为去除图像中与直线检测无关的边缘点，获取完整的直线边缘，准确提取直线段特征，提出一种方向预测搜索与边缘曲率约束的直线段提取方法。利用双阈值方法检测目标边缘点以跟踪边缘轮廓;利用最近跟踪产生的边缘点中含有的方向信息预测下一边缘点的搜索方向，在边缘断裂处采用深度优先搜索方式在预测方向上跨越断裂点继续搜索边缘点，有效避免分岔路径错误选择，保证获得更加完整的边缘轮廓；利用边缘曲率约束和长度约束在边缘轮廓中提取直线段边缘点；利用直线段边缘点拟合直线，并从全局角度合并离散直线段得到最终的直线段。实验结果表明，该方法能有效处理边缘的断裂和分叉，准确提取出更完整的直线段和端点信息，并且具有较快的运算速度，性能优于现有的典型直线段提取方法。

提取建筑物轮廓线是机载激光雷达(LiDAR)点云数据特征提取的热点。为了获得较高精度的建筑物轮廓线,提出了一种基于方向预测规则化算法的机载激光雷达建筑物正交轮廓线提取方法。首先利用α-shape算法提取轮廓点,然后利用改进的Douglas_Peucker算法提取关键点并提出角度检验规则筛选关键点,使用随机抽样一致性算法简化轮廓线,最终用提出的方向预测算法进行轮廓线规则化。通过Vaihingen城区数据对算法进行验证,结果表明:与流行的分类强制正交算法相比,方向预测规则化算法最大偏差平均减小了43.1%,均方根误差平均降低了39.7%,建筑物占地面积相对误差平均降低了7.02%,点云贡献率平均提高了9.32%,有效减小了机载激光雷达点云建筑物正交轮廓线规则化误差。

鉴于传统的跟踪学习检测(TLD)算法存在稳健性差、跟踪成功率低以及运算效率低等问题,提出一种结合二进制稳健不变可扩展关键点(BRISK)特征点与区域预估的TLD跟踪算法。在跟踪器中引入BRISK特征点,将其与传统的用于跟踪的普通像素点相结合,共同用于目标跟踪,由于BRISK特征点提取较快,从而使得跟踪器部分的总体运算时间降低;在检测器部分采用了卡尔曼滤波器与马尔可夫模型方向预测器相结合的方式,该方式使得最终送入到检测器的子图像块数量大幅缩减,且对相似目标的辨别能力增强,进而提升了检测器的速度和精度。实验结果表明,相比于传统TLD算法,所提TLD算法的跟踪精度提高约64.4%,运行速度提升约39.6%,并具有更好的稳健性。

传统提升小波变换无法有效重构遥感图像中的非水平与非垂直高频信息，导致这些地方的高频小波系数仍然较为显著，降低了遥感图像的编码效率。提出了一种新的基于方向优化的提升小波框架（DOLW）。设计基于梯度的方向预测模型获得提升小波的最优变换方向；沿最优变换方向对图像进行先垂直后水平的方向提升变换，削弱遥感图像高频子带中非水平与非垂直方向上的边缘与纹理能量；利用抽样函数完成分数像素上的插值预测。针对遥感图像的实验表明，与传统的提升小波变换相比，新算法获得的重构图像无论峰值信噪比还是主观质量都有显著提高，对今后遥感图像的压缩编码研究具有重要价值。

针对传统的自适应方向提升小波变换(ADL-DWT)算法在高分辨率遥感影像压缩中计算复杂度过高的问题, 提出一种新的基于方向预测的提升小波变换(DP-LWT)算法, 实现了高分辨率遥感影像的快速、高效压缩。新算法首先将高分辨率遥感影像分为若干不重叠子块, 然后采用梯度算子快速预测遥感影像中每个图像块的最佳提升方向, 并沿着最佳预测方向插值完成方向提升小波变换, 最后进行多级树集合分裂(SPIHT)编码。实验结果表明, 新算法有效削弱了遥感影像各子带中非水平与非垂直方向的高频系数; 与传统自适应方向提升小波变换相比, 在重建高分辨率遥感影像峰值信噪比基本相同的情况下, 有效减少了小波变换中方向预测的计算复杂度。