可调谐二极管激光吸收光谱层析成像（TDLAT）是一种重要的光学非侵入式燃烧检测技术。然而，TDLAT逆问题的欠定性本质使得现有迭代层析成像算法重建的燃烧场温度分布图像存在较大误差。针对该问题，笔者将图像处理领域的卡通-纹理模型引入TDLAT，提出了基于卡通-纹理模型的温度重建算法（TRACT）。该算法利用全变差约束下的Landweber算法重建气体吸收密度图像中的卡通成分，较好地恢复其中的平滑特征与边缘结构；构建改进的迭代收缩阈值算法深度展开网络，并用其重建气体吸收密度图像中的细节纹理成分；通过卡通成分重建与纹理成分重建的相互补充，提高气体吸收密度图像的整体重建质量，进而提高燃烧场温度分布图像的重建质量。利用火焰动力学模拟器生成的仿真数据与利用TDLAT实验系统实际测量数据进行的重建实验均表明，与现有的迭代层析成像算法相比，TRACT重建的燃烧场温度分布图像在客观评价指标与主观视觉质量方面均有较大提升。

为分析车床加工百微米级口径微柱透镜时遗留周期性刀纹产生的杂散光影响，构建了周期结构模型，分析了表面周期性纹理结构对衍射杂散光的影响。利用傅里叶光学理论建立了该结构的衍射理论模型，计算了在不同深度下的衍射光场强度分布规律，所获得的理论结果与商业光学软件VirtualLab的物理光学仿真和实验测试结果基本一致，实现了对理论模型的理论与实验验证，为进一步解决该类光学器件中周期性加工刀纹产生的衍射杂散光问题提供了理论依据，对微柱透镜的高精度加工具有指导意义。

小麦产量产前估测关乎农业生产计划制定、 粮食安全保障、 国家经济和宏观决策。 应用无人机能够无损、 快速准确、 及时高效地估测小麦产量, 通过多种机器学习方法充分挖掘无人机多源遥感数据对多个小麦品种进行籽粒产量估测的潜力, 明确多源数据融合对模型估测精度的提升效果, 对于作物田间管理保障小麦高产稳产具有重要意义。 以黄淮麦区140个主栽小麦品种为材料开展冬小麦田间试验, 采用搭载红绿蓝（RGB）和多光谱传感器的无人机平台对灌浆期的冠层信息进行采集, 分别以岭回归、 支持向量回归、 随机森林回归、 高斯过程、 k-最邻近算法和Cubist等六种机器学习算法建立单传感器数据以及多源数据融合的产量估测模型, 采用决定系数（R2）、 均方根误差（RMSE）和相对均方根误差（RRMSE）对估算模型进行评价。 结果表明, 所选取的10个可见光植被指数及13个多光谱被指数特征值均与实测产量呈极显著相关（p<0.01）, 各特征值产量相关系数绝对值由高到低依次为多光谱植被指数（0.54～0.83）、 可见光植被指数（0.45～0.61）、 纹理特征（<0.45）。 全部六种机器学习算法均在采用多源数据融合时产量估测模型精度最高, 多源数据融合产量估测精度（平均决定系数R2=0.50～0.71）>多光谱传感器产量估测精度（R2=0.53～0.69）>RGB传感器产量估测精度（R2=0.35～0.51）。 多源数据融合相对于RGB数据的R2提高0.17～0.23, 平均均方根误差（RMSE）降低0.06～0.09 t·hm-2; 相对于多光谱数据的R2提高0.01～0.06, RMSE降低0.01～0.03 t·hm-2。 Cubist算法与其他5种算法相比, 建立的多源数据融合模型产量估测精度最高, R2为0.71, RMSE为0.29 t·hm-2。 研究表明, 相对于单一传感器数据产量估测模型, 多源数据融合能够有效提升冬小麦品种产量的估测精度, 并且Cubist算法能相对更好地处理多模态融合数据提高产量预测精度, 为预测不同小麦品种的产量提供理论指导。

具有极高营养价值且被誉为东方“橄榄油”的油茶树是我国南方地区重要经济林， 我国是世界上油茶树分布最广的国家。 提取油茶种植分布和面积对林业部门开展油茶的宏观管理和生产指导具有重要意义。 以地处亚热带地物复杂且多山地丘陵的湖南省常宁市为研究区， 该区域分布有大量农田和森林， 且部分植被季节变化较大， 对油茶的遥感提取带来了很大挑战。 提出了基于春夏秋三期的GF-2号高分辨率卫星影像， 综合植被指数、 纹理特征、 PCA主成分3种特征， 以及春夏、 春秋、 夏秋、 春夏秋四种不同时序组合和随机森林（RF）算法共构建了17种分类场景（S1—S17）， 运用随机森林（RF）、 支持向量机（SVM）、 最大似然（MLC）三种不同分类算法开展油茶遥感提取实验， 筛选出最优特征组合、 最佳分类季节与最优时序组合、 最优分类方法。 结果表明: 仅基于光谱信息分类精度低， 纹理特征的加入可大幅提升精度， 而PCA对于精度的提升效果微弱; 通过比较不同季节单时期的分类结果发现油茶提取精度最高的季节为夏季， 夏季单时期影像在最优特征组合(S8)中油茶生产者精度（PA）为94.06%， 油茶用户精度（UA）为92.57%; 在分类场景S10—S17中实验发现， 采用时序信息要比单时期影像有明显的精度提升， 时序组合分类精度由高到低依次为: 春夏秋、 春夏、 春秋、 夏秋; 综合光谱、 纹理、 时序信息通过随机森林（RF）、 支持向量机（SVM）、 最大似然（MLC）进行油茶提取， 随机森林算法分类精度总体表现最好。 采用春夏秋多时相遥感植被指数、 纹理、 PCA的随机森林方法(S17)是分类精度最高的方案， 总体精度（OA）和Kappa系数分别为96.85%和0.961 0， 油茶生产者精度（PA）为98.31%， 油茶用户精度（UA）为94.33%; 采用春夏时相遥感植被指数、 纹理的随机森林方法（S10）为兼顾计算效率与精度的最优方案， 总体精度（OA）和Kappa系数分别为95.62%和0.9458， 油茶生产者精度（PA）为96.93%， 油茶用户精度（UA）为95.09%。 所提出的最佳油茶遥感提取方案能够为亚热带地区油茶及其他经济林的遥感监测提供参考。

针对传统带彩色恢复的多尺度 Retinex算法（ multi-scale Retinex with color restoration，MSRCR）存在的纹理信息被弱化，部分信息丢失，增强效果不佳等问题，提出一种基于纹理先验和颜色聚类的图像增强算法。首先，在图像增强之前，进行纹理先验信息提取，以便后续进一步处理。其次，针对于光照分布不均匀的情况，提出利用颜色聚类算法进行图像的分块增强。再者，在对数域映射中，在分块处理的基础上提出了基于均方值和均方差的映射方案。最后，在增强算法的评价部分，提出使用图像的信息熵以及自然统计特性来对增强图像做进一步的有效性评估。实验结果证明，所提方法的平均信息熵达到了 7.4934，平均自然统计特性达到 4.0903。算法有效地增强了图像的细节部分，图像更为自然，质量得到了进一步提升。

对于分布在曲面物体表面的纹理图案，为方便全面展示和后续使用，常需要将其从曲面表面提取出来并展平。因此，提出基于光场相机的曲面纹理展平方案，利用聚焦型光场相机获得高分辨曲面纹理图像和无需额外配准的深度图，并针对此方案设计曲面纹理展平算法。该算法将曲面纹理图像划分为多个有重叠的局部纹理图像，基于拟合平面法向量对局部纹理失真进行校正，最后将校正后的局部纹理图像拼接为完整的展平纹理图像。经仿真实验和真实实验验证，所提曲面纹理展平算法可以有效展平不同曲面上分布的多种纹理，并且在纹理图像质量差异和深度测量误差方面具备一定的鲁棒性。

针对现有单图像超分辨率方法在重建过程中容易忽略原图像中不同结构-纹理的差异与联系，导致生成的高分辨率图像缺乏纹理细节并存在伪影的问题，提出了纹理细节恢复的图像超分辨率重建算法。该方法由梯度分支、纹理分支和图像超分辨率分支组成。其中，在梯度分支和纹理分支之间使用了类注意力模块处理二者的特征混淆问题，并通过双向特征融合模块实现了对结构特征与纹理特征的相互促进，作为先验信息以达到纹理细节信息增强的目的。此外，在图像超分辨率分支还通过构建特征恢复模块，利用浅层和深层信息帮助网络保留了图像中更丰富的上下文信息和纹理细节。该方法通过在DIV2K数据集上进行了网络训练，并在5个基准测试集Set5、Set14、BSD100、Urban100和MANGA109上进行了实验，峰值信噪比（PSNR, Peak Signal to Noise Ratio）分别:37.88dB、33.28dB、32.0781dB、31.89dB、38.39dB，相比现有方法均有显著提升。实验结果表明，本文方法获得了有效的重建图像并且保留更多的图像细节，生成具有边缘清晰和逼真细节的超分辨率图像。