采集艾比湖湿地89个典型样点和土壤实测光谱数据,对所测土壤光谱进行一阶微分变换预处理,采用连续投影算法(SPA)、主成分分析(PCA)和稀疏自编码(SAE)对光谱数据进行特征提取,结合偏最小二乘回归与BP(Back Propagation)神经网络构建SOM估算模型。实验结果表明,SAE方法能够有效对光谱进行压缩;相比于PLSR模型,BP模型能够较好地处理光谱中复杂的非线性信息;SAE-BP方法在估算SOM中取得的精度最高。网络模型的建模方式能够显著提高VIS-NIR光谱反演土壤有机质模型的稳定性和精度,当面对光谱中复杂的非线性问题时,具有很强的解析力和较好的模型稳健性,为使用VIS-NIR数据估算SOM提供一种新思路。

针对传统跟踪算法在复杂场景下抗遮挡能力和鲁棒性差的问题,提出一种基于深度特征自适应融合的运动目标跟踪算法。考虑到深层特征强鲁棒性和浅层特征高精度的优点,首先利用稀疏自编码器构建深度稀疏特征以提取目标特征,再根据相邻帧之间的关联信息和跟踪置信度对深度特征和纹理信息进行自适应融合以提高跟踪器的性能。为了提高跟踪算法鲁棒性的同时抑制跟踪漂移,当置信度低于设定阈值时,引入改进SURF算法对目标进行定位。实验结果表明:与主流跟踪算法相比,所提算法的跟踪精度高,在遮挡场景中具有良好的鲁棒性,并且能够有效抑制跟踪漂移。

为了有效利用高光谱遥感图像中的波段信息，提高高光谱遥感图像分类的精确度，本文提出了基于栈式自编码神经网络（ Stacked Autoencoder，SA）对高光谱遥感图像进行分类。栈式自编码神经网络充分利用高光谱图像中的光谱信息，对其进行相应特征提取，避免了相邻信息间的相关性和信息的冗余，本方法采用无监督学习和监督学习相结合，既可以像传统方法那样进行降维，简化相关的计算复杂度，同时在分类精度上有很大地提高。

提出一种相位级次自编码技术的相位测量方法。与传统的相位测量技术不同，该方法利用截断相位的微分值作为编码通道，完成对各条纹级次的编码。构造的代码序列总长度为投影条纹的周期数，每个周期作为一个码元，由相邻若干码元构成一个代码子序列。相位计算后，根据截断相位的微分信息，可以提取出各周期及其码元值，通过在设计的代码序列中进行代码子序列匹配，即可确定各周期的序号，从而引导相位展开，获得绝对相位分布。采用希尔伯特变换对因编码引起的局部相位误差进行了有效修正。该方法通过将编码信息加载于截断相位分布中，在计算截断相位的同时获得相位级次信息，不需要投影额外的编码图像，测量速度快，尤其适用于孤立物体的三维面形测量。