获取红外图像的热目标信息.

提出了一种基于多阈值分割和无下采样Contourlet变换(Nonsubsampled Contourlet Transform, NSCT)的多光谱与高分辨率图像融合算法。对多光谱图像进行多阈值分割, 并利用提出的区域均值比指标将多光谱图像划分为需要进行空间细节增强及需要保持光谱特征的区域; 然后利用NSCT对高分辨率图像和多光谱图像的强度分量进行多尺度、多方向分解。分解后的低频部分采用基于窗口邻域的融合规则和算子进行融合, 高频部分按区域均值比指标进行区域融合; 最后进行重构得到融合后的多光谱图像的强度分量, 经IHS逆变换后得到高分辨率的多光谱图像。实验结果表明, 该算法可获得较理想的融合图像, 融合效果优于IHS变换法、基于像素的à trous小波变换法以及基于像素的NSCT法。

提出了一种基于区域分割和Contourlet变换的图像融合算法。首先,对各源图像做区域分割,并利用区域能量比和区域清晰比的概念来度量和提取区域信息;然后,对各源图像进行多尺度非子采样Contourlet分解,分解后的高频部分采用绝对值取大算子进行融合,低频部分则采用基于区域的融合规则和算子进行融合;最后进行重构得到融合图像。对红外与可见光图像进行了融合实验,并与基于像素的à trous小波变换和Contourlet变换的融合效果进行了比较。结果表明,采用本文算法的融合图像既保留了可见光图像的光谱信息,又继承了红外图像的目标信息,其熵值高于基于像素的融合方法约10％,交叉熵仅为基于像素的融合方法的1％左右。

介绍了传统的拉普拉斯变换存在的缺点以及改进的拉普拉斯变换的基本原理和重构方法,分析了新的重构算法能够在重构时抑制噪声的特点。提出了在图像融合过程中会引入噪声的问题,并通过实验分析了图像融合过程中引入的噪声情况。使用新的重构算法能够在图像重构过程中,而不是在系数处理过程中,有效抑制融合噪声。给出了基于改进的拉普拉斯变换方法进行图像融合的基本架构,并对变换系数的设置与融合过程的处理进行了详细的介绍。仿真实验的主客观性能比较表明,基于改进的拉普拉斯变换的图像融合方法比其它几种基于金字塔变换的融合效果要好得多。

在标准非负矩阵分解约束条件的基础上,提出了一种添加了清晰度约束的新的目标函数和迭代算法,即改进的非负矩阵分解算法,并将其应用于多聚焦图像融合中。非负矩阵分解过程中,适当地选取特征空间的维数能够获得原始数据的局部特征。若以待融合图像为原始数据,选取特征空间的维数为1,则利用改进的非负矩阵分解方法进行图像融合所得到的特征基图像就是对原始图像的融合,该融合图像包含了原始图像的整体特征。实验结果表明,该方法融合效果优于小波变换方法和拉普拉斯塔型方法。