为了对准直过程中能量弱、分布不均匀的小孔光斑信息进行增强并抑制噪声，消除光斑不稳定对计算结果的影响，文中提出了一种新方法。首先，将多幅分时采集的图像构建一个多维的图像立方体，利用MNF变换将数据信息主要集中在第一维，去除各维图像之间的相关性；其次，使用Kmeans方法将第一维图像分为光斑和背景，对分类图像进行数学形态学处理，寻找范围最大光斑的边缘为小孔光斑的边缘；最后，使用最小二乘法进行圆拟合来计算小孔图像圆心。实验结果表明，该方法能提高弱对比度的小孔光斑区域检测的准确率，达到理想光斑区域的97.15％，获得的小孔中心和半径误差小于2个像素，实现了综合诊断系统对小孔光斑的精确测量。

杂草自动识别技术是实现变量喷洒、精准施药的关键, 更是制约其实现的瓶颈, 因此, 准确、快速、无损地实现杂草自动识别已成为精准农业的一个重要研究方向。利用高光谱成像系统采集甘蓝幼苗及小藜、稗草、牛筋草、马唐和狗尾草等五种杂草在1 000～2 500 nm波长区间的高光谱图像数据, 在ENVI中经过MNF变换对数据降噪、去相关, 并将波段维数从256维降到11维, 通过提取感兴趣区域获得标准光谱, 最后利用SAM分类法识别甘蓝与杂草, 光谱角弧度阈值为0.1弧度时, 分类效果良好。在HSI Analyzer中选择训练像元获得标准光谱后, 利用SAM分类法识别甘蓝与杂草, 并利用人工分类图与SAM分类图比较定量度量杂草的识别正确率, 结果表明, 当参数设置为5点平滑、0阶导数和7度光谱角度时, 分类效果最佳, 杂草识别率为80.0%, 非杂草类识别率为97.3%, 总体识别率为96.8%。应用光谱图像技术与SAM分类法相结合的方法进行杂草检测, 充分利用了光谱和图像的融合信息, 该方法应用空间的分类算法来建立光谱判别方法的训练集, 在像素级别上考察光谱矢量之间的相似性, 融合了光谱和图像两者的优势, 同时兼顾了准确性和快速性, 并且在整场范围内(行间和行内)改善杂草检测范围, 为农业精确管理中需要植物精准信息的应用领域提供了相关的分析手段和方法。

苹果损伤是一种发生在水果采摘和产后处理阶段的不可避免的主要缺陷。 为了快速有效地识别苹果的轻微损伤, 以具有代表性的双色红富士苹果为研究对象, 提出了一种以高光谱成像和最低噪声分离（MNF）变换的苹果轻微损伤识别检测方法。 首先, 使用高光谱成像系统获取苹果的可见-近红外波段（400~1 000 nm）的图像, 对比发现全波段的最低噪声分离变换比主成分分析（PCA）变换可获得更好的识别效果; 其次, 利用I-RELIEF算法对正常表皮和损伤区域的光谱进行分析得出权值系数图, 依据该系数曲线挑选出了5个特征波段（560, 660, 720, 820和960 nm）; 最后, 特征波段和最低噪声分离变换开发了损伤苹果的识别检测算法。 利用该算法对80个正常苹果和含有不同时间阶段轻微损伤的苹果进行试验, 损伤识别总体正确率为97.1%, 试验结果表明, 利用该方法和选取的特征波段可以快速有效地识别苹果的早期轻微损伤, 为利用多光谱成像技术和最低噪声分离变换在线检测苹果轻微损伤奠定了基础。

为了突出目标在多光谱遥感图像中的信息, 克服由阈值法所带来的人为误差, 提出了一种突出遥感目标信息的方法。 利用光谱能级匹配法提取目标在图像中的相似度, 并将其作为目标信息波段加入到原始数据中去, 进行波段归一化处理, 以减少不同波段数据的量纲或数量级的影响, 进行MNF变换并合成RGB假彩色图像。 以新疆哈图地区的重点成矿岩性——凝灰质粉砂岩为例, 进行重点目标突出的结果表明, 信息增强后的图像颜色更加丰富, 与原始假彩色合成图像相比, 可以识别出更多的岩石类型, 比原始图像的MNF变换划分出更多地物类型。