图像中的目标通常具有复杂的形状和尺寸,现有方法难以充分挖掘地物的显著性空间信息。基于此,提出一种基于显著性测度的形态学显著性剖面。首先,根据图像区域内部灰度和轮廓信息计算显著性测度,用于描述目标在场景中的重要程度,然后提取具有显著性测度局部极大值的重要区域,并通过多层级特征描述其空间信息。形态学显著性剖面的构造首先利用基于显著性测度的属性滤波滤除图像的冗余细节,并保留图像的显著结构;再根据图像中显著的组织结构生成层次化的空间特征。实验采用了两组高光谱数据集进行验证,实验结果表明所提算法的分类效果优于其他形态学特征提取算法。

提出了一种地面LiDAR点云强度分类的新方法, 即利用点云的色彩信息, 对强度分类进行约束。与现有的单一利用强度分类方法比较, 该方法利用颜色对强度进行补充, 建立了对激光强度纠正结果的容错机制, 改善了强度纠正模型无法得到最优纠正结果而导致的分类效果不佳的问题。采用Faro Focus 3D 120地面扫描仪采集的强度和颜色数据进行实验, 结果表明该方法可以提高基于激光强度的三维点云分类精度, 在激光强度纠正结果不理想的情况下, 也可得到可信度较高的分类结果。

评估每个粒子的重要性是确保粒子滤波法跟踪目标准确性的重要因素。针对背景杂波和噪声干扰形成的大量虚警导致小弱目标跟踪识别的随机性和不确定性问题,提出了一种基于粒子区别性稀疏表征的小弱目标跟踪方法。该方法根据红外图像信号自适应构建分类超完备字典,即反映目标信号特征的目标字典和表示背景杂波的背景字典,有利于突出目标粒子和背景粒子在联合分类字典的稀疏表征差异程度; 建立基于目标粒子和背景粒子稀疏重构残差差异性的粒子滤波观测模型,采用随机估计法对字典子空间进行在线更新,实现对目标状态估计与跟踪。理论分析和试验结果表明,该方法增强了随机粒子的状态估计能力,提升了粒子稀疏表征对小弱运动目标的适应能力和跟踪识别准确度。

针对现有车牌识别方法中车牌二值化和车牌字符识别效率不高的问题，提出一种基于分形维数和隐马尔科夫特征的车牌识别算法。该方法基于分形维数和隐马尔科夫特征并利用联合OC_SVM和MC_SVM的方法进行车牌识别。实验中，基于分形维数进行车牌的二值化处理；利用隐马尔科夫特征办法进行字符特征提取，然后利用多重分类器进行字符识别。对字符、英文字母和阿拉伯数字分别进行了800幅、800幅和1600幅图像的识别，得到的结果显示该算法对字符、英文字母和阿拉伯数字的识别率分别为98%、98.5%和98.9%,对各种不同的车牌整体识别的平均识别率高于90.60%。该方法识别效率高、鲁棒性强，为车牌识别的准确性提供了保证。

传统分类后比较法(post-classification comparison,PCC)存在分类累积误差问题,且对单幅图像分类精度要求较高,对此,根据不同时相图像的不变信息所具有的相关性,提出了一种基于两时相图像联合分类的SAR图像变化检测方法.该方法以灰度值作为输入信息,通过相似度计算可得两时相图像对应位置像素的灰度相似度,然后求解全局相似度阈值,并用于控制基于K-均值的联合分类器对两时相图像进行联合分类,最后通过类别比较获得变化检测结果.实验结果表明本文方法不但可提高单幅图像的分类精度,而且能够精确地把不同时相图像的不变地物信息划分为同一类别,减少了分类累积误差的影响,提高了变化检测性能.