针对Staple算法存在的两个问题, 提出了一种基于Staple改进的目标跟踪算法。首先, 为了增强Staple算法在灰度视频序列中的判别能力, 提出一种基于局部敏感直方图的直方图分类器; 其次, 提出一种基于相对置信度的自适应融合系数, 解决了Staple算法中两个分类器无法最优融合的问题。将该算法在OTB2013测试集上与其他9个先进的算法进行了比较, 实验结果表明该算法的精确度与准确率分别为0.814和0.614, 相对于Staple算法分别提升了4.1%和3.5%, 具有很好的鲁棒性。

针对图像修复过程中单一的字典迭代时间长、适应性差、修复效果不理想的缺点, 提出了一种结合图像特征聚类与字典学习的改进的图像修复方式。首先破损的图像被分割成小块, 并产生索引矩阵。然后使用控制核回归权值算法, 对其进行图像聚类。通过对图像内在结构与未破损区域信息的挖掘, 分割的图像块根据SKRW的相似性进行了分类。之后针对不同类型结构的图像, 通过自适应局部明感字典学习的方式, 获取每类字典的过完备字典。然后, 通过构建自适应局部配适器, 提高字典更新的收敛速度与稀疏字典的适应性。 因为是通过多个字典匹配不同结构的图像, 因此图像的稀疏表示更为准确。各个字典在达到收敛之前不断进行更新, 而图像的稀疏因子也会随着改变。在对破损区域进行补丁更换之后, 实现了对破损图像的修复。实验结果表明, 该算法相较于目前的修复算法, 视觉效果和客观评价上更好, 且所需的修复时间更短。

由于在不同的观察角度、位置以及光照等条件下雷达目标图像之间差异较大, 使得很多经典的维数约简和特征提取算法不能有效地用于飞机目标图像识别。基于二维局部敏感判别分析(2DLSDA), 提出了一种雷达目标识别方法。首先构造类内和类间邻域关系图, 计算两个邻域图上的权重矩阵; 然后基于Schur分解求出两个正交变换矩阵, 得到映射矩阵, 对观察数据进行维数约简, 由此有效地克服小样本问题。对飞机目标的分类实验结果表明, 该方法是有效可行的。

为实现图像间的快速准确配准，在局部敏感散列(LSH)算法基础上，提出一种高效的高维特征向量检索算法—改进的LSH(ELSH)算法用以图像特征间的检索配对，从而实现图像间的配准。该配准算法首先采用尺度不变特征变换(SIFT)算法提取图像的特征点并进行描述，得到图像的高维特征向量。然后，根据随机选择的若干子向量构建哈希索引结构，以缩减构建索引数据的维数和搜索的范围，从而缩短建立索引的时间。最后，根据数据随机取样一致性(RANSAC)剔除错误点。实验结果表明，与BBF (Best- Bin- First)和LSH算法相比，ELSH算法不但提高了匹配点对的准确性同时也缩短了匹配时间，其特征匹配时间分别减少了49.9%和37.9%。实验表明该算法可以快速、精确地实现图像间的配准。