耐热钢微观组织及机械性能会随着服役过程发生退化，对老化状态的实时快速监测对安全运行及生产具有重要意义。基于便携式激光诱导击穿光谱（LIBS）设备对获取的T91光谱特征进行降维并优化了老化等级评估模型，实现了对T91耐热钢老化等级的快速诊断。分别采用主成分分析与线性判别式分析（LDA）的降维方法，对光谱特征进行优化精简。而后基于降维后的数据，进一步采用K最近邻算法和支持向量机（SVM）算法来建立金属老化等级评估模型，讨论了建模关键参数选择对模型性能的影响。结果表明，经过LDA降维的光谱数据能实现更好的聚类分布，可有效提高评估模型的准确率。同时，应用LDA-SVM模型能获得最高的老化等级评估准确度，达94.58%。所采用的模型建模方法可有效实现基于便携式LIBS的T91耐热钢老化等级评估。

针对现有多阵列非圆(NC)信号直接定位方法(DPD)谱峰搜索计算复杂度高，对基站的位置比较敏感，没有考虑信号在空间中传播时的损耗差异，导致估计性能不稳定的问题，提出一种联合降维传播算子与泰勒补偿(JRT-PM)的非圆信号直接定位算法。首先根据非圆信号的椭圆协方差信息扩展阵列孔径，通过降维方法消除非圆相位搜索维度进行粗估计降低计算复杂度，然后联合所有基站的信息进行泰勒补偿提升算法估计性能。仿真实验表明，相比于传统到达角K 均值聚类(AOA-clustering)两步定位算法、最小均方无畸变响应(MVDR)直接定位算法、子空间数据融合(SDF)直接定位算法，所提算法在提升定位精确度的同时可以估计更多目标；与非圆传播算子(NC-PM)直接定位相比，所提算法在保证估计性能的同时显著降低了计算复杂度。

作为遥感领域的新兴技术, 高光谱成像为遥感影像处理分析和计算机视觉提供了海量内容。 高光谱图像的优势在于电磁波谱的范围广度与高分辨率, 能够将地物目标的光谱反射特性和差异特征更全面地表现出来, 广泛地应用于地物分类、 目标识别、 异常检测等领域。 但是, 高光谱图像由于数据量繁重、 信息重叠冗杂等问题, 给图像处理、 存储和传输带来一定挑战。 选择合适的光谱波段可以在不改变原图像物理信息的情况下, 达到较好的图像处理成果。 为设计适合数据降维和目标地物分类的波段选择方法, 提出将视觉显著性模型应用到波段选择方法中。 首先引入基于图像空间分布的目标显著性算法进行波段图像处理得到目标显著图; 其次, 利用目标显著图分析地物之间在每一波段图像中的可分离程度定义为波段显著性。 为避免波段信息重叠, 在波段选择之前利用谱聚类算法将波段划分为若干子空间。 然后在子空间内依据波段显著性降序排列, 选择各子空间中目标显著性表现较好的波段组成波段子集; 最后, 在GF-5采集的高光谱图像数据进行方法验证, 筛选有效的目标显著性算法, 与常用的波段选择算法进行分类精度比较。 结果表明, 基于LC目标显著性算法的波段选择子集, 在SVM分类器中具有优异分类结果, 总体分类精度和Kappa系数达87.780 0%和0.805 3, 优于应用全波段和其他三种波段选择方法的结果子集。

光谱反射率维度高, 与光照和观察条件无关, 能够真实、 客观地描述物体的颜色信息, 由物体本身特性决定, 因此被称为物体的“指纹”。 但是, 光谱反射率数据量超过传统三色系统十倍以上, 这些巨大的光谱数据在存储、 数据处理及传递等方面造成巨大的负担, 花费太多的计算时间。 如果高维光谱可以通过数学变换方法映射到低维空间, 并确保低维空间能够更好地表示原始光谱所覆盖的信息, 可以有效地压缩多光谱数据, 提高基于光谱的颜色复制的处理效率。 针对主成分分析法平等地对待可见光范围的所有波长, 重建光谱仅仅是对原始光谱的数学逼近, 由于波长对颜色的重要性不同, 经常会导致光谱重建误差较小而色度误差较大的问题, 提出了一种基于光谱色差权重函数的多光谱降维算法。 使用主成分分析法将孟塞尔颜色系统Munsell维度降低到1维, 再恢复重建到31维, Munsell的原始光谱和重建光谱的平均光谱色差作为权重函数。 以NCS为训练样本, 分别以NCS、 Munsell和3张多光谱图像为测试样本, 分析和比较本文推荐的权重主成分分析法与主成分分析法以及另外4种权重主成分的性能。 以D65/2°和A/2°照明观察条件下的CIELAB色差和均方根误差(RMSE)分别评价测试样本的原始光谱和重建光谱之间的色度重建精度和光谱重建精度。 实验统计结果表明: 相对于主成分分析法, 无论测试样本是多光谱数据还是多光谱图像, 推荐的方法在牺牲一定光谱重建精度的情况下, 在D65/2°和在A/2°两种照明观察条件下的色度重建精度得到显著的提高, 而色度重建精度提高对于目前广受关注的基于光谱的颜色复制研究具有非常重要意义。 实验统计结果也表明本文推荐的方法的色度重建精度优于目前已经存在的另外4种权重主成分分析法。

近红外光谱具有高维、 高冗余、 非线性的特性, 严重影响了样本之间的相似性度量的精准, 故而提出了一种基于Wasserstein散度的t分布随机近邻嵌入算法(Wt-SNE)。 基于流形学习算法思想, 利用高斯分布将高维数据的距离转换为概率分布, 使用更加偏重长尾分布的方式t分布表示低维空间中对应数据点的概率分布。 将高维数据的概率分布嵌入映射至低维度空间, 重构低维流形结构, 引入Wasserstein散度度量两个空间内概率分布的差异, 通过降低散度值来提高两个分布的相似度, 以此来实现高维数据降维处理。 为验证Wt-SNE算法的有效性, 首先对烟叶近红外光谱数据进行降维投影, 并与PCA、 LPP、 t-SNE算法比较, 结果表明Wt-SNE算法降维后的数据, 在低维空间内样本类别边界更加明显。 其次, 采用KNN、 SVM和PLS-DA分类器对降维后的数据进行烟叶产地预测, 准确率分别为93.8%、 91.5%、 92.7%, 表明降维后的数据不仅重构了原始光谱的空间结构而且保留了样本间的相似度关系。 最后, 选取某一卷烟叶组配方中的烟叶进行单料目标烟叶的替换, 根据备选样本与目标样本之间的马氏距离选取替换样本。 实验表明, Wt-SNE选取的替换烟叶与目标烟叶相似度最高, 烟碱、 总糖等化学成分含量与目标烟叶差异较小, 香气、 烟气、 口感得分表现出较高的一致性。 该方法能够有效度量烟叶近红外光谱之间的相似性, 为卷烟叶组配方的维护提供有力的依据。

针对现有高光谱视频目标跟踪算法在目标尺度发生变化时容易出现跟踪精度下降的问题，提出一种基于光谱匹配降维和特征融合的高光谱目标跟踪算法。首先，利用目标局部光谱和阈值来估计目标光谱，并利用目标光谱与高光谱图像进行朴素相关，实现高光谱图像降维，从而提取目标的深度特征。然后，利用局部方差判断目标区域，提取目标的3D方向梯度直方图（HOG）特征。为保留高光谱图像的光谱信息以及深度特征的语义信息，利用通道卷积融合的方法，得到更具辨别力的融合特征。最后，将融合特征送入相关滤波器，通过尺度池思想提高算法在目标尺度变化挑战下的跟踪鲁棒性。实验结果表明，所提跟踪算法在目标尺度变化挑战下具有更好的性能。

针对高光谱图像分类中小规模训练样本下空间信息利用不足和分类精度下降问题，提出一种联合超像素降维和类别后验概率优化的高光谱图像分类方法。首先根据高光谱图像的空间纹理结构，采用熵率超像素分割算法自适应地识别均匀同质超像素区域，对每个区域逐一应用主成分分析，挖掘能表征图像空间-光谱信息的超像素混合特征；然后将混合特征输入支持向量机中计算各像元初始类别概率向量，采用扩展随机游走算法利用图像空间邻域信息对初始类别进行后验概率优化；最后根据各像元最大类别概率确定分类结果。在Indian Pines、Pavia University和Salinas等3组通用高光谱数据集上开展实验，与其他6种方法进行对比，实验结果表明：在有限训练样本条件下，所提方法的总体分类精度分别为98.29%、97.29%和99.72%，优于对比方法的分类结果。

基于主成分或者权重主成分的多光谱降维方法实现高维多光谱数据和低维空间数据之间相互转换，但低维空间数据含有大量负值，不能和色度空间如CIELAB等连接起来，给光谱颜色复制的后续研究带来困扰；建立XYZ三刺激到多光谱数据的转换，在多光谱数据降维到XYZ三刺激值过程中保留更多的颜色信息；通过二阶多项式回归建立XYZ三刺激值与多光谱通过权重主成分降维的得到的三维空间数据对应关系，实现XYZ三刺激值到多光谱数据转换；在不同的训练样本，不同的测试样本时，相对于主成分和权重主成分，推荐的方法在多种照明条件下色度重建精度得到提高，可以较好地应用到多光谱图像的高保真降维和压缩。

仿生复眼系统解决了传统单孔径光学系统中视场与分辨率的矛盾关系, 兼具了较大的视场和高分辨率。但随着视场和分辨率的增加, 图像信息增多, 随之带来了图像拼接中效率和质量问题。针对该问题, 提出一种基于改进尺度不变特征转换(SIFT)算法和主成分分析(PCA)算法的仿生复眼多路图像拼接融合方法。该方法缩小了特征点提取区域, 减少了多路图像特征点匹配次数, 降低了图像特征点描述符的维度。再利用改进的自适应迭代随机抽样一致(RANSAC)算法对特征点进行提纯增加鲁棒性, 最后通过加权平均算法来完成对多幅子图像的高质量融合。实验结果表明, 该算法设计合理, 且随着图像信息的复杂程度增加, 相较传统算法的拼接效率不断提升, 同时保证了较好的拼接质量, 可有效拼接融合仿生复眼系统多路图像, 对多路图像类系统拼接融合提供借鉴。