由于卫星遥感合成孔径雷达（SAR）与可见光图像之间存在显著的非线性辐射差异，故现有的SAR与可见光图像配准算法存在实时性差、旋转与尺度不变性弱等问题。针对目前算法只关注图像局部特征的外观信息，而忽略几何结构信息的问题，提出了一种结合卷积与图神经网络（GNN）的SAR与可见光图像匹配方法。该方法采用卷积神经网络进行特征检测与描述的同时，引入了GNN进行特征匹配。与最近邻匹配算法仅利用局部描述符信息相比，GNN先将特征点的位置坐标嵌入到描述符中，使得描述符具有几何位置信息，再利用注意力机制进一步聚合特征描述符的几何上下文信息，最后利用可微分的最优传输算法直接输出特征点的匹配结果，保证了网络可进行端到端的训练。实验结果表明：所提方法在大范围旋转与尺度变化的配准任务上，获得了最先进的性能；与目前主流配准算法辐射不变特征变换相比，所提方法在提升匹配精度的同时，计算速度也提高了50倍以上。

针对尺度不变特征变换（SIFT）算法配准可见光和合成孔径雷达（SAR）图像时性能较差的问题，提出了一种基于改进光学-SAR图像的SIFT（OS-SIFT）可见光和SAR图像配准算法。首先，利用非线性扩散滤波构建可见光和SAR图像的非线性扩散尺度空间，并采用多尺度Sobel算子和多尺度指数加权均值比算子分别计算可见光和SAR图像的一致性梯度信息。然后，用图像分块策略剔除尺度空间第一层后对尺度空间进行分块，在一致性梯度信息的基础上提取Harris特征点，得到稳定且均匀的点特征。基于梯度位置和方向直方图模板构建描述符并对其进行归一化处理，以克服影像间的非线性辐射差异。最后，利用欧氏距离进行特征匹配，并采用快速抽样一致性算法剔除误匹配。实验结果表明，相比联合位置、尺度和方向的SIFT算法和OS-SIFT算法，本算法的匹配率有明显提高，均方根误差也相对较低。

绿潮是我国近海常见的一种海洋生态灾害。为利用无人机(UAV)RGB光学相机准确高效地监测绿潮, 建立高分辨率RGB光学影像中绿藻快速提取算法, 本文提出了一种新的指数用于增强漂浮绿藻的信号, 即以绿色和红色波段形成一个虚拟基线, 此基线以下蓝波段信号的线高即为红绿波段虚拟基线漂浮绿藻指数(RG-FAH)。此外, 利用不同条件的无人机影像与其他植被指数对比进行验证。试验结果表明, RG-FAH在不同条件下的准确率、kappa等指标都在0.91以上。在正常与过曝光的条件下及提取大面积绿藻斑块时, RG-FAH与绿波段和蓝波段的差值(GB)相当, 但在太阳耀光耐受性和小斑块提取方面比GB及其他指数表现更好。该RG-FAH指数在绿藻及类似的水体漂浮绿色植物的监测方面有应用潜力, 能为绿潮的监测、管理提供有效的信息支持。

针对智能水下机器人(AUV)的海底管道自动识别与跟踪问题，从仿真环境构建、图像处理、管道识别及环境建模等数据层次进行了分析，搭建了一套完整的水下管道识别与跟踪系统。在管道识别过程中，针对传统的Hough直线拟合的缺点，提出了基于特征聚类的伪假区域的去除和峰值点邻域逆向处理的改进Hough变换。并利用所搭建的三维仿真环境，对直管和弯管在线进行了多次检测和跟踪试验。仿真实验结果表明通过管道识别和环境映射，本套系统能有效完成水下管道自主检测和跟踪。