自适应光学(AO)系统为大气湍流提供实时补偿,但AO图像的对比度通常很差, 这会导致图像质量下降。本文提出了一种基于点扩散函数(PSF)重构和改进的最大后验概率(MAP)估计的自适应光学图像恢复方法。首先, 结合观测条件和AO系统的特点, 建立基于波前相位信息的PSF重构模型; 其次, 基于本文提出的算法, 建立了AO图像的迭代求解公式, 实现多帧AO图像联合去卷积过程。为了验证本文算法的有效性, 对仿真的退化AO图像进行了一系列复原实验。实验结果表明,以“Man”图像为例, 与Wiener-IBD、RL-IBD及FS-MLJD算法相比, 该算法的峰值信噪比(PSNR)测度分别提高了683%, 4.47%和2.28%, 拉普拉斯梯度模(LS)值分别提高了22.2%, 17.9%和12.1%。本文的研究结果对实际的AO图像恢复具有一定的应用价值。

分析了高分辨率SAR图像中海洋背景和舰船目标的特点，针对高分辨率SAR图像提出了一种两阶段舰船目标快速检测算法：第一阶段采用改进的频谱残差视觉显著计算模型快速获取视觉的感兴趣区域；第二阶段检测阶段，结合贝叶斯理论二元假设检验的思想，设计了一个局部最大后验概率分类器进行像素分类，经参数估计、判决准则完成显著区域内像素二分类以实现目标检测。实验采用典型的高分辨率SAR卫星Terra-SAR-X卫星数据进行仿真实验，结果表明所提算法具有良好的检测性能，也更加符合实际高分辨率图像舰船目标检测的应用需求。通过进一步实验与以往检测算法的对比得出结论，高分辨率SAR图像舰船目标检测方法在能够改善由斑点噪声和不均匀的海杂波背景对检测结果带来虚警的同时，检测速度也提高了25%~50%。

针对当前动作识别技术中通常忽略上下文信息, 且其局部形状描述对噪声敏感, 难以有效处理运动模式的类内变化等不足, 提出一种3D运动轨迹解析耦合隐马尔可夫模型的动作识别算法。定义四种轨迹基元(直线、平面圆弧、左螺旋线与右螺旋线), 采用基于Kalman 的线性平滑器来降低干扰信息与异常值, 将3D轨迹分解和解析成不同的轨迹基元, 充分减少干扰信息对轨迹数据的影响, 同时保持形状和运动特性。为了避免丢失详细的局部形状信息, 设计一种形状描述符, 将轨迹基元进一步分割成子基元, 将每个运动轨迹表示为子基元的时间序列。引入隐马尔可夫模型, 根据运动数据的先验知识来模拟运动分类, 基于最大后验概率准则来进行运动识别。实验结果表明: 与当前流行的动作识别算法比较, 所提算法能有效识别各种动作类别, 对尺度变化, 以及局部噪声和局部遮挡具有更高的识别精度。

遥感根本目的就是获得清晰的高空间分辨率的图像，从而可以进一步地分析处理。为了在遥感测量中获得更高空间分辨率、更高信噪比、更清晰的图像，本文对图像处理领域超分辨算法进行了研究。建立了一套拟合模拟现实的成像系统模型，在这种模型的基础之上，利用最大后验概率系统理论，讨论了现实情况中的运动模糊，噪声等情况，改进了MAP超分辨算法。实验结果表明：使用本文改进的基于MAP理论的Markov随机场约束的多帧超分辨重建算法，可以较好提高超分辨效果，与三次立方插值方法相比，PSNR至少提高约5.1 dB左右，与未改进的MAP方法相比，PSNR提高约0.2 dB左右。本文提出了动态的先验约束方法，给约束函数添加与迭代次数相关的约束项，该改进创新可以加快收敛并且更加逼近真实图像，实验表明该方法收敛速度更快，约束效果良好，更适合实际应用。

如何提高人脸图像的分辨率是计算机视觉中的经典问题。在视频监控中,由于目标人物距离摄像头较远,得到的往往是低分辨率的人脸图像。针对此问题,提出一种结合主成分分析(PCA)和最大后验概率(MAP)的人脸超分辨复原算法。利用PCA模型获得高分辨率人脸库的特征;通过MAP计算输入的低分辨率人脸图像在这些特征上的表示系数,并重建出其对应的高分辨率特征;对重建的特征进行约束增强;结合高分辨率人脸库的平均向量得到最终超分辨率复原的图像。为了验证本文算法的有效性,将AR人脸库中图片分别用本文算法与其他算法放大4倍,结果显示无论是在视觉效果还是在评价指标方面,本文算法都优于其他方法。本文算法不仅提高了人脸图像的分辨率,还更好地保持了图像的边缘信息。

针对LiDAR点云数据目标投影几何的非规则性, 提出非规则标识点过程的LiDAR点云数据目标提取方法。首先, 在投影平面上定义随机点过程, 利用其随机点定位该平面上的目标投影, 对每一随机点生成一组节点集以建模该目标投影几何, 作为目标标识; 假设地物目标高程值服从独立同一高斯分布, 从而得到LiDAR点云数据高程测度模型; 在贝叶斯理论架构下建立目标几何提取模型, 并结合可逆跳变马尔可夫链蒙特卡罗(Reversible Jump Markov Chain Monte Carlo, RJMCMC)算法模拟后验分布以及估计各参数; 最后根据最大后验概率准则, 求解最优目标提取模型。采用提出方法对LiDAR点云数据进行目标提取, 根据实验结果可以看出, 算法得到的检测精度均达到80%以上, 最高精度为9943%, 得到了较好的检测结果。本文将传统的规则标识点过程拓展到非规则标识点过程, 可以有效拟合任意形状目标几何。定性和定量的实验结果表明了该方法的可行性、有效性和准确性。

基于正态逆高斯模型和快速双边滤波，本文在四元数小波变换域提出一种新的图像去噪算法。首先将噪声图像进行四元数小波变换分解，其次应用快速双边滤波算法处理低频子带，高频子带采用正态逆高斯模型对其进行建模，并结合最大后验概率估计准则推导出相应的阈值函数，最后结合最优线性插值得到的阈值算法实现图像去噪。对提出的算法进行实验仿真，通过与已有优秀去噪算法比较，结果显示本文方法取得了不错的视觉效果，且在峰值信噪比和平均结构相似性上都得到一定的提高。

综合分析了常见的基于图像的三维重构方法的优缺点，提出了一种基于单张图像，采用马尔科夫随机场(MRF)推断3D位置和方向的3D重构方法。该算法首先将图片分割成多个小的区域(超像素块)，并假定空间场景由许多很小的平面组成，超像素块与平面相互对应，对图像中每个超像素块求取出一组特征向量(纹理、颜色等)，使用MRF模型化平面参数之间、超像素特征向量与平面参数之间的关系，采用监督学习的方式求取相关参数，求解MRF模型，并根据平面参数进行场景重建。这种算法不需对场景结构做明确的假定，因此较之以前的方法可以获得更多3D结构细节信息。用该方法对200张图片样本进行验算，样本中有60%实现了较为准确的3D重构。

图像采集系统在获取图像时，受到各种干扰，使图像变模糊并含有噪声。为此，提出了一种基于清晰图像先验知识的图像盲复原算法。首先通过统计分析大量的清晰图像梯度域的概率分布特性，将图像划分为具有较多复杂纹理的区域和平坦区域，拟合概率分布函数，得到清晰图像的先验知识，并加入图像局部约束条件，即复原图像平坦区域与退化图像的平坦区域的概率分布变化较小，避免产生振铃现象。然后，建立图像噪声模型，将图像噪声划分为高斯噪声和均匀分布噪声，防止退化图像中的灰度过饱和像素点在复原过程中产生异常值。最后，利用最大后验概率模型，构造代价函数，将图像盲复原问题转变为求代价函数最小化问题，并用最大期望算法和快速迭代收缩算法求解代价函数，恢复出清晰图像。实验结果表明，该算法能有效恢复图像细节,锐化图像边缘，抑制噪声，避免产生振铃效应。