针对目前医学图像普遍存在病理区域尺寸分布较分散、细节特征不明显以及同类组织影像间的视觉差异较大等问题, 本文在CBMIR系统的基础上, 提出了一种融合多尺度特征及注意力机制的医学图像检索方法。该方法通过融合多尺度特征并设置可学习权重系数来自适应平衡浅层图像纹理特征和深层图像语义特征的关系, 提高网络对不同尺度上的病理特征提取能力。同时, 引入注意力模块, 对网络输出的特征图进行通道加权求和, 提高关键特征通道的特征表达能力, 使网络更能关注到图像中的具有辨识性的病理特征区域。最后, 在损失函数设计时, 使用多重损失进一步优化样本特征在特征空间的分布。最终在Mura数据集上的mAP@100、mAP@20两个指标上分别达到了0.95、0.98的检索精度, 基本符合实际场景对模型的检索精度要求。

传统的高光谱遥感影像分类算法侧重于光谱信息的应用。 随着高光谱遥感影像的空间分辨率的增加, 高光谱影像中相同类别的地物在空间分布上呈现聚类特性, 将空间特性有效地应用于高光谱遥感影像分类算法对分类精度的提升非常关键。 但是, 高光谱影像的高分辨率提供空间聚类特性的同时, 在不同地物边缘处表现出的差异性更加明显, 若不对空间邻域像素进行甄选, 直接将邻域光谱信息引入, 设计空谱联合稀疏表示进行图像分割, 则分类误差较大, 收敛速度大大降低。 将光谱角引入空谱联合稀疏表示图像分类理论中, 提出了一种基于邻域分割的空谱联合稀疏表示分类算法。 该算法利用光谱角计算相邻像素的空间相似度, 剥离相似度较低的邻域像素, 将相似度高的邻域像素定义为同类地物, 引入空谱联合稀疏表示模型中, 采用子联合空间追踪算子和联合正交匹配追踪算子对其优化求解, 以最小重构误差为准则进行分类。 选取AVIRIS及ROSIS典型光谱影像数据进行实验仿真, 从中可以看出, 随着光谱角分割阈值的提高, 复杂的高光谱影像分类精度和平滑区域的高光谱影像分类精度均逐步提高, 表明邻域分割在空谱联合稀疏表示分类中的必要性。

高光谱遥感影像不但具有高分辨率的空间信息还包含连续的光谱信息, 因此在目标探测领域具有独特的应用优势。 传统的高光谱遥感影像目标探测侧重于光谱信息的应用, 形成了确定性算法和统计学算法。 确定性算法通过计算目标光谱与待检测光谱之间的距离来查找目标, 不能检测亚像素目标, 而且容易受到噪声的影响; 统计学目标检测计算背景统计特性, 通过探测异常点来检测目标, 可以检测亚像素目标和小目标, 但容易受到目标尺寸的影响, 不能很好的检测大目标。 随着高光谱遥感影像的空间分辨率的增加, 探测目标已有亚像素目标逐步转换为单像素及多像素目标, 此时, 在高光谱图像中, 相同类别的地物在空间分布上呈现聚类特性, 因此, 在利用高光谱遥感影像进行目标探测时, 需要将其空间信息融入算法中。 将空间特征引入传统目标探测算法。 提出了一种新的空谱结合的高光谱目标探测算法, 将传统的基于统计的目标探测算子与空域邻域聚类算法相结合, 首先利用目标探测算子将影像划分为潜在目标区域与背景区域; 通过计算潜在目标区域的质心, 以质心为中心进行邻域聚类, 剔除潜在目标区域中的背景区域, 通过迭代计算获取最终目标探测结果。 传统的基于统计的目标探测算子, 将整个探测区域定义为背景区域, 实现对背景区域的统计特征提取, 而该方法将背景区域与潜在目标区域分离, 剔除了目标区域对背景区域的统计干扰。 将本算子与传统的约束能量最小化算子和自适应余弦探测算子进行分析比较可知, 该算子的大目标探测性能优于传统的统计算子。

高分辨率遥感影像中包含大量复杂的地物信息，直接通过分割提取道路的准确度往往较低，而且无法有效排除居民区等的干扰。提出一种结合视觉显著性分析的高分辨率遥感影像道路提取算法。 该算法通过自适应阈值分割得到包含居民区和道路的特征图,利用人类视觉系统进行显著性分析，得到居民区的显著图，通过对显著图的分割得到只包含居民区的特征图，对两张特征图进行异或运算，即可提取出道路。实验结果表明，所提出的算法能较为有效地除去居民区的干扰，完整地提取出道路，对今后遥感图像道路提取有一定理论与实践意义。

针对传统视觉注意模型在遥感影像视觉显著区域检测中存在的计算复杂度高、检测精度低等缺点，提出了一种新的视觉显著区域快速检测算法。首先利用整数小波变换降低遥感影像的空间分辨率，从而降低视觉注意焦点检测的计算复杂度；然后在视觉特征融合中引入二维离散矩变换，生成边缘与纹理信息更为丰富的遥感影像显著图；最后在显著图分析中提出区域增长策略来获得视觉显著区域的精确轮廓。实验结果表明，新算法不仅有效降低了遥感影像视觉显著区域检测的计算复杂度，而且能够精确描述视觉显著区域的轮廓信息，同时避免了对整幅遥感影像的分割与特征提取，为今后的遥感影像目标检测提供了一定地参考价值。