针对遥感卫星和高空无人机在海上航拍的可见光遥感图像中黑极性舰船目标检出率低的问题，提出了一种基于暗原色先验和恒虚警率原理的舰船目标检测方法。这种方法先对目标图像进行预处理，得到其暗原色图(DarkChannelImage，DCI)；再将 DCI作为二维恒虚警(2-DCFAR)检测法的输入，以局部统计灰度均值和方差作为目标检测特征，通过选择合适的目标判定阈值及目标空间分布信息完成疑似目标定位；疑似目标集合可以有效地被舰船目标特征矢量进行检验，根据得到的结果判定虚警是否去除，最后得到最终目标检测结果。实验结果表明，该方法对于可见光遥感图像中的舰船目标有较为准确的检测效果，总检出率可达 96.07%，并且对人眼视觉不易判别的黑极性目标有着类似“放大镜”的作用，对黑极性舰船目标的检出率可达 86.71%，较大地提高了可见光遥感图像中黑极性舰船目标的检出率，对优化黑极性目标检测方法创新有一定的指导意义，也为暗原色先验原理的应用提供了新思路。

高光谱分析能够高效的估算土壤有机碳含量, 连续小波变换(CWT), 在高光谱数据的噪声去除和有效信息提取方面具有独特优势, 但是经过连续小波变换后的光谱数据被分解为多个尺度, 单一分解尺度信息不能代表不同分解尺度信息, 如何充分利用多分解尺度的小波系数, 成为高光谱估算土壤有机碳含量的难题。 博斯腾湖是我国最大的内陆淡水湖, 湖滨绿洲作为重要的水陆交错带, 具有独特的空间结构和时间结构, 在维持和恢复湖泊生态系统健康方面发挥着重要作用。 以博斯腾湖湖滨绿洲为研究区, 于2020年10月采集138份深度为0~20 cm表层土壤样本, 剔除3个异常值样品, 得到135个有效样品, 室外采集土壤样本光谱, 并通过重铬酸钾－外加热法测定土壤有机碳含量; 将土壤样本的光谱反射率进行Savitzky-Golay平滑滤波处理, 以Gaussian4为小波基函数进行连续小波变换, 将土壤高光谱数据转换为10个分解尺度的小波系数。 利用相关性分析法(CC)、 稳定自适应重加权采样(sCARS)、 竞争自适应重加权采样(CARS)、 连续投影算法(SPA)、 遗传算法(GA)等5种特种波段筛选方法进一步降低噪音, 消除冗余信息, 逐尺度计算小波系数的均方根作为小波能量特征(EF), 将10个尺度的小波能量特征组成小波能量特征向量(EFV), 基于小波能量特征向量建立BP神经网络模型(BPNN)。 结果表明, 连续小波变换可以有效提高光谱反射率与土壤有机碳含量间的相关性, 1~3分解尺度相关性较差, 4~10分解尺度的相关性较好, 相关系数平均值提升43.66%, 相关系数最大值平均提升67.93%。 CC算法筛选的特征波段主要分布于在400~1 500 nm可见光及近红外短波; sCARS、 CARS算法筛选的特征波段集中于1 500~2 500 nm近红外长波; SPA算法筛选的特征波段集中于760~2 500 nm近红外波段; GA算法得到的特征波段基本均匀分布于400~2 500 nm。 高光谱小波能量特征向量EFV可以较好估算湖滨绿洲表层土壤有机碳含量, 6种模型的训练集与验证集R2平均值分别为0.73、 0.74, RMSE平均值分别为7.64、 7.28, RPD平均值为1.95。 模型精度表现为, CC-EFV-BPNN＞sCARS-EFV-BPNN＞Full-spectrum-EFV-BPNN＞CARS-EFV-BPNN＞GA-EFV-BPNN＞SPA-EFV-BPNN。 连续小波变换结合特征变量筛选方法, 提取小波能量特征向量EFV, 有效降低光谱数据维度与高光谱小波能量特征向量模型复杂度, 对于快速估算表层土壤有机碳含量具有重要参考价值。

针对空间域图像融合存在不同图源差异性信息提取、融合权重选取困难等问题, 提出了一种新 的空间域图像融合算法。利用矩阵相似的基本原理, 对红外图像矩阵进行对角化变换, 计算可见光图 像矩阵在主要特征向量上的映射, 采用加权融合的方法处理特征值矩阵, 对融合矩阵进行对角化逆变 换重构融合图像。实验结果表明, 算法在充分保留源图像有效信息的同时, 融合图像的整体灰度得到 了明显的改善, 具有良好的图像质量评估指数和更加优秀的视觉效果。

煤炭是我国重要的自然资源, 在工业和国民经济发展上起到重要的作用。 在井下开采过程中, 传统的人工识别煤岩界面采煤机切割煤岩效率较为低下, 识别准确度较差, 存在较多不确定因素。 “无人化”逐渐成为未来井下开采的技术发展趋势。 实现无人开采首先需要准确高效的确定煤岩界面, 煤岩识别的算法将成为无人化设备的“大脑”。 高光谱是近年来发展迅速的一种新兴的技术, 在物质识别、 分类中具有广泛的应用之处。 以高光谱作为煤岩识别的技术手段, 采集煤岩高光谱数据, 通过对高光谱特征波段的提取来设计算法实现煤岩的识别。 煤岩识别是基于煤岩组分的不同, 建立在对煤岩的物质构成属性特征上的。 煤与岩石元素组分中Al元素的存在形式不同, 煤样中的Al元素的存在形式为Al2O3, 而岩样中Al元素的存在形式为Al(OH)3。 Al—OH的晶格的振动使得其在2 130～2 250 nm波段产生强吸收峰, Al2O3在此波段间不具有强吸收峰, 因此以2 130～2 250 nm作为光谱波段设计算法。 以淮南地区矿区为研究区, 在多个矿区进行采样, 获取焦煤、 气煤、 瘦煤等煤样23组; 获取底板泥岩、 砂岩、 页岩等岩样25组。 对样品进行研磨处理后使用美国ASD公司生产的FieldSpec4光谱仪, 采集煤与岩石样本350～2 500 nm间的反射光谱, 通过预处理之后使用连续统去除法、 一阶微分法、 二阶微分法和SCA-SID模型法对煤岩特征波段2 130～2 250 nm进行特征提取, 将提取到的特征向量用随机森林和SVM算法进行训练并将模型应用在测试集上进行分类。 最终, 测试集上的表现良好, 整体识别率较高, 一阶微分和连续统去除法的识别为83.3%, Kappa系数分别为0.66和0.68。 二阶微分法和SCA-SID模型法的识别率都在90%以上, Kappa系数均为0.83。 从模型的时间复杂度和空间复杂上来说, 二阶微分法较SCA-SID模型法更具有高效性和可靠性。 这些识别的方法为实际工程中井下自动化煤岩识别技术提供了应用参考。

星图识别的速度决定了姿态更新率。针对基于对数极坐标变换的星图识别算法的循环位移带来的耗时问题,提出了一种改进算法。首先寻找距离视场中心最近的星点来构造新的直角坐标系,并转换为极坐标,然后将星点坐标投影至距离轴,构造星模式的特征向量。由于极坐标变换在距离轴上具有旋转不变性,所以避免了循环位移带来的耗时问题。仿真表明,所提算法平均识别时间减少到传统算法的8.4%,受到位置噪声影响时的识别率下降趋势更小,受到伪星和缺星影响时的识别率依旧高于传统算法。由于受到噪声影响时星模式相较于由恒星构成的三角形模式改变较大,所提算法的识别成功率总体上仍会低于三角形识别算法。

提出了一种基于拉曼光谱的混合物组分识别新方法。对混合物的拉曼光谱进行背景校正和去噪处理,利用Voigt函数对拉曼谱峰进行拟合,获取其谱峰的拉曼位移、半峰全宽及强度作为混合物特征参数向量,通过与数据库纯净物特征向量进行相关性分析,实现混合物组分的有效识别。构建了由18种纯净物拉曼光谱数据构成的标准组分数据库,并对6种混合物进行了组分识别实验。实验结果表明,所提方法的识别准确率达到100%。

大多数基于样本块的图像修复算法通过平移来寻找最优匹配块,当破损区域与信息区域存在旋转或尺度缩放时,这些算法则无法对图像进行有效修复。针对这一问题,提出一种基于样本块的旋转及缩放图像修复算法。利用局部特征向量获得与破损区域具有旋转或尺度缩放关系的最优匹配块;对匹配块的空间能量函数进行拓展;实现具有旋转及尺度缩放破损图像的自动修复。实验结果表明,对于具有旋转和尺度缩放的图像,本文算法能够准确搜寻到破损块的最优匹配块,提高了匹配准确率,并且修复效果较好,修复效率较高,稳健性较强。

激光诱导击穿光谱(LIBS)中通常含有丰富的元素特征谱峰，谱峰的准确识别是利用LIBS技术进行元素定性、定量分析的前提和基础。针对传统谱峰元素识别方法准确率偏低、可靠性不足的缺点，提出了一种元素谱峰自动识别的新方法。该方法首先利用Voigt函数对实验光谱进行拟合，以克服谱峰重叠和噪声干扰; 通过滤波处理后提取拟合谱峰的中心波长、光强、半峰全宽和谱峰质心作为谱峰特征参数向量，并将待识别光谱的谱峰特征参数向量与美国国家标准与技术研究院(NIST)标准谱线数据库中的元素谱线进行相似性分析，从而实现谱峰元素的自动识别。分别利用NIST标准数据库和茶叶样品LIBS光谱数据进行实验研究，验证了该方法在LIBS谱峰元素识别上的有效性。

为了对空间天文望远镜精细导星仪获得的星图完成识别, 提出一种层叠式自组织映射(SOM)神经网络算法模型, 将该模型在硬件中实现星特征矢量匹配算法。首先, 针对精细导星仪的特点详细介绍了导航星库的建立、星特征矢量的构建和筛选方法; 其次, 建立层叠式 SOM神经网络模型, 对其权值进行在线训练; 最后, 设计算法离线运行硬件电路并将其在 FPGA中实现。仿真与测试结果表明, 基于层叠式自组织神经网络的星图识别算法识别率高、抗噪声能力强、识别速度快。星点位置噪声为 0.648., 星等噪声为 0.18视星等条件下星图识别成功率在 80%以上, 新算法在 FPGA中运行速度是 PC机上传统三角形法的 100倍。对精细导星仪星图识别算法的优化设计提供了合理可行的参考依据。