随机抽样一致性(RANSAC)算法广泛应用于图像匹配领域,帮助图像匹配算法筛选并剔除误匹配点对,提高图像匹配的精度。经典的RANSAC算法存在计算数据量大、运算速度慢、样本适应性差等问题,无法满足图像匹配实时性和样本多变性的需求。针对以上问题,提出了一种基于自适应预检验和迭代阈值自适应相结合的改进RANSAC算法,并给出了具体的设计思路和工作原理。通过实验验证发现,该算法相比于经典的RANSAC算法,运算速度和样本适应性方面都有大幅提升。

针对自适应去雾系统对雾气浓度自动识别的需求, 提出了一种基于SVM和混合特征的雾天图像分类算法。结合雾天图像特点, 选用暗通道特征、小波特征以及去均值归一化特征组成混合特征向量, 用于描述不同雾气浓度下图像的特征差异。通过SVM算法对混合特征向量进行监督学习, 最终实现雾天图像的自动识别与分类。实验结果表明, 算法能够有效地识别与区分无雾、轻雾、浓雾图像, 为去雾系统自适应地根据雾气浓度选取去雾参数提供了良好的分类参考。

针对于视觉任务中表面光滑、低纹理的目标,由于其结构纹理信息的缺乏及高反光的特性,传统三维重建算法无法恢复物体有效的表面形状特征,提出了基于光学偏振成像的低纹理目标三维重建算法。该算法不依赖于目标表面的结构纹理信息,以求解Stokes参数来量化目标表面反射光偏振态,而后结合偏振—几何空间分析,估计目标表面的法向量分布,最后提出了多尺度Shapelets算子将法向量信息积分获取目标的有效深度信息,恢复目标的三维形状。实验结果表明,针对低纹理的高反光目标,该算法能快速准确地恢复其表面的三维形态,并且有效抑制镜面耀光和噪声的干扰,算法实时性高。

根据弱小目标的成像特性, 提出了基于邻域局部最大均值与多尺度形态学滤波的目标检测算法。通过滑动窗口判断图像中心是否为最大值, 若是, 则用中心点四邻域的两个方向的最大均值替代中心点；否则, 计算其四邻域方向极大二值的梯度, 根据加权系数计算赋给中心点。遍历整幅图像, 用来消除噪声和改善初始图像的信噪比。然后, 再对图像进行多尺度的形态学滤波, 可以有效地估计背景并将背景从原始图像中移出。改进的自适应分割方法计算阈值之后, 从候选点中来提取目标。对序列图像采取多帧关联处理, 可以进一步降低虚警率。实验结果表明, 该算法易于实现, 能提高检出概率, 较好并完整地检测出目标, 且降低虚警率。

以稀疏表示理论为基础, 研究了一种可见光和红外图像融合算法, 提出了一种稀疏系数融合规则。首先, 利用K-SVD算法对待融合图像的所有子区域进行字典学习, 得到用于稀疏向量计算的过完备字典; 然后, 计算稀疏向量, 利用正交匹配追踪算法进行求解; 最后, 提出一种基于稀疏向量最大元素绝对值的融合规则, 完成可见光和红外图像的稀疏向量融合, 得到融合图像。实验结果表明, 融合结果明显优于传统的基于 Maximum-L1-Norm融合规则的融合结果。

根据红外图像的成像特性提出了一种天地线精确检测方法。该方法与常见的海天线检测算法不同, 在对红外图像进行噪声处理后, 通过对比Harr线性特征的方式寻找边缘, 以确定天空区域以及准天地线的位置; 然后通过对边界能量的分析完成天地线位置的初步检测; 最后, 利用数值分析的相关技术得到准确完整的天地线。实验结果表明该方法在各种场景均能有效地检测天地线, 即使对天空存在云雾的复杂情况也能保持较好的鲁棒性。

针对空战环境的复杂多变和不确定性，首先研究了基于模糊Petri网的推理算法，建立了基于模糊推理Petri网的智能战术决策方法，将定性的决策推理过程变成了定量的矩阵运算; 然后针对规则的冗余性和可能的冲突性，利用粗糙集理论对战术决策规则库进行了精炼，简化了模糊推理Petri网结构，提高了战术决策推理的效率，实现了无人机攻击和防御的智能决策。仿真结果表明该方法具有可行性和有效性。

针对天空背景红外图像中弱小目标检测的难题,分析了红外目标检测的模型,提出了基于稀疏环决策的目标检测算法.利用数学形态学滤波目标增强方法对图像进行背景抑制,而后采用恒虚警检测方法对滤波后图像进行自适应分割,从而获得候选目标点,然后计算各个候选目标点的局部自相似性描述子,对自相似性描述子归一化、分块之后得到稀疏环表示,利用相应的判断准则可以判别目标点与虚警点.实验结果表明,该算法应用于复杂云层背景弱小红外目标图像能够得到较理想的结果,与移动管道滤波方法相比,能有效区别目标点与固定云层杂波干扰,并且虚警率低,易于实现.