针对无人机空地信道, 基于空间期望最大化算法(SAGE)对信道特征参数进行高精确度估计。在提取了多径时延、多径功率等空地信道小尺度衰落特征后, 利用均匀量化和非均匀量化方法, 对实测数据的主径功率、主径-多径功率差开展无线信道密钥量化。分别针对起飞和巡航场景分析了密钥的量化效率、随机性以及算法运行时间等指标, 并与基于大尺度特征的密钥量化结果进行比较。密钥量化效率结果表明: 基于非均匀量化优于均匀量化; 基于信道特征高精确度估计的量化方法优于传统基于大尺度特征的量化; 起飞场景下的量化优于巡航场景的量化。密钥随机性测试结果表明本次量化所获得的密钥都具有较好的随机性; 算法运行时间结果则表明不同量化方法的运行时间差异较小。因此基于高精确度提取的 2种量化方法复杂度较低。

非视域成像技术是一种新型光学成像技术, 主要是对拐角处的隐藏物体进行成像。针对目前成像设备复杂和需要场景扫描, 导致数据采集速度慢的问题, 提出采用纳秒激光和APD阵列探测器的透射式成像试验装置, 可以实现快速数据采集, 不需要进行场景扫描, 相比之前的系统大大缩短了数据采集时间。针对仅能在稀疏角度或有限角度下采集数据而导致图像重建结果差的问题, 提出使用最大似然期望最大化(maximize likelihood estimate maximization, MLEM)迭代算法进行隐藏物体三维图像重建。试验结果表明, MLEM迭代算法能够较好地重建隐藏物体的形状, 并有效抑制传统的反投影算法带来的伪影。对比反投影算法, 隐藏物体在深度位置150 cm处, 3次迭代(第3、6和10次)结果图的结构相似度(SSIM)值分别提高了0.232 1、0.387 8和0.438 9; 在深度位置190 cm处, 3次迭代(第3、6和10次)结果图的SSIM值分别提高了0.314 6、0.401 3和0.431 3。这表明MLEM算法对重建图像质量有较大提升。

采用代数迭代(ART)算法和最大似然期望最大化(MLEM)算法,利用开路傅里叶变换红外(OP-FTIR)光谱仪的测量结果,通过仿真模拟了高斯空间分布模型下的气体二维浓度场重建,并利用重建评价指标——逼近度和相关系数,分析了这两种重建算法的重建精度和抗噪性能。结果表明:在单峰气体浓度场中,ART与MLEM算法重建结果的逼近度分别为0.177和0.044;在双峰气体浓度场中,ART与MLEM算法重建结果的逼近度分别为0.263和0.069;MLEM算法更适用于重建复杂的气体浓度场。在不同噪声水平下,ART的抗噪性能优于MLEM算法,MLEM算法对噪声更敏感。

提出一种特征感知的三维点云简化方法。通过构造八叉树搜索每个点的k近邻点,并计算每个点的法向量,以此检测并保留边缘点;使用期望最大化算法对点云进行聚类,并确定高曲率的点;使用边缘感知的有向Hausdorff距离方法进行点云精简,合并前述点云并删除重复点,实现模型简化。该方法适用于不同曲率变化的模型,并且能够在保留尖锐特征的同时显示模型整体轮廓。实验结果表明,该方法不仅能够保留原始模型的几何特征和轮廓外貌,而且有效地避免了简化过程中的孔洞现象,几何简化误差较低。

针对大定时误差下串行级联脉冲位置调制(SCPPM)同步难的问题，提出一种基于期望最大化(EM)算法估计的SCPPM码辅助迭代定时同步方法。该方法首先由SCPPM译码输出软信息构造出评价函数，先进行大范围定时偏移的粗同步，之后再利用EM算法进行细同步，并且通过简化评价函数以及搜索方式降低同步算法的复杂度。仿真结果表明，该方法能够在大定时误差下有效地实现系统同步，与使用EM算法相比，其有效同步范围得到了大幅提高。

有序子集期望最大化(OSEM)迭代算法是近年来发展较快的一种迭代类算法。但该算法在迭代过程中容易产生条纹状伪影、金属伪影或者散射伪影。构造了平滑约束矩阵作为先验信息引入到重建迭代过程, 建立了一种平滑约束OSEM(SC-OSEM)迭代重建算法。分别将中值滤波、全变差最小(TVM)方法作为平滑约束条件, 通过数值模拟, 针对不完备理想投影数据、含金属不完备投影数据、含噪声不完备投影数据三种情况, 重建出了与原始模型一致性较好的计算机层析成像技术(CT)图像, 比单独OSEM迭代算法重建质量高, 并且发现中值滤波约束重建图像的整体噪声较小, TVM算法使金属边界更清晰, 表明SC-OSEM迭代重建算法是一种精度高、适应性较强的CT重建算法。

针对室外光照条件下阴影的快速高效检测问题，提出了基于正交分解的阴影检测算法。利用室外场景图像中阴影区域内外的线性模型建立线性方程组，对该线性方程组的解空间进行正交分解，得到一幅彩色光照不变图像和一幅光照变化图像。通过K-means算法将彩色光照不变图像分类为几个区域，每个区域具有一致的反照率。根据分类结果，对光照变化图像采用EM算法进行高斯混合建模，提取阴影区域。最后采用形态学算子对提取的阴影区域进行优化。该算法不需要复杂的特征算子学习过程，大大降低了计算的时间复杂度，而且不需要任何先验知识，可以直接应用到实时场景处理中。

考虑高斯混合模型(TMM)的点集非刚性配准算法易受异常点和重尾点的影响, 提出了基于t分布混合模型的运动一致性非刚性配准算法。通过期望最大化(EM)框架的完整数据定义将高斯混合模型推广为t分布混合模型, 使用EM算法最小化参数的条件期望获得非刚性配准参数的闭合解。在EM算法中计算浮动点集各个点的先验权重, 减小异常点和重尾点对配准结果的影响; 计算浮动点集各个点的自由度, 自适应地改变每个点的概率密度分布模型, 提高算法的鲁棒性, 并避免了异常点水平估计误差对配准结果的影响。在t分布混合模型的条件期望函数中加入点集位移的正则项, 使邻近点具有运动一致性(CPD)。仿真数据表明, 当噪声水平很高时, TMM-CPD仍可以精确配准点集, 且误差仅为对比算法的1/10。真实图像的近似椭圆状分布、管状分布和三维点云状分布的点集配准结果表明, TMM-CPD的配准误差仅为对比算法的42.0%、80.1%和77.5%。实验表明, TMM-CPD配准含有重尾点和异常点的点集, 具有精度高、鲁棒性好和受重尾点与异常点干扰小等优点。