为了提高随机抽取一致性算法(RANSAC）的效率和精度，提出了一种基于采样优化的随机抽取一致性算法。首先通过匹配点的相似性度量计算匹配点先验概率，根据先验概率随机抽取最小子集估计模型，在全部数据上检验模型，依次迭代找到次优模型；然后以次优模型对应的内点集作为采样的初始集，随机抽取最小子集估计模型，并在全部数据上检验模型，若模型更好则更新采样初始集，依次迭代找到最优模型；最后，选择最优模型获得符合该模型的内点和最终的模型参数。选取多对不同变换的图像作为实验数据，从算法运行效率和模型精确度两方面对算法进行了测试实验。实验数据表明，本文算法的迭代次数约为标准RANSAC算法的20%，运行时间约为标准RANSAC算法的25%，标准误差降低了30%左右。本文算法充分利用了匹配点的先验知识和模型检验结果对采样模式进行优化，算法的运行效率和精度都有较大提高。

针对传统分割算法难以实现高分辨率多光谱图像分割的问题, 本文提出一种利用高斯混合模型的多光谱图像模糊聚类分割算法。该算法采用高斯混合模型定义像素对类属的非相似性测度, 由于该算法具有高精度拟合数据统计分布能力, 故可以有效剔除噪声对分割结果的影响。同时, 引入隐马尔科夫随机场(Hidden Markov Random Field, HMRF)定义邻域作用的先验概率, 并将其作为各高斯分量权值以及KL (Kullback-Leibler) 信息中控制聚类尺度的参数, 从而增强了算法对复杂场景遥感图像的鲁棒性, 进一步提高了算法的分割精度。对模拟图像和高分辨多光谱图像分割结果进行了定性定量分析。实验结果表明: 模拟图像的总精度达96.8%以上。这验证了本文算法在分割高分辨率多光谱图像时具有保留细节信息的能力, 而且也证实了算法的有效性和可行性。该算法能够实现高分辨率多光谱图像的精确分割。