针对红外图像增强过程中容易饱和、细节丢失等问题, 提出一种参数自设定的双直方图均衡化方法。根据灰度级累积概率密度黄金比例值将原始图像划分为两个独立的子图像。结合原始图像曝光度和子图像灰度级区间信息, 对每个子图像的直方图进行多尺度自适应加权校正。基于校正后的直方图, 对每个子图像分别作均衡化映射变换, 最后合并子图像获得增强图像。在红外图像公开数据集 INFRARED100上进行的测试显示, 与亮度保持双直方图均衡化(Brightness Preserving Bi-Histogram Equalization, BBHE)、带平台限制的双直方图均衡化(Bi-histogram Equalization with a Plateau Limit, BHEPL)、基于曝光度的双直方图均衡化(Exposure based Sub-image Histogram Equalization, ESIHE)方法相比, 所提方法增强的图像具有合适的平均对比度和更大的平均信息熵, 在峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)、结构相似度(Structural Similarity, SSIM)、绝对平均亮度偏差(Absolute Mean Brightness Error, AMBE)指标上平均提升至少 17.2%、4.0%、56.2%。实验结果表明, 所提方法对不同亮度特征的红外图像都有良好的适应性, 可有效增强红外图像对象和背景之间的对比度, 在噪声抑制、亮度和细节保持等方面优于同类方法。

针对三维激光扫描设备实际采集的列车关键部件点云模型通常存在噪声点和采集误差等问题，提出一种高效的点云小尺度噪声滤波平滑算法。首先利用K-D树构建点与点之间的几何关系，设置中心点并利用K近邻算法查询邻域信息；然后假设输入点云与滤波后输出的点云之间存在线性关系，从而利用两片点云构造代价函数；最后通过求解代价函数最小值确定线性参数，从而得到平滑后的点云模型。代价函数构建过程中，根据点与其K近邻内点的欧氏距离的方差与整体欧氏距离方差的比值大小自适应地调节权重，达到动态调整线性模型参数的目的。实验结果表明，所提算法能够快速矫正小尺度噪声、平滑边界轮廓、提高质量，为点云识别、重建等后期任务奠定基础。

针对传统图像融合算法目标不突出、边缘及纹理细节不清晰或缺失、对比度降低等问题，提出一种基于引导滤波（GF）和双树复小波变换（DTCWT）的红外与可见光图像融合算法。首先，根据红外与可见光图像的特点，在DTCWT分解前对可见光图像进行GF增强，同时对经DTCWT分解后的红外高频分量进行GF增强；然后，根据不同频带系数特点，提出一种基于显著性的自适应加权规则对红外与可见光低频子带分量进行融合，采用一种基于拉普拉斯能量和（SML）与梯度值向量的规则对不同尺度、方向下高频子带进行融合；最后，对融合后的高、低频系数进行DTCWT逆变换以得到最终重构图像。将所提算法与6种高效融合算法进行对比评价，实验结果表明，所提融合算法在不同场景下具有显著的目标特征，同时背景纹理和边缘细节清晰，整体对比度适宜，并且在4类客观评价指标上也取得了较好的效果。

针对激光跟踪仪光束法平差，基于稳健估计理论中的选权迭代法，提出一种自适应加权秩亏三维光束法平差解法，通过对观测值选权判定阈值与秩亏平差基准方程权的自适应调整，能够准确识别粗差并抵御其影响。通过仿真实验验证了方法的可行性，并在合肥先进光源预研平台进行了实测验证，实验结果与SpatialAnalyzer软件的处理结果精度相当，可为准直测量数据处理提供抗差结果参考。

针对合成孔径雷达(SAR)目标识别问题, 提出结合多特征联合表征和自适应加权的方法。分别采用主成分分析(PCA)、单演信号以及Zernike矩特征描述原始SAR图像, 获得3个对应的特征矢量。基于联合稀疏表示模型对3类特征进行联合表征。针对不同特征条件下的重构误差矢量, 采用自适应加权算法进行融合处理, 即在线性融合的框架下自适应获得权值, 达到良好的决策融合效果。最终, 根据融合后的误差对目标类别进行判定。实验基于MSTAR数据集开展, 针对10类目标识别问题分别在标准操作条件、噪声干扰和部分遮挡条件下进行测试, 结果验证了方法的有效性。

图像盲复原旨在无参考的情况下准确估计模糊核并恢复潜在的清晰图像。现有研究成果表明，利用全变分模型对高阶图像梯度先验约束进行描述可以有效抑制复原图像中产生的阶梯效应。本文在实验观察和研究的基础上，提出了采用稀疏先验约束模型对盲复原过程进行正则化的方法，以获得更佳的图像复原效果。该方法利用图像高阶梯度的稀疏性，通过与低阶梯度相结合来构造混合梯度正则项。同时，在正则项中引入基于图像熵的自适应因子，来调节迭代优化过程中两类梯度先验的比例，以此获得更好的收敛性。仿真与实验证明，与现有图像盲复原先进方法相比，本文方法具有更优越的图像复原性能。

光谱估计是光谱成像领域的研究热点,提出一种自适应加权线性回归光谱估计方法,首先以线性化的伪逆求解算子为基础,利用齐次多项式对相机数字响应值进行扩展,利用Tikhonov正则化方法进行正则化约束,得到全局训练的光谱估计方法,其次依据训练样本对光谱估计精度的影响机理,在求解光谱估计矩阵时进一步引入高斯加权方法,建立自适应加权训练的光谱估计方法,以提高光谱估计精度。利用28种数码相机的灵敏度函数构建了仿真成像系统,以Munsell Matte颜色样本和X-rite ColorChecker SG色卡为实验样本,以光谱均方根误差和色差为评价指标,对本文方法进行了验证。结果表明,新方法在全局训练模式下能取得与现有全局训练方法同等水平的光谱估计精度,且能够克服现有方法存在的曝光敏感性问题;新方法在自适应加权训练模式下,无论是光谱精度还是色度精度,均优于现有方法。

光谱分析是化学计量学的一个重要应用方向, 并已被广泛应用到各个领域, 其中光谱变量选择又是光谱分析的重要环节。 研究不同的变量选择方法客观地识别有用的信息变量和消除无关或干扰变量十分关键。 提出了一种新的变量选择方法, 命名选择比率的竞争性群体分析法(SRCMPA)。 该算法采用选择比率, 自适应加权采样和模型群体分析的思想, 并结合了变量排列和指数递减函数方法。 关键波长定义为多元线性回归模型中得分值较大的波长, 将线性模型PLS下的选择比率的得分值作为评价各波长重要性的指标, 然后, 根据每个波长的重要性, SRCMPA依次从蒙特卡罗采样中选择N个波长子集, 以迭代和竞争的方式运行。 在每一次采样运行中, 以固定比率的样品以建立校准的PLS模型并计算每个变量的选择比率值, 基于排序选择比率的得分值和作为权重的归一化的SR(选择比率)得分值, 采用指数递减函数的强制选择和自适应加权采样竞争选择的两步过程来选择关键变量。 最后, 应用交叉验证(CV)方法来选择具有最低交叉验证均方根(RMSECV)的子集作为最优子集。 该算法已在小麦蛋白数据集和啤酒数据集上进行了测试, 并使用三种高效算法作对比。 通过对实验结果来评估算法优越性, 该算法能够找到数据集的关键波长变量的最佳组合, 并能用于解释感兴趣的化学特性, 通过建模后的评价结果也是最佳的。 该算法在啤酒光谱数据集的运行结果, 相较于啤酒数据集的全光谱PLS模型, 变量个数由567个减少到42个左右。 并且模型的RMSECV由0.622下降到0.115, RMSEP由0.823减少到了0.263左右, 预测精度分别提高了81.5%和68.1%。 Q2_CV和Q2_test也分别由0.940, 0.852提高到了0.994和0.995。 在小麦蛋白数据集的运行结果, 相较于于小麦蛋白光谱数据集的全光谱PLS模型, 变量个数由175个减少到18个左右。 并且模型的RMSECV由0.607下降到0.292, RMSEP由0.519减少到了0.234左右, 预测精度分别提高了51.9%和54.9%。 Q2_CV和Q2_test也分别由0.748, 0.774提高到了0.931和0.839。