光学遥感图像海面舰船目标检测易受云雾、海岛、海杂波、阴影等多种复杂因素的干扰。同时, 由于卫星遥感图像的幅宽较大, 若需要满足实时检测和硬件移植的需求, 还要考虑算法的计算量和可移植性。鉴于实际工程的需要, 本文提出了一种基于视觉显著性适用于复杂背景下的自适应舰船目标快速定位与检测方法。本算法首先基于图像梯度自适应获取全局最优尺度, 通过谱残差显著性模型获得全局显著性区域。对于显著区域局部存在全局阈值分割效果不佳的区域(称为复杂区域), 本文通过设计轮廓等形状特征来筛选出局部复杂区域, 并对其进一步计算显著图, 之后将处理结果与原显著图进行融合, 获取最终的疑似区域提取结果。最后使用支持向量机对候选区域进行进一步判别。结果表明, 本文算法可以有效检测出复杂背景下不同尺寸和方向的舰船目标区域, 算法检测正确率为91.4％, 召回率为91.2％, 优于大多数同类算法, 接近深度学习算法精度。同时在算法体量上, 本文算法的计算量和参数量远远低于大多数深度学习框架, 更适合硬件移植, 同时算法的迁移性更强, 易于修改和维护。

基于相位的立体匹配是双目投影光栅相位法中的重要步骤，但传统的相位匹配方法在处理高分辨率图像时因存储空间大大增加，难以达到匹配速度与精度的平衡。文章提出了一种基于多尺度分析的快速相位立体匹配算法，采用分层匹配的策略，对预处理后的左右绝对相位图进行降采样以生成图像金字塔，利用低分辨率的视差匹配结果以预测下一层视差，以此降低下层高分辨率图像的视差搜索范围，达到匹配速度与精度的平衡。实验结果表明，所提算法在保证精度的情况下能有效提升相位立体匹配速度，实现高分辨率相位图快速准确的立体匹配。

芝麻油营养丰富, 因市场价格较高, 掺假现象频出, 严重损害了消费者利益和市场的健康发展。 因此, 研发一种简单快速准确鉴别掺伪芝麻油的方法, 对保障消费者权益和市场健康具有重要意义。 为此, 提出了一种小波矩结合三维荧光光谱掺伪芝麻油鉴别方法。 该方法简单快速, 计算样本的任一有效特征进行谱系聚类, 即可准确鉴别掺伪芝麻油。 以43个样本(芝麻油16个, 掺伪菜籽油、 掺伪大豆油及掺伪玉米油各9个)为研究对象, 用FS920荧光光谱仪获得样本的三维荧光光谱。 用db2小波将光谱进行多尺度分解(MRSD), 用MRSD的一阶离散逼近系数构造小波矩。 用前两阶小波矩值W0,0, W1,0, W1,1, W0,1, W2,0, W2,1, W2,2, W1,2, W0,2分别作为特征对样本进行谱系聚类, 观察分析聚类结果。 结合邓恩分类指数(DVI)进一步分析, 研究同阶小波矩分类效果及规律。 进而研究各阶小波矩的分类效果及规律。 最终确定了用于鉴别掺伪芝麻油的最佳小波矩值。 结果表明: MRSD一阶逼近重构光谱可以在保留原光谱的有效特征基础上, 大量去除噪声, 减少光谱数据量72.4%, 增强模型的抗噪稳定性和实时性。 利用小波矩前两阶矩值W2,1, W2,2, W1,2, W0,2其一作为分类特征进行谱系聚类, 即可鉴别掺伪芝麻油。 同阶小波矩(Wp,q)随p值减小q值增大呈现规律性, 确定了同阶小波矩的有效矩值及最佳有效矩值。 小波矩随着阶数的增加DVI先增后减, 最后趋于稳定, 确定了各阶小波矩中可用于鉴别掺伪芝麻油的目标矩值W0,q≥2及最佳目标矩值W0,6。 小波矩的有效及目标矩值是针对样本分类的有效特征, 计算样本的任一有效特征进行谱系聚类, 即可实现掺伪芝麻油的鉴别。 该研究思路及结论为矩值法应用到三维荧光光谱提供参考。 该方法简单快速, 可实现在线测量, 为质监部门及生产企业提供油品检测和鉴定手段。

针对含有文本、图像、表格和公式等复杂扫描电子文档的倾斜校正问题,提出了一种基于Shearlet(剪切波)变换与多尺度分析的复杂文档图像倾斜检测方法,利用剪切波变换的局部性和方向性,可以得到各个方向的能量值,能量最高的两个分量分别对应于横画与竖画的方向,根据这两个方向可以较准确地检测出扫描文档图像中文字行的方向并进一步确定扫描文档图像的倾斜角度。实验结果表明,该方法可以避免扫描文档中图像、表格等的干扰,具有较好的抗噪声能力,对于具有复杂内容的文档图像有较高的检测准确率。

为了有效地去除高分辨卫星图像中薄云的影响,提出了一种基于Mallat小波变换的薄云去除方法。对图像进行Mallat小波分解得到高频细 节部分和低频近似部分,根据云噪声在分解系数中处于低频部分而地物信息占据相对高频部分的特点,在小波变换多尺度分析的基础上, 算法在最大尺度低频图像上按照云厚度掩膜值对云区进行线性处理；对于高频子带图像根据尺度的不同运用非线性增强算子进行 不同程度的增强,从而提高图像的清晰度,减小残留云的影响,之后将重构后的图像进行中值滤波以减少高频云的影响。 针对高分一号卫星图像进行了实验。实验证明,该方法在去除薄云的同时很好地保留了图像细节及边缘信息,去薄云效果优于传统小波变换法。

根据高分辨力合成孔径雷达 (SAR)图像中建筑物的特性, 提出了一种基于多尺度信息融合的建筑物提取方法。以非下采样轮廓波变换 (NSCT)为多尺度分析框架, 通过融合基于 NSCT低频子带的多尺度区域分析结果提取潜在建筑物区域; 同时, 融合基于 NSCT高频信息的边缘检测结果与均值比算子结果提取边缘结构信息; 在此基础上, 结合区域与边缘结构信息对虚警进行滤除, 对漏检建筑物进行补充, 完成建筑物提取。实验结果显示: 该方法优于基于多特征融合的建筑物检测算法, 在实验所用图像上的平均查全率达到 94%, 表明文中方法的有效性。

纹理特征作为图像的一个重要特征，在国画分类识别中的地位十分重要，但现有的纹理提取算法大多基于灰度信息而忽略了颜色信息。针对国画分类识别中纹理提取算法存在的问题, 本文提出了一种多尺度、多色域的纹理特征提取算法，该算法结合了轮廓波变换和灰度共生矩阵的优点。为了对国画进行特征提取，该算法首先将国画图像转变到HSI色彩空间。然后，提取色调、饱和度、强度这三个色彩分量进行分区域操作，即提取每一个色彩分量的纹理特征。最后，将提取的3个特征向量融合并进行主成分分析降维。实验证明，与灰度共生矩阵相比，本文算法在国画分类识别方面查准率提高了7.5%，查全率提高了8.7%。实验表明多尺度灰度共生矩阵算法优于传统的灰度共生矩阵算法。

为了能在强噪声条件下实现对弱目标的亚像素定位, 提出了一种基于改进小波变换和Zernike矩的亚像素边缘检测算法, 该方法首先结合小波变换和小波模极大值原理, 将边缘点由粗到细地搜索出来, 实现边缘的准确、有效定位, 然后再用改进后的Zernike矩算子对图像进行亚像素边缘提取。对工程应用中带有噪声图像的处理结果表明, 该方法抗噪能力比较强, 且定位精度比较高, 在提取效果上明显优于经典边缘检测算法, 是一种稳定可靠的图像边缘检测算法。

针对复杂背景下红外弱小目标检测效果不佳的问题, 结合多尺度分析法和各向异性扩散方程, 利用图像尺度和方向信息, 提出一种新的红外弱小目标检测算法.首先, 采用Surfacelet变换对图像进行多尺度、多方向分解, 得到不同尺度下高频子带系数和低频子带系数；其次根据不同频带的特点, 分别采用改进的各向异性扩散方程差分滤波和局部去均值滤波对高频子带系数和低频子带系数进行处理；最后, 采用逆Surfacelet变换重构处理后的子带系数, 并采用自适应阈值分割对重构的图像进行分割, 以实现目标检测.采用多组红外图像进行试验, 并与小波滤波以及各向异性扩散滤波进行比较, 实验结果显示, 该算法能有效抑制背景及其边缘, 可以获得比另外两种算法更好的红外弱小目标检测效果.

如何在确保边缘精确定位的同时, 最大程度地抑制噪声以及图像灰度不均匀所产生的伪边缘点, 是当前边缘检测所面临的难题。针对此问题, 提出了多尺度张量的边缘检测算法, 这种算法可以在不同尺度下获取更丰富的局部结构信息。选取适当的阈值, 滤除噪声点和伪边缘, 从而得到细节丰富的边缘。实验证明该方法得到的边缘细节丰富, 且抗噪声性能较好。