在传感器无法满足相关条件的情况下，变电站机器人巡视轨迹的点云数据不能准确匹配，为此提出红外图像特征融合下变电站机器人巡视轨迹三维点云配准方法。提取机器人运动方向梯度直方图和局部自相似描述两种特征，即 HOG特征和 LSS特征，并采用多特征自适应融合方法融合两种特征，并通过三维点云初步配准获取融合后轨迹特征的关键点和最佳的目标轨迹位姿参数，采用优化的迭代最近点算法精配准巡视轨迹，提升巡视轨迹位姿配准结果。实验结果表明：所研究方法特征融合效果良好，能够提升图像的边缘清晰程度，融合后偏差指数均低于 0.2，准确完成不同大小图像中关键点的配准，并且配准后的巡视轨迹与期望轨迹吻合程度较高。

在对卷积神经网络(CNN)的可解释性研究中,针对特征信息的定量分析是研究的重点。提出一种基于信息熵的特征度量方法,用于定量分析CNN的特征提取性能。该方法首先针对不同类别的图像计算特征层的激活直方图,然后统计其归一化熵,将其定义为特征纯度。在CIFAR10和ImageNet数据集上对不同CNN模型及其内部结构的特征纯度进行量化评估;在评估特征纯度的同时,结合类激活图进行可视化解释,以验证特定CNN模型的特征提取能力和特征纯度之间的关系。实验结果表明,特征纯度与模型的特征提取能力、模型的分类性能有统计意义上的显著相关性;同时,特征纯度的计算不依赖于分类标签,也不局限于具体网络结构,具有较强的鲁棒性与实用性。所提出的量化评估方法可以有效地评估CNN的特征提取性能。

红外焦平面探测器的光谱一致性是评价材料制备水平的重要参数之一。探测器材料因制备工艺的不同而存在差异。由于光谱仪光斑尺寸的限制、探测器杜瓦结构的局限性以及设备采集光谱的巨大数据量，难以对探测器组件的光谱一致性进行测试分析。为此提出了一种新方法，即选取用传统工艺和优化工艺制备的两种探测器样品，并选取成像图中与工艺相关的多个明暗特征区域，再测试这些区域的光谱曲线并对其进行分析汇总，然后通过比较光谱最大差异来评判探测器光谱一致性的优劣。该方法测得两种探测器特征区域的光谱最大差异分别为1.21μm和0.30μm。测试结果表明，优化工艺后的光谱一致性优于传统工艺。

为了减少高光谱图像中的冗余以及进一步挖掘潜在的分类信息，本文提出了一种基于特征重要性的卷积神经网络（ convolutional neural networks，CNN）分类模型。首先，利用贝叶斯优化训练得到的随机森林模型（ random forest，RF）对高光谱遥感图像进行特征重要性评估；其次，依据评估结果选择合适数目的高光谱图像波段，以作为新的训练样本；最后，利用三维卷积神经网络对所得样本进行特征提取并分类。基于两个实测的高光谱遥感图像数据，实验结果均表明：相比原始光谱信息直接采用支持向量机（ support vector machine，SVM）和卷积神经网络的分类效果，本文所提基于特征重要性的高光谱分类模型能够在降维的同时有效提高高光谱图像的分类精度。

当前较多图像篡改检测算法主要是依靠测量图像间的距离来匹配像素特征, 以此来实现图像的篡改检测, 但其没有考虑图像特征间显著特征的关联性, 导致检测结果存在误检等弊端。为此, 设计了灰度差异耦合显著特征的图像复制-粘贴篡改检测算法。首先, 借助Harris算子, 从待检测图像中提取初始特征, 并利用像素点间的灰度差异信息, 删除伪特征, 以得到准确度较高的图像特征。然后, 将Haar小波作为求取图像特征方向信息的依据, 利用图像锐度信息, 获取特征向量。采用傅里叶变换来计算图像特征的显著信息, 利用其对图像特征实施匹配。最后, 对匹配图像特征进行聚类计算, 以辨别出图像中的篡改内容。实验数据表明, 较当前伪造检测算法而言, 所提算法不仅具有更少的错误检测内容, 而且拥有更强的健壮性, 能抵御多种仿射变换对篡改检测的干扰。

复杂云背景下的红外弱小目标检测是红外探测设备中亟待解决的难点问题。该问题的关键在于红外弱小目标与云杂波的区分。用于区分红外弱小目标与云杂波的传统特征和图像灰度绝对值紧密相关, 严重受到场景变化的影响, 无法有效适应复杂云背景下的红外弱小目标检测。为了高效地区分红外弱小目标和云杂波, 提出了一种图像特征组合, 包含局部对比特征和分割形态特征。该特征组合综合了两类特征的优势, 充分表达了红外弱小目标和云杂波在灰度对比差异和形态的区别。实验结果表明所提出的图像特征组合在当前实验样本条件下的分类正确率比传统特征高约 12%, 能高效地区分红外弱小目标和云杂波。

高光谱图像包含了大量的光谱信息和图像信息, 采用高光谱成像技术对牛肉品种进行识别。 获取可见-近红外(400～1 000 nm)光谱范围内的安格斯牛、 利木赞牛、 秦川牛、 西门塔尔牛、 荷斯坦奶牛五个品种共252个牛肉样本的高光谱图像。 在ENVI软件中对高光谱图像进行阈值分割并构建掩膜图像, 获取样本的感兴趣区域（ROI）, 并结合伪彩色图对牛肉样本的反射率指数进行可视化表达; 采用Kennard-Stone(KS)法对样本集进行划分以提高模型的预测性能; 对原始光谱采用卷积平滑(SG) 、 区域归一化(Area normalize)、 基线校正(Baseline)、 一阶导数（FD）、 标准正态变量变换(SNV)及多元散射校正（MSC）等6种方法进行预处理; 采用竞争性自适应重加权算法（CARS）提取特征波长。 然后利用颜色矩对不同牛肉样本的颜色特征进行提取; 对原始光谱图像进行主成分分析, 结合灰度共生矩阵（GLCM）算法, 提取主要纹理特征。 最后结合偏最小二乘判别（PLS-DA）算法建立牛肉样本基于特征波长、 颜色特征以及纹理特征的识别模型。 KS法将牛肉样本划分为校正集190个, 预测集62个; 将未经预处理的光谱数据与经过6种不用预处理的光谱数据进行建模分析, 结果发现经FD法处理后的光谱数据所建模型的识别率最高; 结合CARS法对经FD法预处理后的光谱数据进行特征波长提取, 共提取出22个波长; 利用颜色矩和GLCM算法分别提取出每个牛肉样本的9个颜色特征、 48个纹理特征。 将特征波长数据与颜色、 纹理特征信息进行融合建模, 结果表明, 基于特征光谱+纹理特征的模型识别效果最佳, 其校正集与预测集识别率分别为98.42%和93.55%, 均高于特征光谱数据模型识别率, 说明融合纹理特征后使样本分类信息的表达更加全面; 融合颜色特征后模型的校正集识别率均有所增加, 但预测集识别率稍逊, 颜色特征虽携带了部分有效信息, 但这些信息与牛肉样本的相关性不大。 因此, 寻找与牛肉样本相关性更大的颜色特征是提高模型识别率的重要途径之一。 该研究结果为牛肉品种的快速无损识别提供了一定的参考。

提出一种利用细胞时域演化特征来表示有丝分裂的方法。首先,该方法从细胞有丝分裂序列的每帧图像中提取三种不同特征,即通用搜索树(GIST)、尺度不变特征变换(SIFT)、卷积神经网络(CNN),针对提取的每种特征,用池化方法在空间和时间维度上对其进行处理;然后,将处理后的一系列池化特征组合成一个单一的特征向量来表示该细胞有丝分裂事件的最终特征;最后,将组合后的特征向量作为分类器的输入,利用传统的机器学习方法,即支持向量机(SVM)来处理有丝分裂事件的识别问题。实验结果表明所提方法在精度和召回率方面均优于传统方法,可以更好地应用于细胞有丝分裂检测中。