地上生物量（AGB）是作物长势评价及产量预测的重要指标, 因此快速准确地估算AGB至关重要。 由于传统植被指数（VIs）估算多生育期的AGB存在饱和现象, 因此, 利用VIs结合基于离散小波转换（DWT）的影像小波分解（IWD）技术提取的高频信息和连续小波转换（CWT）技术提取的小波系数, 探究VIs, VIs+IWD和VIs+CWT对于AGB的估算能力。 首先, 基于无人机平台分别获取马铃薯现蕾期、 块茎形成期、 块茎增长期、 淀粉积累期的数码影像和成像高光谱影像以及地面实测的AGB数据。 其次, 利用数码影像通过IWD技术提取3种高频信息和利用高光谱反射率数据通过CWT技术提取小波系数以及构建6种高光谱植被指数。 然后, 将植被指数、 高频信息和小波系数分别与AGB进行相关性分析, 并挑选出不同尺度下相关系数绝对值较高的前10波段。 最后, 以VIs, VIs+IWD和VIs+CWT这3种变量分别使用偏最小二乘回归（PLSR）方法构建AGB估算模型, 并对比不同模型估算AGB的效果。 结果表明: （1）每个生育期选取的6种植被指数、 3种高频信息和10种小波系数与AGB的相关性均达到0.01显著水平, 整个生育期相关性均呈现先升高后降低的趋势, 其中以小波系数得到的相关性最高、 高频信息次之, 植被指数最低。 （2）对比分析每个生育期的3种估算模型, 以VIs+CWT为输入变量的估算效果最好, VIs+IWD的估算效果次之, 而VIs的估算效果最差, 说明基于小波分析构建的模型适用性较广、 稳定性较强。 （3）每个生育期分别以3种变量利用PLSR方法构建的AGB估算模型均在块茎增长期达到最高精度（VIs: 建模R2=0.70, RMSE=98.88 kg·hm-12, NRMSE=11.63%; VIs+IWD: 建模R2=0.78, RMSE=86.45 kg·hm-12, NRMSE=10.17%; VIs+CWT: 建模R2=0.85, RMSE=74.25 kg·hm-12, NRMSE=9.27%）。 通过VIs分别结合IWD和CWT技术利用PLSR建模方法, 可以提高AGB估算精度, 为农业指导管理提供可靠参考。

土壤高光谱在采集过程中难以避免噪声干扰, 造成高光谱数据信噪比较低, 影响土壤有机质含量估测精度。 尝试探究小波能量特征方法, 降低高光谱噪声, 提升土壤有机质含量高光谱估测模型性能。 选取湖北省潜江市运粮湖管理区为试验区, 于2016年9月采集80份深度为0~20 cm的水稻土样本; 土壤样本经风干、 碾磨、 过筛等一系列处理后, 在实验室内采集样本光谱, 并通过重铬酸钾-外加热法测定土壤有机质含量; 利用浓度梯度法, 将总体样本集(80个样本)划分为建模集(54个样本)和验证集(26个样本); 以mexh为小波基函数进行连续小波变换(continuous wavelet transformation), 将土壤高光谱转换为10个分解尺度的小波系数(wavelet coefficients); 逐尺度计算小波系数的均方根作为小波能量特征(energy features), 将10个尺度的小波能量特征组成小波能量特征向量(energy features vector); 逐尺度逐波长计算小波系数与有机质含量的相关系数, 将达到极显著水平(p<0.01)的小波系数作为敏感小波系数(sensitive wavelet coefficients); 利用主成分分析法(principal component analysis)分别计算土壤高光谱和小波能量特征向量的各主成分载荷, 通过比较两者第一主成分贡献率的高低和两者前三个主成分得分的空间离散程度, 判断小波能量特征转换前后建模自变量的主成分信息变化趋势; 基于小波能量特征向量和敏感小波系数分别建立多元线性回归和偏最小二乘回归土壤有机质含量估测模型。 结果表明, 土壤有机质含量越高, 全波段反射率越低, 但不同土样的光谱反射率曲线特征相似, 近红外部分的反射率(780~2 400 nm)高于可见光部分(400~780 nm); 敏感小波系数对应的波长为494, 508, 672, 752, 1 838和2 302 nm; 土壤高光谱与小波能量特征向量的第一主成分贡献率分别为96.28%和99.13%, 小波能量特征向量的前三个主成分散点较土壤高光谱的主成分散点在空间上更为聚集, 表明小波能量特征方法有效减少了噪声影响; 比较全部土壤有机质含量估测模型, 以小波能量特征向量为自变量的多元线性回归模型具有最佳估测精度, 其验证集决定系数(R2)、 相对估测误差(RPD)和均方根误差(RMSE)分别为0.77, 1.82和0.82。 因此, 小波能量特征方法既能够提高数据的信噪比, 提升土壤有机质含量的估测精度, 又实现了土壤高光谱数据降维, 降低了模型复杂度, 可用于土壤有机质含量快速测定和土壤肥力动态监测等研究。

为了消除采样过程中的噪声干扰，进一步提高重构图像质量，针对数字微镜阵列（DMD）与桶探测器在测量过程中点对点采样产生的起伏噪声导致图像信噪比降低的问题，提出基于哈达玛矩阵编码测量的压缩采样成像方法。首先采用DMD分区控制方法，利用哈达玛编码测量，计算获得低分辨率的粗糙图像，接着在预测的重要小波系数所在区域，对同一尺度上的重要区域利用哈达玛矩阵进行投影，同时计算出这些区域的小波系数，最后通过小波逆变换获得重构图像。实验表明，在测量噪声为0.2倍的热噪声下，只需要10%的采样率，通过哈达玛编码测量，图像峰值信噪比从1398 dB最高提高到34.56 dB，提高了20.58 dB，成像质量明显改善，清晰度高。当存在较大的测量噪声时，该方法可以大幅提高图像的信噪比，尤其适用于微弱光信号条件下的高灵敏压缩采样成像。

在卫星上提取图像目标区域是降低传输数据量、提高空间传输链路利用率的重要一环。本文从小波系数相关性的角度, 提出一种针对空间图像压缩算法 (CCSDS-IDC)的目标区域提取方法, 是以图像小波系数 LL3子带为起点, 以四叉树分解为基础的自适应非均匀矩形分割与合并 (ANURSM), 将对应背景区域的小波系数与对应目标区域分离。经试验表明, 算法能够准确、有效地提取出图像目标区域对应的小波系数, 与改进的 CCSDS-IDC相结合能够有效降低传输数据量并提高图像目标区域质量。

图像在传输过程中会受到各种噪声干扰, 为了实现消除噪声的目的, 提出一种基于LoG算子改进的自适应阈值去噪算法。首先, 利用LoG算子提取图像的边缘特征信息。接着, 根据图像的边缘特征和非边缘特征分别求取改进的阈值函数: 对于图像非边缘部分的阈值函数, 在软阈值函数的基础上添加一个阈值修正系数, 构建新的阈值函数; 对于图像边缘部分的阈值函数, 将边缘部分小波系数附近的能量和阈值相结合, 构建新的阈值函数。最后利用改进的阈值函数对图像R、G、B 3个通道分别处理, 保留图像所有的细节信息。实验结果表明,消噪后图像与含噪图像的PSNR值高于传统自适应算法1209%; MAE值低于传统自适应算法22%。该算法有效保存了图像的边缘信息, 综合去噪效果明显提高。

使用高光谱仪ASD Field Spec于吐丝期采集不同氮素处理的夏玉米叶片光谱, 并进行对数变换处理; 通过对“绿峰”(450~680nm)和“近红外反射平台”(760~1000nm)谱段光谱数据进行多尺度小波分解, 获取第二层离散近似小波系数向量; 采用主成分分析, 从第二层离散近似小波系数向量中提取特征作为输入参数, 建立对叶片氮素含量的广义回归神经网络估算模型.结果表明: 对数变换显著地增强了“绿峰”和“近红外反射平台”谱段夏玉米叶片光谱对不同氮素处理的响应差异; 从第二层离散近似小波系数向量中提取的小波主成分能够反映夏玉米叶片光谱在不同氮素处理下的整体变化趋势; 以小波主成分作为输入参数的广义回归神经网络能够较为准确地预测夏玉米叶片氮素含量, 并且具有一定的推广能力.

图像小波系数先验模型在图像处理中得到广泛的应用。已有小波系数的建模方法在模型选择、模型参数估计和非高斯噪声图像恢复等方面存在一定限制。利用全贝叶斯神经网络(FBNN)模型对图像小波系数的统计特性进行建模,利用现代粒子采样技术进行估计获得该模型的参数。对单尺度和父子尺度小波系数先验模型的仿真实验表明,基于全贝叶斯神经网络的小波先验模型建模准确,较好地描述了小波系数统计特性,把由此方法获得的单尺度和父子尺度小波系数先验粒子应用于图像去噪处理,仿真结果证实去噪处理后的图像质量在客观指标和主观视觉上都有显著的提高。