高光谱图像拥有光谱分辨率高、图谱合一的优点, 已经成为遥感科学的重要研究方向。大多数传统的高光谱图像分类方法是基于浅层人工特征且依赖于专家经验, 已经难以满足当下的技术需求。近年来, 随着卷积神经网络在人工智能领域的广泛应用, 基于卷积神经网络的高光谱图像分类方法已经在分类精度和速度上取得突破性的进展。首先介绍了高光谱图像分类方法, 分析了传统分类方法的局限性; 然后根据卷积神经网络对高光谱图像特征提取方式的不同, 将算法分为基于谱特征、空间特征和空谱特征3大类, 并分析了每类算法的优缺点; 最后对高光谱图像分类的小样本训练、实际应用和分类结果等问题提出建议。

为了进行3维物体全息图的快速运算, 在迭代傅里叶变换算法基础上, 通过分析透镜的傅里叶变换性质, 采用编码球面相位因子的方法, 将全息图平行光再现等效为点光源再现。将球面相位因子加入到迭代运算中, 获得了具有深度特征的3维物体全息图; 同时利用球面相位因子查表运算法简化了相位因子的计算, 提高了算法的迭代速度,并基于空间光调制器进行了3维物体的再现实验。结果表明, 该算法具有良好的收敛特性, 计算的全息图能够在不同距离的像面实现对应层面的物场再现, 具有3维的视觉效果。

电子稳像算法的主要目的是解决摄像机随机运动导致的图像序列的帧间抖动问题。根据摄像机成像模型, 推导了摄像机平移振动和旋转运动对图像运动的影响, 阐明了电子稳像算法中各种图像运动模型的物理成因, 指出了模型之间的内在联系。提出了一种多模自适应电子稳像算法, 根据摄像机工作时图像序列抖动的剧烈程度, 自适应地选择适当的图像运动模型和相应的运动估计方法。实验结果表明, 该算法在各种情况下都能实现对图像序列的高精度稳定, 有效地提高了电子稳像算法的适用性。

块匹配电子稳像算法是一种稳定性好、准确度高的电子稳像算法.块匹配算法在目标区域中从起始点到匹配点进行搜索时，需要对图像块进行反复匹配，计算量大、实时性差成为限制其应用的主要问题.本文从缩小块匹配算法搜索范围的思想出发，提出了一种利用时间序列预测来确定最优搜索起始点的电子稳像算法.根据图像序列全局运动矢量的内部统计特性，选择合适的时间序列模型; 采用AIC准则和Durbin-Levinson递推算法估计模型的阶次和参量，并通过残差检验对模型进行检验和更新.利用建立的时间序列模型和历史数据对当前时刻全局运动矢量进行最优预测，并将其作为搜索起点来进行下一步精确搜索.实验结果证明，时间序列预测方法有效缩小了块匹配算法的搜索范围，使计算速度得到较大幅度的提高，并可直接推广到其它电子稳像算法中.