针对现有彩色图像检索算法存在旋转变化鲁棒性差、特征维度高和检索时间长的问题，通过融合主曲率的改进方向梯度特征与HSV颜色特征，提出了一种创新的多尺度图像检索方法。该方法从多个尺度将图像表面的几何曲率信息融合到FHOG描述符中，得到基于主曲率的改进方向梯度算法(P-FHOG)，在此基础上进一步融合图像的颜色信息，得到基于颜色特征与改进方向梯度特征的多尺度图像检索方法(CP-FHOG)。在Corel-1000与Coil-100数据集上与先进的图像检索方法进行对比实验，分别取得了85.89%和93.38%的平均准确率，该算法相比其他算法准确率更高、旋转变化鲁棒性更强、检索时间更短，提高了检索效率。

在三维点云配准中,当点云表面比较平坦、几何特征不明显时,迭代最近点算法配准效果较差,甚至经常配准失败。利用三维激光扫描仪获取的点云数据不仅包括几何坐标信息还包含RGB信息,充分利用点云坐标信息和RGB信息,提出了一种新的点云配准方法。该方法首先将RGB值转化成灰度值,并根据灰度值方差与各曲率方差之和设置权重因子,然后根据权重因子自适应地调整颜色信息和几何信息对配准的影响,实现了基于颜色信息和基于几何信息的有机结合。实验结果表明,该方法可实现不同点云的稳定精确配准。

以效率较高的加速分割测试特征提取(FAST)算法为基础,添加原FAST算法不具备的尺度不变性和旋转不变性特征描述子,在特征检测和匹配时将颜色信息作为重要参考变量,提出了一种基于颜色信息改进FAST算法的图像特征检测和匹配算法(C-FAST)。改进后的算法效率较高,具有更高的检测和匹配精度,且在光照变化和噪声下均有很好的稳健性。使用公开数据集和常用图像对FAST算法、快速稳健特征(SURF)算法、基于颜色信息的尺度不变特征转换(CSIFT)算法及所提C-FAST算法进行了性能分析。结果表明,所提算法能有效可靠地完成图像的特征检测和匹配,对比原FAST算法,准确率提升30%。

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。