目前利用无人机获取光伏组件红外影像数据越来越多地应用于光伏组件故障检测中。但光伏组件红外影像数据各类别样本相似度较高，现有深度学习模型的光伏组件红外影像特征提取能力较低，导致光伏组件多故障类型分类精度偏低。针对以上问题，基于ResNet（residual network）模型构建ResPNet（residual photovoltaic network）模型进行光伏组件红外影像故障检测。ResPNet模型在ResNet模型基础上，加入了底层特征信息增强模块、多尺度特征信息增强模块、全局特征信息增强模块，用于提升模型的光伏组件红外影像特征提取能力。在公开的光伏组件红外影像数据集Infrared Solar Modules上进行实验，ResPNet模型的12类光伏组件红外影像分类精度达到84.6%，不但优于ResNet-50模型，而且优于其他的光伏组件红外影像分类模型。通过级联多个ResPNet模型，取得了该数据集目前已知最高的12类光伏组件红外影像分类检测精度（85.9%）。

地表温度(Land surface temperature, LST)是地-气相互作用和能量交换的重要参数之一.为了获取高空间分辨率地表温度数据, 研究改进了一种热红外遥感数据降尺度方法, 并以上海市Landsat8 OLI/TIRS影像为数据源进行了实验验证, 归一化植被指数(Normalized Difference Vegetation Index,NDVI)被分解为低频层、边缘层和细节层, 其中边缘层和细节层按比例增加到热红外数据中.并与经典的热红外降尺度方法DisTrad算法和TsHARP算法作为对比, 将模拟的地表温度(270 m)作为降尺度数据源实现LST降尺度(90 m).实验结果表明, 三种降尺度方法都保留原有的地表温度的空间特征, 但DisTrad算法和TsHARP算法增加了真实数据中并不存在的温度差异; 改进的三层分解模型地表温度的均方根误差为0.913 K, 与DisTrad方法和TsHARP算法相比精度分别提高了0.937 K和0832 K.

为了分析大视场高空间分辨率红外多光谱扫描仪系统误差的影响, 为检校方案的确定提供依据, 通过利用严格成像模型对机载摆扫红外扫描仪进行成像仿真分析。针对红外扫描仪摆扫系统中相机投影中心与稳定平台回转中心不重合的设计特点, 重点研究相机安置误差与POS系统安置误差的相关关系。仿真实验表明: 相机安置误差与POS系统安置误差对定位精度影响规律基本一致, 两者存在较强相关性但随着摆扫角度增大而减小; 在摆扫幅度小于20 °时, 相机安置误差可合并到POS系统安置误差。该结论可为后期的检校方案设计提供参考。

热红外影像特殊的成像机理和特点, 使影像中存在大量的噪声导致边缘信息模糊难提取。基于传统 Sobel算子提出了一种新的边缘检测方法。首先利用数学形态学中的不同尺度、不同结构元素对具有随机噪声的热红外影像进行形态学去噪, 再用 Otsu算法对去滤波后的影像进行全局阈值分割, 最后利用 Sobel算子对其进行边缘提取。基于 MATLAB仿真实验, 结果表明: 与传统的 Sobel算子相比, 该方法不仅有较强的抗噪性, 而且检测出的边缘外部轮廓与内部细节特征表达较好, 边缘具有连续一致性, 是一种简单、快速的边缘检测新方法。

在利用单幅影像的明暗恢复形状(Shape From Shading, SFS)三维重构算法的基础上, 提出同时考虑外界辐射源和目标自身红外辐射的IR-SFS(infrared-SFS)算法。首先通过分析SFS算法原理和空间目标的红外成像特性, 建立IR-SFS辐射方程并进行了仿真研究, 然后利用温度场估计获得红外差值图, 在人工合成的理想半球体、半圆柱体卫星红外影像上进行算法测试, 并以美国STS107真实红外影像作为实验目标进行三维重建。实验结果表明, 所提出IR-SFS算法经过参数优化后, 与原SFS算法相比, 重建模型的峰值信噪比更高, 对STS107顶部舱门、尾翼、机舱、机舱内方形部件具有更佳显示度, 整体效果得到明显改善。

由于红外热像仪采集的热红外影像存在大量的噪声、边缘信息模糊难提取, 因此, 提出了一种基于 Laplace算子和灰色关联度相结合的边缘检测方法。该方法首先引进数学形态学对含有噪声的热红外影像进行形态学滤波, 然后利用 8邻域的 Laplace算子作为参考序列, 计算参考序列与系统序列之间的关联度得出关联度矩阵, 再给定阈值判断是否为边缘点, 最后细化影像。基于 MATLAB进行仿真实验, 结果表明: 该算法对具有噪声的热红外影像具有较好的抗噪效果, 能检测出传统方法不能提取的边缘细节信息, 通过调整阈值可以控制检测的边缘信息量, 是一种较好的边缘检测方法。