针对遥感图像中目标尺度差异较大和方向分布随机等导致检测精度较低的问题，提出一种基于稀疏掩模Transformer的遥感目标检测方法。该方法以Transformer网络为基础，首先引入角度参量，使其适应遥感目标的旋转特性；其次在特征提取部分以多层级特征金字塔为输入，以应对遥感图像目标尺寸变化大的特点，提高对不同尺度目标的检测效果，尤其对小目标的检测效果提升明显；最后以稀疏-插值注意力模块代替自注意力模块，有效缓解了Transformer网络检测高分辨遥感图像时计算量大的缺陷，并且加快了网络的收敛速度。在大型遥感数据集DOTA上的实验结果表明，所提方法的平均检测精度为78.43%，检测速度为12.5 frame/s，与基准方法相比，平均精度均值（mAP）提高了3.07个百分点，证明了所提方法的有效性。

针对遥感图像目标广邻域稀疏、多邻域聚集、方向多样等特性导致检测难度大的问题，提出了一种基于稀疏Transformer的遥感旋转目标检测方法。首先，所提方法在典型端到端Transformer网络的基础上，根据遥感图像的特性，利用K-means算法实现多域聚集，从而更好提取稀疏域下的目标特征；其次，为适配旋转目标的基本属性，在边框生成阶段，利用目标包围框的中心点及边框特征学习的策略高效获取目标回归斜边框；最后，为提升网络对遥感目标的检测率，对网络的损失函数进行了优化。在DOTA和UCAS-AOD遥感数据集上的实验结果表明，所提方法的平均精度分别为72.87%和90.4%，能很好地适应遥感图像中各类旋转目标的形状与分布特性。

机场区域因为其特殊性对民用和军用都具有重大意义。基于机器自主识别的机场区域检测方法是目前主流的检测方法,针对传统检测算法对机场区域遥感图像中多类别、多尺度、多视角以及复杂背景下检测鲁棒性不足的问题,本文提出了一种优化的区域卷积神经网络检测算法。首先,构建了一个相比传统数据集包含更多尺度、视角、类别和复杂背景等条件下的机场区域7类典型目标数据集并进行了优化处理,为模型算法的监督训练和调节奠定了基础;然后,根据所检测目标的特性以及网络的局限性,使用差异值法生成anchor、复杂负样本筛选以及加入先验判决网络对原网络进行了优化和仿真验证;最后,对优化的网络模型进行了测试与对比分析。实验结果表明,本文算法在仅增加极少检测时间基础上相比原算法有更高的平均精确度,且对各类目标的检测达到了较好的效果。

针对传统的红外与可见光图像融合算法提取目标信息不突出的问题, 提出一种基于非下采样剪切波变换和稀疏结构特征的融合方法.首先用非下采样剪切波变换分解源图像; 然后通过主成分分析提取低频子带系数中边缘和轮廓等显著特征, 引导低频成分融合规则的设计, 同时基于结构信息的稀疏性指导融合高频子带系数; 最后经过非下采样剪切波变换逆变换得到融合后的图像.实验结果表明, 该方法在保留可见光图像背景信息的基础上, 突显了红外图像的结构信息, 有效提高了融合效果.

为解决暗通道先验去雾算法在天空区域和大片白色区域色彩失真的问题, 提出了一种基于稀疏表示模型和特征提取的单幅图像去雾算法。通过稀疏字典的训练过程, 学习雾天图像的稀疏特征, 初步优化粗略介质传输图的稀疏系数。根据雾天灰度图像的稀疏特征, 进一步精细化介质传输图。逆向求解雾天退化模型, 得到去雾图像。实验结果表明, 所提算法在天空区域的处理上优势明显, 同时恢复出更多的图像细节和边缘信息。

针对传统融合方法融合后目标轮廓模糊和细节不突出等问题,提出一种在剪切波框架下基于邻域结构特征的红外与可见光图像融合算法。通过剪切波变换对源图像进行分解得到与源图像同尺寸的高频和低频子带系数;为防止融合后图像边缘模糊,对低频子带系数采用几何距离与能量距离加权的融合规则,对高频子带系数采用灰度差异与梯度距离加权的融合规则来更好地保留源图像的细节信息;经剪切波逆变换得到融合后图像。结果表明,本文算法能有效地提取红外目标信息和保持可见光图像信息;在保留图像轮廓信息的基础上,凸显目标信息,有效地改善图像融合效果。

现有单幅图像去雾算法大多基于局部先验,去雾结果存在块效应。在处理浓雾区域时,如果没有特殊处理,会导致图像中的一些伪影被增大,比如在原始的有雾图像中几乎不可见的噪声、色彩重叠等,在去雾后的图像中被增强,进而影响图像质量。针对以上存在的问题,提出了一种改进算法。首先采用非局部先验,估算初始的透射率,然后采用正则化的方法优化透射率,并且将原始图像和去雾后图像的梯度差L_1/2范数作为正则化项,达到抑制噪声干扰的目的。结果表明,该算法能够很好地恢复出图像的细节信息和色彩;与局部先验方法相比,具有更好的稳健性。

为了克服传统图像融合结果存在对比度不足和细节缺失的缺点，提出基于非下采样剪切波-对比度变换(NSSCT)的图像融合算法。分析了图像经非下采样剪切波变换(NSST)后高频系数间的关联性与差异性，构造了高频系数方向性基本一致的NSSCT变换，保留了融合图像的高频系数细节，并提升了对比度。基于图像的低频特点，采用显著性增强方法对低频系数进行融合，通过NSSCT逆变换得到对比度提升和细节增强的融合图像。实验结果表明，在图像对比度提升与细节保留方面，本文算法比基于小波、NSST和显著性等算法具有明显优势。

为了将红外图像的全局信息与可见光图像的细节信息进行有效结合，进一步提高融合后图像的质量，提出了一种同时增强图像边缘细节和对比度的非下采样剪切波变换（ NSST）域红外和可见光图像融合方法。首先，通过平移不变剪切波将图像分解成为低频子带与高频子带，通过全局显著性图分析图像的对比度信息；利用改进型局部显著度图分析图像局部边缘信息。针对不同频带系数，结合边缘信息和对比度信息对频带系数进行融合，最后，利用逆变换得到最终的融合图像。大量实验结果表明，本文方法在提高图像整体对比度的同时增强了图像的边缘细节表现能力，优于现有的基于小波变换，非下采样轮廓波变换（NSCT）和显著度图等几种图像融合方法。

提出一种消除阶梯效应与增强细节的变分Retinex红外图像增强新算法。将高斯曲率正则项应用到变分Retinex模型的构建中，采用一阶微分对模型添加细节增强约束项，实现细节信息的自适应增强。结合邻域差分，引入曲率滤波方法对变分模型求取最优解。实验结果表明，与采用其他变分Retinex方法相比，采用新算法处理后的图像在定量评价指标上优于对比算法。新算法能消除阶梯效应，增强图像的细节和视觉效果。