构建已知纯净物光谱数据库,计算待识别混合物光谱与数据库中各纯净物光谱的相似度,是利用拉曼光谱技术进行混合物成分分析的常用策略。受测量仪器性能及待测混合物所含成分相互干扰的影响,待识别混合物中所含物质成分的光谱与数据库中对应的纯净物光谱相比会有不同程度的失真,从而给基于纯净物光谱数据库的组分鉴别带来极大困难。针对这一问题,提出了一种使用已知混合物光谱数据来改善混合物成分识别精度的方法。首先利用纯净物拉曼光谱谱峰的位移和半峰全宽信息,将已知混合物的光谱谱峰与其所含有的具体物质对应;然后基于谱峰拉曼位移、半峰全宽和谱峰强度分别构建纯净物、已知混合物和待识别混合物的特征参数,并利用模糊隶属度函数计算待识别混合物光谱与纯净物光谱、已知混合物所含物质光谱的相似度;最终根据光谱相似度确定待识别混合物中含有的疑似组分。基于204种纯净物和8种已知混合物光谱数据库,对81种混合物进行了识别,结果表明:所提方法可降低由光谱失真导致的相似度计算误差,提高识别准确率;相比于纯净物数据库搜索策略,本文方法的识别精度由76.34%提高到了92.83%。

自动检测和跟踪红外图像中的弱小目标在现代预警和探测系统中非常重要。针对现有的检测方法因受到复杂云层和地面自然背景的干扰, 导致系统虚警率较高和探测概率较低的问题, 提出了一种基于多尺度广义模糊算子的红外图像复杂背景抑制方法。首先利用非下采样轮廓波变换方法将图像进行分解, 获取不同尺度和方向的包含小目标和背景杂波的子带图像。然后, 通过应用模糊非线性背景抑制算子将红外图像中小目标和背景杂波系数差值拉大, 同时将相关性较强的杂波系数做平滑处理以达到抑制背景和增强小目标的目的。多组包含真实和模拟图像序列的实验表明所提方法优于其他方法, 特别是对于包含云层和地面复杂背景的红外图像。

为了综合利用红外和可见光云图的天气信息，本文提出一种基于非下采样shearlet(NSST)与自适应脉冲耦合神经网络(PCNN)相结合的红外和可见光卫星云图融合方法。首先利用NSST 对红外和可见光卫星云图进行多尺度、多方向分解，然后对分解得到的低频子带系数采用基于局部区域方差和局部区域能量的自适应加权方法进行融合，高频子带系数采用改进的自适应PCNN 进行融合，其中脉冲耦合神经网络的连接强度依据高频系数区域特征的不同重要性，通过一个S 型模糊隶属度函数自适应确定。最后对融合完成的低频和高频分量进行NSST 逆变换得到最终的融合云图。实验结果表明，基于本文提出方法的融合图像无论是从主观视觉效果，还是客观评价指标都要优于文中对比的典型融合方法，能为后续的天气分析和处理提供具有更加丰富的气象资料。

针对传统的图像模糊增强算法增强强度小、处理灰度层次变化丰富的图像效果不佳以及控制参量难以设置等问题,提出了一种新的图像模糊增强算法.首先对局部窗口中像素点进行基于邻域一致性模糊熵测度的分类,并以分类为依据,对每个像素点均确定一最佳渡越点.对模糊隶属度函数也进行了研究改进,设计的函数具有良好的曲线形状,并通过调整控制参量,使渡越点的位置和函数曲线进行最佳的结合,能通过少量的迭代次数获得较好的增强效果.在模糊逆映射上,采用线性逆变换函数,保持了模糊映射所带来的增强效果,并消除了由于截断带来的灰度信息的损失,在运算效率上也得到了提高.新算法对灰度变化丰富的路面图像的增强取得了良好的效果,并且控制参量均为自适应计算,不需进行人为干预,具有很好的通用性.