风云三号B星（FY-3B）中分辨率光谱成像仪（MERSI）可见光星上定标（VOC）系统辐射性能随时间衰减变化，使其难以用于MERSI的在轨绝对辐射定标。本文提出一种确定VOC辐射性能衰减变化的新方法，该方法在探究太阳光定标时机与太阳天顶角和方位角依赖关系的基础上，分析MERSI相对辐射响应衰减变化的趋势；利用高质量的MODIS数据构建大气层顶双向反射分布函数模型，对MERSI约10年的在轨有效数据进行交叉定标处理，获取MERSI绝对辐射响应衰减变化趋势；将二者归一化后的差值作为VOC系统辐射性能的衰减变化值。结果表明：VOC系统辐射性能在发射初期衰减率较大，后期衰减趋势趋于平稳，且衰减率与波长相关；在发射初期，短波波长（<500 nm）处的最大年衰减率达到了49.51%，长波波长（800~1000 nm）处的衰减率相对较小，最大年衰减率均小于26%；在发射后期，除412 nm外（衰减率为1.91%），其余波长处年衰减率均小于0.64%。自仪器发射以来，基于本方法获得的VOC衰减数据与VOC监视数据之间的百分误差均小于15%。本文提出的VOC系统稳定性分析方法可为实现MERSI星上绝对辐射定标提供重要的参考。

针对通用的目标检测算法在检测生活场景下的多类目标时检测精度低、速度较慢的问题，提出了一种基于注意力机制改进的轻量级目标检测算法YOLOv4s。该算法以CSPDarknet53-s作为主干特征提取网络提取图像特征，通过注意力模块进行特征选择，再利用特征金字塔网络对特征进行融合，最后通过检测头分别处理特征融合后的两个输出，进而提高对生活场景下多类目标检测的能力。实验结果表明：相比改进前的算法，YOLOv4s算法在PASCAL VOC数据集上的平均均值精度（mAP）及MS COCO数据集上的平均精度（AP）都有一定程度的提升；相较于轻量级算法Efficientdet，YOLOv4s算法在MS COCO数据集上的AP也有一定提高，并且实现了有效的显著目标检测。

针对跟踪运动目标过程中网络对目标被遮挡或目标周围存在干扰物敏感，从而导致不可靠的响应位置和错误跟踪框的问题，提出一种基于深度学习的免锚框孪生卷积网络跟踪方法。首先，通过非局部感知网络来学习目标引导的特征权重，该权重用于细化目标模板分支和搜索分支的深度特征，以监督的方式利用两个分支特征的远程依赖性，从而有效抑制噪声干扰。其次，进一步开发一个包围框感知块将多维回归特征与跟踪质量相关联，这个模块加强目标模板分支和搜索分支之间的相互作用，提高网络定位准确性。在标准数据集上的实验结果表明，所提方法能实时跟踪目标，并在准确度上获得提升。

如何从图像中选择出分类效果好的波段组合是高光谱图像分类任务的关键问题。针对上述问题，提出一种基于单波段图像类间可分性和波段间相关性的波段选择算法。根据类间可分性原则，采用单波段图像中各类样本点矩阵的均值和标准差来衡量单波段图像的类间可分性，结合波段间的相关系数来选择出类间可分性好、波段间相关性低的波段组合。最后对所提算法波段选择前后的图像和自适应波段选择算法波段选择后的图像进行支持向量机分类。在Indian Pines和Salinas数据集上的分类结果表明，当波段选择的光谱波段数目为20个，分类训练集为每类地物随机抽取20个样本点时，所提算法的总体分类精度较自适应波段选择算法分别提高了7.34个百分点和2.96个百分点。

为了提高光学拼接焦平面空间相机的成像性能和图像质量,开展了空间相机研制全过程的辐射定标技术研究,包括辐射响应性能分析、图像传感器的辐射定标及筛选、焦平面辐射定标、系统级辐射定标以及辐射定标数据应用等,并对具有反射镜光学拼接焦平面的空间相机进行了辐射定标实验。结果表明,利用相对辐射校正系数对图像校正,可以有效消除渐晕,图像的非均匀性由14.1%降至0.4%,图像质量明显提升;图像传感器的筛选以及焦平面组件的辐射定标,减少了图像传感器之间的辐射响应差异,相对定标不确定度小于1.0%。

Canny算法在PC机上的执行速度较慢, 这极大地限制了其实用性。本文在前人的研究基础上对算法进行更深的优化和改进。首先在VS2012开发环境下利用数字图像处理技术对原算法进行原理上的改进, 再利用GPU流处理器数量众多的优势以及强大的多线程并发执行能力对Canny算法进行并行加速。在500 pixel×500 pixel的图片上, 对本文算法和原Canny算法进行了实验验证。实验结果表明, 在4 096 pixel×4 096 pixel大小的图片上采用本文的GPU移植算法处理后, 执行速度从80 ms降到了6 ms以内。在不影响边缘检测效果的前提下极大地提高了算法的实用性。

为考察不同类型光谱信息用于银杏叶质量快速分析的适应性, 收集了58个银杏叶样品, 采用高效液相色谱方法(HPLC)测定其黄酮及内酯类活性成分的含量作为定标和检验样本的因变量(y)值, 测定各样品的紫外、 近红外光谱及包含紫外、 可见及近红外信号的多源复合光谱信息作为样本的自变量(x)值; 分别采用偏最小二乘回归(PLSR), 以及根据待测样本在自变量空间最近邻K个样本与待测样本间的相互关系去预测其因变量值的KNN保形映射(KNN-KSR)方法, 建立银杏叶活性成分的光谱定量分析模型, 比较各光谱模型下检验集样本实测值与模型值的相关系数(R)、 均方根偏差(RMSEP)、 平均相对误差(MRE)。 结果表明PLSR方法所建立的三类光谱模型的各项指标均不及KNN-KSR方法、 且其紫外光谱模型的结果极差; 而采用KNN-KSR方法根据三类光谱信息预测银杏叶中黄酮、 内酯类成分时, R基本能达到0.8、 RMSEP分别小于0.05与0.025且其平均相对误差均在8%以下。 采用KNN-KSR方法根据紫外、 近红外及多源光谱信息均可实现对银杏叶中四类黄酮醇苷成分及三类内酯成分含量的快速分析, 突破了现有工作只是基于PLSR方法、 根据近红外光谱信息对银杏叶总黄酮醇苷进行定量分析的局限; 利用紫外和多源复合光谱信息及KNN-KSR方法进行银杏叶中黄酮醇苷及内酯类成分的快速检测, 为银杏叶质量分析提供了更多的方法和选择。 多源复合光谱仪具有体积小、 成本低, 便携的优点, 非常适合银杏叶药材现场采购的快速检测及后续产品的质量分析与监控。Infrared and Multi-Source Composite Spectral Information

燃油存在“消耗量大”、 “相对低质”、 “前端缺少清洁”、 “末端排放缺乏控制”四大问题, 我国的空气污染60%以上来自煤和油的燃烧, 雾霾问题很大程度上取决于能源问题。 快速准确地实现汽油、 柴油、 煤油等成品油的鉴别与测量, 对于实施空气污染监测及治理具有重要意义。 在精确地表征成品油种类信息的基础上, 为了提高网络模型的识别效率, 采用主成分分析方法将高维空间进行降维处理。 对最常用的三维荧光光谱基于激发-发射矩阵(excitation-emission matrix, EEM)数据进行主成分分析以提取更精细、 更深层的特征参量。 分类过程中应用交叉验证的方法避免发生“过拟合”现象。 设计鉴别和测量双重处理的神经网络, 将神经网络模式识别结果反馈到浓度网络的输入端, 与相对斜率、 综合本底参数、 相对荧光强度一起测量相应种类的浓度输出, 利用可拓神经网络模式识别技术实现成品油的鉴别与测量。 应用可拓神经网络方法实现成品油种类模式识别的平均识别率达到0.99, 浓度平均回收率为0.95。 模式识别平均耗时为2.5 s, 仅为PARAFAC模型分析方法的48.5%。 该方法显著提高了运算速度, 且应用效果理想。 需要指出的是, 在分析诸如成品油、 茶叶、 农药等成分复杂的混合物时, 应针对具体待测物制作相应的校正样本, 用以确保分析的准确性与精度。

杂散光是影响光学系统成像质量的重要因素之一，因此对杂散光的分析与抑制成为现代红外光学系统设计过程中的一个重要环节。根据杂散光抑制要求，确定了天基红外成像光学系统的结构形式；分析了系统存在的杂散光源，计算了系统点源透过率(PST)须满足的条件；设计并分析了遮光罩、挡光环、遮光板、光阑和消杂散光材料等杂散光抑制方法；在杂散光分析软件TracePro 中建立系统模型，分别对系统内部及外部杂散光进行分析，计算并绘制了PST 曲线。结果表明，系统内部杂散光为1.53×10-3 W/m2，系统外部杂散光PST 曲线整体为下降趋势，PST 在离轴角度为±3°时达到10-3～10-5，系统对杂散光的抑制能力完全满足成像质量要求。

星点提取系统误差又称作像元频率误差，它的分布呈现以像元为周期的规律性，分析它的分布规律对补偿这种误差有指导作用。光学系统点扩散函数类型是影响星点提取系统误差分布的主要因素，选取合理的点扩散函数模型对星点提取系统误差进行频域分析，可以减小分析结果与实际的偏离，提高误差补偿效果。传统方法采用Gauss分布点扩散函数模型进行频域分析，但没有考察它的合理性。文中结合星敏感器拍摄的星点像，将一种Giancarlo点扩散函数模型与Gauss点扩散函数模型进行了比较。并在星点提取系统误差频域分析中采用Giancarlo点扩散函数模型，推得星点坐标提取误差理论解析式。与传统频域分析结果相比，文中频域分析结果中引入了对S曲线振幅起调制作用的项，使得星点横坐标系统误差沿x轴呈现S曲线分布的同时，其振幅沿y轴方向发生改变。随后在噪声条件下对星点提取系统误差进行了仿真，仿真结果与频域分析结果相符。最后进行了实验验证，根据理论解析式对结果进行了误差补偿，星点提取精度提高了54.42%，优于传统正弦拟合补偿方法。