提出一种基于轮廓曲率去噪和仿射不变矩的目标识别方法, 适用于激光主动成像这样的高噪声复杂应用场合。通过计算每个像素及其邻域的轮廓曲率, 判断像素携带的信息量大小, 据此对像素点进行分类。对分属不同类别的像素点, 使用不同滤波参数的 Lee滤波器进行滤波。对滤波后的图像再次提取出轮廓, 计算轮廓的仿射不变矩, 训练分类器进行目标识别。实验结果表明, 本文算法在噪声环境下对目标的仿射变换具有较高的识别率, 并且满足激光主动成像识别系统对于实时性的要求。

针对传统基于面积比不变的仿射不变量方法具有的特征点选取不稳定且有冗余以及区域面积误差累积等特点, 提出了一种基于图像椭圆扁度划分策略的仿射不变量构造方法。介绍了图像仿射变换模型, 得到了图像仿射近似条件。结合图像椭圆扁率定义, 依据不变矩理论证明了仿射变换下图像扁率的不变性。给出了图像扁度的定义及其物理含义, 并以此作为图像同心圆划分依据, 选取三阶以下仿射不变矩作为图像特征量, 通过计算各同心圆区域的仿射不变量描述图像目标。将提出的方法应用于实际舰船图像并结合离散系数对其稳定性进行了分析。结果表明: 同一舰船目标各种仿射变换图像计算所得扁度相同, 所在划分特征圆区域仿射不变量离散系数最大为1.55%。得到的结果显示该方法对目标图像的特征区域划分具有唯一性, 构造的仿射不变特征稳定性较好。

提出了一种基于窗口融合特征对比度的光学遥感目标检测方法。首先,在训练图像上生成大量不同尺寸的滑动窗, 计算了各窗口的多尺度显著度、仿射协变区域对比度、边缘密度对比度以及超像素完整度4项特征分值, 在确认集上基于窗口重合度和后验概率最大化学习各个特征的阈值参数。然后, 采用Naive Bayes框架进行特征融合, 并训练分类器。 在目标检测阶段首先计算测试图像中各窗口的多尺度显著度分值, 初步筛选出显著度高且符合待检测目标尺寸比例的部分窗口。然后计算初选窗口集的其余3项特征, 再根据训练好的分类模型计算各个窗口的后验概率。最后, 挑选出局部高分值的候选区域并进行判断合并, 得到最终目标检测结果。针对飞机、油罐、舰船等3类遥感目标的检测结果显示: 4类特征在单独描述3类目标时表现出的性能各有差异, 最高检测准确率为74.21%~80.32%, 而融合方案能够综合考虑目标自身特点, 准确率提高至80.78~87.30%。与固定数量滑动窗方法相比, 准确率从约80%提高到约85%, 虚警率从20%左右降低为3%左右。最终高分值区域数降低约90%, 测试时间减少约25%。得到的结果显示该方法大大提高了目标检测精度和算法效率。

提出了一种基于小波变换的三维模型加密全息盲水印算法。该算法选取三维模型球面坐标与重心的距离作为离散二维信号,首先进行小波变换得到水平分量,水平分量经过小波变换后得到低频部分,将水印图像经光全息加密嵌入到低频部分,再经过逆小波变换生成含水印的三维模型,水印的提取是水印嵌入的逆过程。实验结果表明,该方法对噪声攻击、旋转、平移、比例变换、重排序攻击等具有很好的鲁棒性,且加密全息水印图像具有很好的水印安全性。

大规模图像集合的自动分组，不仅可以帮助用户快速组织和掌握图像集合的内容，并且是基于图像的三维场景重建应用的前提和重要环节。提出一种基于词袋模型(bag-of-words, BOW)的层次化分组算法，将每幅图像表示为一个超高维视词向量，利用多路量化技术将内容相似的图像量化到同一个节点，从而完成对图像粗略分组。然后，在每组类别里面，对图像的局部特征向量进行逐一匹配，并利用仿射空间不变量的约束条件，去除不可靠特征匹配，得到更为准确可靠的图像相似度度量，从而完成图像的精细分组。实验结果表明：从得到的系统不同阶段图像分组的查准率-查全率(precision-recall)曲线可以看出，精细分组过程可以显著提高粗分组精度，并且在精细分组阶段，使用约束条件比不使用约束还能获得更高的分组精度

针对全局曲线匹配在闭塞目标识别中不再可行，提出了一种用于闭塞目标识别的部分对部分曲线匹配方法。首先，构造了一个目标轮廓局部形状特征描述子称之为仿射不变曲线描述子 (AICD)，它基于一个曲线仿射不变量及其无符号积分，具有仿射不变特性；其次，结合 AICD和基于曲率零交叉点的仿射不变曲线分割方案，给出了一个仿射变换下的曲线匹配算法。实验表明该算法对于存在仿射变形和部分闭塞的目标识别有效且优于现有的曲线匹配方法。

基于仿射高斯尺度空间理论，提出了一种完全仿射不变特征 (FAIF)提取算法。 FAIF算法针对仿射高斯尺度空间难以构造的问题，提出了将仿射高斯尺度空间转化为尺度空间的思路。以图像特征区域的协方差矩阵作为特征区域各向异性程度的度量，将各向异性的特征区域通过旋转压缩的方式变换为各向同性区域，最后在各向同性区域上提取完全仿射不变特征点。实验结果表明， FAIF算法可以适应大的视角和尺度变换，并且在立体场景的图片中也有足够多的匹配点，其性能优于现有的仿射不变特征提取算法。

本文对二阶微分矩阵仿射不变量特征描述问题进行了研究，构造了一种既考虑图像微分特性，又考虑图像积分特性的仿射不变量。算法首先计算二阶微分矩阵及其特征向量和特征值；其次是进行仿射变换的紧化，构造出一组由二阶微分矩阵特征向量和特征值决定的同心椭圆；再次是证明了一组同心椭圆的仿射不变性质，并利用该性质构造一组仿射不变量；最后将该仿射不变量应用于 SAR图像配准，取得了良好效果，验证了算法的有效性。仿真结果说明该算法具有较强的抗相干斑噪声干扰和适应较大视角偏差的能力。

针对现有匹配算法难以解决图像发生仿射变换特别是发生大视角变换时的有效匹配问题，本文对匹配稳定性较好的尺度不变特征变换(SIFT)算法进行了深入研究和改进。借鉴其模拟和归一化相结合的思想对相机光轴的经度角和纬度角进行模拟并采用SIFT算法进行匹配。结果显示，提出的算法不仅保留了SIFT原有的对仿射变换的抵抗能力，而且对视角变换也有很好的鲁棒性，实现了完全的抗仿射变换。实验结果表明，与传统的SIFT算法相比，本文算法对仿射变换尤其是有大视角改变时有更好的适应性。

提出了一种仿射不变的快速目标轮廓起始点配准算法，为实现快速目标识别开辟了新的思路.该算法利用基于轮廓曲率和轮廓包围面积的两种仿射不变弧长引出特征描述函数，通过其极值点的幅值和相对位置关系引出幅值误差和相对位置误差并结合二者构造出评价函数.通过循环比对和位置临近对应原则找到使评价函数最小的目标轮廓位置点即为配准的起始点.大量实验结果表明该算法具有高起始点配准率、高抗噪能力和低时间复杂度.