作为遥感领域的新兴技术, 高光谱成像为遥感影像处理分析和计算机视觉提供了海量内容。 高光谱图像的优势在于电磁波谱的范围广度与高分辨率, 能够将地物目标的光谱反射特性和差异特征更全面地表现出来, 广泛地应用于地物分类、 目标识别、 异常检测等领域。 但是, 高光谱图像由于数据量繁重、 信息重叠冗杂等问题, 给图像处理、 存储和传输带来一定挑战。 选择合适的光谱波段可以在不改变原图像物理信息的情况下, 达到较好的图像处理成果。 为设计适合数据降维和目标地物分类的波段选择方法, 提出将视觉显著性模型应用到波段选择方法中。 首先引入基于图像空间分布的目标显著性算法进行波段图像处理得到目标显著图; 其次, 利用目标显著图分析地物之间在每一波段图像中的可分离程度定义为波段显著性。 为避免波段信息重叠, 在波段选择之前利用谱聚类算法将波段划分为若干子空间。 然后在子空间内依据波段显著性降序排列, 选择各子空间中目标显著性表现较好的波段组成波段子集; 最后, 在GF-5采集的高光谱图像数据进行方法验证, 筛选有效的目标显著性算法, 与常用的波段选择算法进行分类精度比较。 结果表明, 基于LC目标显著性算法的波段选择子集, 在SVM分类器中具有优异分类结果, 总体分类精度和Kappa系数达87.780 0%和0.805 3, 优于应用全波段和其他三种波段选择方法的结果子集。

高光谱成像是一种先进的图像获取技术, 其在获得地物空间信息的同时还可以获得地物的光谱信息, 得到“图谱合一”的三维图像数据。 其光谱分辨率高, 光谱曲线近似连续, 可以有效探测用多光谱成像技术中无法探测的地物, 在目标检测、 地物分类与图像压缩等领域取得了广泛的应用。 地物分类的分类结果是专题制图的基础数据, 在**、 农业、 地质等领域有重要地位了良好的效果。 地物分类是指将图像中的像元赋予类别标签, 即将同类地物赋予相同标签, 不同类地物赋予不同标签。 根据分类前是否已经获取目标的光谱信息, 地物分类分为监督分类、 半监督分类和无监督分类。 然而, 地物光谱受成像条件的影响较大, 特别是陆基成像, 不同成像条件的地物光谱会发生一定的改变, 不再具有严格的唯一性, 因此无法根据未知成像条件下的地物光谱数据进行准确分类。 但是同种地物的散射系数(由特定算法获得的散射占比)具有唯一性, 与成像条件或探测方向无关, 不受二向反射特性的影响, 只与地物类型及波长有关, 是一种反映地物本质属性的物理量, 因此可以作为地物的分类依据。 基于陆基成像条件下测量了多种地物的散射系数, 详细描述了散射系数的测量过程并且验证了核驱动模型的拟合能力。 通过对比发现不同地物的散射系数具有较大的差异, 进而提出了利用散射系数进行地物分类的方法。 采用两组数据对该分类方法进行验证, 并分别用投影、 距离、 信息量三种相似性度量指标定量地衡量了分类结果。 实验表明, 同种地物的散射系数几乎一致, 与成像条件无关, 只与地物类型有关, 不同种地物的散射系数各不相同, 利用散射系数可以有效地实现地物分类, 取得了良好的效果。

近年来有大量关于无参考模糊图像质量评价的研究,但是目前很多方法都忽略了图像内容对评价结果的影响。针对纯背景的无显著性目标图像和含背景的显著性目标图像的模糊评价方式是不同的,基于人眼注意力机制,前者侧重于图像的整体模糊,而后者更侧重于图像的局部细节模糊。整体模糊指的是图像整体内容的锐度信息,局部细节模糊指的是图像不同位置的局部锐度信息,二者可以将视觉显著性和图像内容更好地结合起来。针对上述问题,提出了一种基于显著性目标分类的无参考模糊图像质量评价方法。首先提出了一种基于显著性检测的目标分类算法,对待评价图像进行显著性目标分类,然后根据分类结果提取其局部模糊特征和全局模糊特征,最后对这两个特征进行融合得到最终的质量评估分数。实验结果表明,该算法不仅在BLUR数据库上取得最优的评价效果,同时在LIVE、CSIQ和TID2013数据库上也有较好的结果,具有很好的鲁棒性。此外,本文算法在各数据库中也表现出了优异的统计性能。

为了提高城区机载激光雷达点云数据地物分类的分类精度,提出了一种基于Point-Net网络的多源融合点云地物分类方法。点云在地物三维特征表示上具有优势,而遥感影像包含丰富的光谱信息,因此设计了一种点云与遥感影像的配准融合方法,综合利用两种数据的优势。针对Point-Net网络存在缺少邻域信息的问题,提出一种针对融合点云数据的多尺度Point-Net分类模型,实现对融合点云数据的有效分类。利用城区点云数据验证本文算法,通过分析分类精度和分类时间对分类效果进行评价。结果证明:相比其他算法,本文算法有效提高了点云数据分类效果,实现了对城区点云数据的有效分类。

激光雷达主动成像有别于各类被动成像的一个显著优势就是可以直接生成目标的距离图像, 与常规光学图像相比距离图像具有一些不同的统计特性, 当距离图像中存在多目标时统计直方图具有明显的多峰结构特征.通过对距离图像统计直方图峰值的提取实现了对距离图像的目标提取, 利用最小外接矩形拟合及目标距离数据获取了目标的实际尺寸、矩形拟合度等信息, 并由此实现了对目标的分类.运用该方法处理实际的距离图像, 达到了预期的目标.

结合多尺度几何分析和局部二值模式算子, 构造了一种新的多尺度、多方向局部特征描述子——局部Contourlet二值模式(LCBP).通过对尺度内、尺度间及同一尺度不同方向子带内LCBP直方图统计分析, 同时考虑到LCBP的四叉树结构特点和模型的简单性, 用两状态HMT描述LCBP系数, 得到LCBP-HMT模型.在此基础上, 提出了基于LCBP-HMT模型的目标识别算法, 该算法提取LCBP-HMT模型参数作为特征, 通过比较输入目标特征和各类标准目标特征的Kullback-Leibler距离进行分类.实验结果表明, LCBP特征比传统小波域特征和Contourlet域高斯分布模型特征更具鉴别能力.

为了描述局部特征在图像空间中相对位置关系，提出一种局部特征空间相关核(Spatial Correlation Kernel, SCK)用于图像目标分类。该方法首先提取并量化图像中的局部特征，再计算量化后的局部特征的空间位置自相关度，然后利用直方图交叉匹配两幅图像的空间位置自相关度得到局部特征空间相关核。该核充分利用局部特征的强分辨能力及其空间位置，且SCK 具有线性计算复杂度，满足正定条件，可以运用于基于核的学习算法。本文将SCK 嵌入支持向量机对公共数据库中图像目标进行分类，实验结果表明，SCK 可以获得良好的时间效率和分类性能。

激光成像雷达主动发射激光,接收其反射回波,能成角-角-距离-强度像,较易于实现目标识别。激光雷达与被动红外(IR)成像结合可获取更多信息,并提高目标识别能力和抗干扰性。提出结合激光雷达距离像-强度像的像素级融合的相干激光雷达距离像与被动红外成像复合的目标分类方法,利用Dempster-Shafer(D-S)证据理论,采用八值距离像模板进行仿真研究。其中,模板匹配的相关系数采用基于最多近邻点距离(MCD)的方法求得。研究结果表明,结合激光雷达距离像-强度像的像素级融合的目标分类的不确定度降低,降幅达40%,并提高了不易分类目标类的识别能力;距离像八值模板比二值模板分类效果好,物体质量函数差提高60%。