基于靶标的几何特征提出了一种快速识别算法来解决目前航天器靶标识别存在的问题。设计了一款带有线段与圆环图案的合作靶标。利用高斯滤波去除图像中的噪声, 运用Canny检测算子得到边缘图像, 并跟踪得到单像素边缘序列。然后, 通过判断非共线四点是否共圆排除大部分不可能构成圆的边缘, 利用同一圆周的两段子弧对应相同圆心和半径的几何特征实现圆检测。最后根据靶标圆与线段的几何关系排除干扰, 实现靶标的准确识别。实验结果表明, 该靶标识别算法对噪声、光照、旋转等不敏感, 能够在多种复杂场景中快速、准确地识别靶标, 处理时间小于125 ms, 满足实时位姿测量8帧的需要。目前, 该算法已经成功应用于工程样机。

介绍了一种应用在空间项目中，可以对合作目标进行自动识别和测量的CMOS相机系统。相机系统以E2V公司生产的EV76C560AR为图像传感器[以V4系列FPGA和C67x系列DSP为图像处理核心。文中着重描述了相机系统中数据流的处理过程，包括图像压缩，多通道数据交换，数据通讯。使用FPGA实现图像数据流的H264格式压缩[用FPGA控制RT端实现相机系统在1553B总线上的信息通讯[有限状态机实现了图像数据流在FPGA、DSP和SRAM间的交换。此相机测量系统已经在初样载荷上稳定工作。

视觉测量系统中圆形标志点中心定位的精度易受噪声的影响。为了增强其抗噪性从而提高定位精度，提出了一种利用几何特征以降低噪声干扰的中心定位算法。首先将自适应阈值分割法与质心法相结合，对点目标进行圆心粗定位。利用粗定位的圆心和半径对Canny算子检测到的边缘进行半径约束，以消除孤立点和噪声点。然后根据理想的圆成像后边缘点分布的几何特征和链接规律，采用一种基于分区原理的方法获取点目标的理想边缘。最后，采用Zernike正交矩对像素级边缘点进行亚像素定位，并用最小二乘椭圆拟合法计算得到中心坐标。实验结果表明，该方法的定位精度可以达到0023 7 pixel，算法的运行时间为2～3 ms，基本满足测量系统对于圆形标志点中心定位在精度、稳定性和实时性上的要求。

为了获得能够很好地应用于远距离目标识别且计算快速的图像特征, 本文提出了一种结合尺度空间FAST(加速分割试验特征)角点检测器和SURF(加速鲁棒特征)描绘器的新特征算法。SURF算法利用了基于快速海森矩阵的关键点检测算法, 容易从图像中快速海森矩阵响应值较高但信息匮乏的边缘区域提取大量关键点, 进而导致大量的低独特性特征以及不可忽视的误匹配率; 同时, 其高斯滤波带来的图像模糊使得算法在远距离目标区域内检测到的关键点数量减少, 从而对远距离目标的识别造成困难。针对SURF算法的这些问题, 本文方法利用尺度空间FAST算法代替快速海森矩阵, 并利用具有良好的独特性的SURF描绘器。该方法能够有效地减少对上述类型的干扰性关键点的提取, 对远距离目标的关键点检测的性能相对于快速海森矩阵具有显著优势, 且其独特性优于同样使用FAST角点检测器的BRISK特征。实验结果表明, 对于带有光照变化、尺度变化和3D视角变化目标, 基于本文特征的识别算法的识别正确率高于基于SIFT、SURF和BRISK特征的识别算法; 本文特征适用于远程目标识别, 同时其计算速度达到了与SURF接近的水平。

为解决大气湍流造成的图像退化问题，本文鉴于现有的盲解卷积算法收敛性不稳定，计算量大等特点，提出了一种基于加权预测的迭代盲解卷积算法。对目前性能优秀的用迭代实现盲解卷积的L-R算法进行优化，在每次迭代结束后通过加权方法求出预测值，根据预测值计算方向加速算子，从而大大提高算法的收敛速度。实验表明:该算法不仅可对模糊退化图像进行很好的复原，同时与L-R算法相比收敛速度提高约438倍，其迭代速度快的特点决定了算法具有较高的工程实用价值。

考虑基于链码跟踪和霍夫变换的传统直线检测方法对噪声敏感且计算量大的缺点,提出了将改进的链码跟踪与分层霍夫变换相结合的方法来提取直线,成功实现了航拍图像中机场跑道的实时高精度检测。采用改进的链码跟踪剔除短的和弯曲的线段,减少霍夫变换处理的点数,同时确定直线的近似方向,缩小霍夫变换的角度搜索范围。对霍夫变换进行金字塔分层计算,减小计算量。在程序设计方面,为图像建立链表结构数组,固定内存空间大小,避免了动态分配内存方式生成链表产生的越界问题。该算法已经成功嵌入TMS320C6416硬件平台。实验结果表明,本算法比传统霍夫变换算法运算量减少了约29倍,与单纯的链码跟踪直线检测相比,能够克服图像的模糊、遮挡等干扰,成功实现了机场跑道的实时精确检测。