基于光学图像分析的目标伪装效果评估对于提高现役主战装备在战场上的生存能力有重要的指导意义, 是****领域中研究的热点问题之一。为了给目标探测与识别、伪装方案设计等相关领域研究学者提供参考, 对传统光学伪装效果评估模型、神经网络评估模型、基于人眼视觉注意机制模型以及多属性决策模型进行了介绍, 阐述了目前国内外典型评估方法的基本思路及应用, 分析了不同模型的特点和不足以及光学伪装效果评估面临的问题。在此基础上, 指出模型训练样本的获取和模型参数的自适应性以及运动目标伪装评估的时效性是未来伪装效果评估的研究重点。

高光谱遥感影像包含了丰富的光谱信息, 对于地物具有极强的分辨能力, 从而促进了不需任何先验信息的高光谱异常目标探测技术的发展。 KRX（Kernel RX）异常探测算法巧妙地利用核函数将RX算法映射至高维特征空间, 加强了光谱中非线性信息的运用, 具有较强的可分辨性, 显著改善了低维空间的光谱不可分问题。 然而, 也暴露了KRX算法中病态Gram矩阵求逆误差大, 异常检测效率低等缺点。 为实现理论上KRX算法的强探测性能, 提出一种基于新型聚类方法的改进KRX探测算法（DC-KRX）。 （1）由于空间邻域像元具有较强的光谱相似性, 会造成Gram矩阵病态, 严重影响了异常探测效果, 因此背景虚检现象严重。 针对病态Gram矩阵的求逆误差问题, 算法改进了KRX算子, 对Gram矩阵进行奇异值分解, 选取特征值较大的主成分, 保证了Gram矩阵的求逆精度, 待测像元的探测结果采用l-2范数表示, 检测效果提高明显; （2）在改进KRX的基础上, 提出了空间聚类KRX算法。 空间像元之间具有光谱强相关性, 既造成了Gram矩阵的病态, 数据的冗余也影响了探测效率。 实验发现, 通过聚类算法可以合并像元于聚类中心, 减少空间维度, 提高计算效率; 同时, 聚类中心按照聚类大小被赋予不同的权重, 保证了探测精度; （3）另一方面, 选用合适的聚类算法是一个难点。 聚类KRX算法对于聚类算法的精度和实时性要求较高, 比较发现, 一种基于密度峰值快速搜索（DC）的新型聚类算法具有较好的聚类性能。 算法采用欧式距离计算任意像元的相似度, 利用局部密度和邻域距离作为聚类中心的联合判断准则, 对结果进行排序得到聚类中心。 实验发现, 该聚类算法计算速度快, 且能够对任意形状的分布进行聚类, 非常适合于维度较高, 成分复杂的高光谱图像, 且适用于较高次数的重复聚类。 DC-KRX算法提供了一种空间聚类预处理的高光谱异常探测新思路, 最后, 与国际主流探测算法对比发现, 该算法表现了较好的探测性能。 同时, 时效性对比分析发现, 聚类前后算法的检测效率提高了30%以上, 有效改善了KRX算法的实时性。

为了使降维结果更好地体现高光谱数据的空间结构信息,并进一步提高分类精度,提出了一种基于线性嵌入和张量流形的高光谱特征提取算法。不同于其他流形结构的表达方法,所提算法采用协同表示理论求解全局线性嵌入的权重矩阵,更有利于保持高维数据的全局信息,提高了流形结构表达的准确性。同时,建立了基于多特征描述的张量流形降维框架,得到的显式映射具有较强的可靠性和全局适应性。实验结果表明:与主成分分析、局部线性嵌入、拉普拉斯特征映射和线性保留投影等算法相比,所提算法表现出了更优越的分类性能。

针对空谱信息中普遍存在的异常干扰现象, 提出了基于空谱联合聚类的自适应核协同表示高光谱异常目标探测算法.算法充分发挥了基于密度的聚类算子(Density-Based Spatial Clustering of Applications with Noise, DBSCAN)对于异常点的筛选特性, 在DBSCAN聚类去除异常波谱的基础上, 采用分波段子集随机投影变换对数据降维处理, 以减少谱噪声和谱冗余, 并采用DBSCAN聚类消除了局部背景像元中的杂乱点对协同探测算法结果的干扰.研究了背景离散度对核参选择的影响, 比较了不同的核估计方法, 并提出基于平均差的自适应核协同算法.采用该方法对AVIRIS和ROSIS的三组数据进行仿真实验并与现有算法进行了对比, 结果表明该算法表现出较好的探测性能.