滑坡实时自动识别技术研究对于保护人民生命财产和生态安全都具有极其重要的意义，可以解决现阶段缺乏对滑坡进行及时识别而导致滑坡风险的排查与防治时效性差的问题。考虑植被覆盖指数（NDVI）的变化可作为滑坡检测的重要依据之一，文章模型结合NDVI变化检测技术、自动阈值选取算法和形态学技术实现滑坡的实时、自动识别。与现阶段已有研究算法相比，增加了滑坡自动识别过程中一些重要参数（如：NDVI、山体阴影等）。自适应设置的自动阈值选取算法，减少了人工参与，在保证较高识别准确率的同时显著增强其时效性。文章基于两幅光学影像，以北京市门头沟区某块区域为研究区，对该地区2021年9月7日—2022年9月7日的滑坡进行实时、自动识别，以人工目视解译的结果作为正确标准，将文章的识别结果与其进行精度验证，滑坡检测率达到92.31%，证明了该方法用于检测滑坡的准确性和高效性。最后将该方法应用于都江堰市中部，进一步证明了该方法的有效性和泛化能力。

为了实现复杂环境下航空零件孔特征的高效高精度检测，提出了一种集成视觉显著性和群决策的检测方法。在经典FT显著性检测算法中引入图像增强步骤，并为每个像素赋予以最大显著区域中心为参考的权重，使用改进后的方法对图像进行孔区域分割。设计具有多尺度多结构元素的新型数学形态学边缘检测算法，结合轮廓细化算法对孔区域进行轮廓提取。最后，利用Meanshift算法寻找轮廓点的圆心位置，建立新的基于群决策的圆半径计算模型，获得孔特征的关键几何参数。结果表明：改进的视觉显著性特征检测算法能够生成更加突显孔特征的全分辨率显著图；新型数学形态学边缘检测算法能获得简化且可靠的轮廓点；该方法在不均匀光照、各类孔缺陷和孔内壁干扰等条件下均显示出较好的稳定性；即使在噪声密度高达30%时仍能成功完成孔检测，且圆心坐标和半径的误差均小于0.012 mm；平均检测时间仅为0.236 s。该方法能够在复杂环境下对航空零件孔特征进行准确、稳定的检测。

机载激光数据（Light Detection And Ranging，LiDAR）难以区分地面和草地范围，可见光植被指数无法分离灌木和乔木层，针对上述问题，构建一种融合LiDAR点云与RGB植被指数的多波段信息图像。以激光点云生成精细冠层高度模型（Canopy Height Model，CHM），利用无人机影像数据生成高清数字正射影像，在比较不同植被指数精度后选择差异增强植被指数（Differential Enhanced Vegetation Index，DEVI），与CHM进行融合。形态学重建CHM+DEVI融合图像，去除不合理值；构建训练样本，采用分类回归树算法，分割地面范围并自适应提取植被为乔木、灌木和草地，乔木区域采用局部最大值算法探测树顶点，作为前景标记，非乔木区域赋为后景标记，进行分水岭变换得到分割结果。将该方法提取的植被信息与实测数据进行精度分析，结果表明：改进方法在4个样方中，总体查全率提高3.2%，查准率提高3.9%，准确度F1得分提高3.5%，树高精度分别提高1.7%，6.4%，1.8%和0.3%。验证了改进方法的有效性，同时区域内植被混杂程度越高改进算法的提取效果越好。

为进一步完善量子计算机图像边缘检测算法，结合IBM Q平台上的量子计算操作，提出了量子图像二值形态学边缘检测算法。在NEQR量子二值图像表示和量子二值腐蚀和膨胀操作的基础上，设计并实现了相应的二值形态学去噪处理量子电路和边缘提取量子电路。通过Qiskit扩展在虚拟本地量子模拟器上实现了8×8和128×128大小的量子图像二值形态学边缘检测，同时在IBM Q平台的真实云端量子模拟器上实现了8×8大小的量子图像对比仿真实验，实验结果证明了量子图像二值形态学边缘检测算法的可行性与有效性。

为了剔除闪光式激光雷达白天工作时太阳光对目标的光污染，采用基于形态学开运算的强度图像预处理方法，对闪光式激光雷达在白天接收到的原始强度图像预处理，随后采用相邻帧差法对预处理后的强度图像进行三维重建，可以有效地将目标从太阳光污染中提取出来。为了验证该方法的可行性，用闪光式激光成像雷达在白天对距离500 m外的目标建筑物进行了成像实验，并与高斯滤波预处理、中值滤波预处理和阈值分割预处理进行对比，随后采用相邻帧差法并根据四种方法预处理后的强度图像来获取目标的距离信息。经过计算，形态学开运算预处理与高斯滤波预处理、中值滤波预处理和阈值分割预处理的结构相似度分别为0.78、0.83和0.85，他们之间的结构相似图分析结果充分说明采用形态学开运算的预处理方法在去除由太阳光引起的干扰的同时，可以完整获取目标的距离信息。