针对处理超高分辨率图像时面临的内存成本和风格迁移过程中过度风格化，提出了一种结合可逆网络的超高分辨率图像的风格迁移方法。该算法采用可逆的Glow模块作为基本单元构建可逆神经网络模块，并将图像分为小块处理; 在风格迁移模块中使用具有通道注意力机制的残差模块和缩略图实例化归一化模块(TIN)，以保证各模块风格一致; 提出基于全局-局部的损失计算方式，能够有效地处理局部的结构特征。实验结果表明，相较于当前通用的各种神经风格迁移网络，所提算法不仅能够避免图像在编码和解码过程中的信息丢失问题，而且能以更低的内存成本实现更优的风格迁移。

深度学习通过训练样本进行特征识别,已经被广泛应用于道路提取领域。该方法不局限于特定类型的影像,但是受训练样本数量和计算机硬件的限制,所提取的道路会有断裂和噪声。针对上述问题,使用VGG卷积神经网络对道路进行初步提取后引入张量投票方法进行优化处理。首先通过影像变换、随机裁剪、过采样等方法对样本进行多模式扩充,进而训练VGG卷积神经网络模型;其次利用该网络从原始影像中初步分割道路面,接着对道路面的二值影像进行张量投票获取道路的显著性信息;最后在特征提取时针对显著性信息加入阈值获取道路面。实验结果表明,所提方法提取道路的召回率与正确率均达90%以上,与其他传统方法相比具有更高的精度,验证了所提方法的有效性。

针对目前遥感影像分类应用中常用的浅层机器学习算法无法满足当前海量遥感影像数据环境下分类精度的问题,提出了一种将全卷积神经网络应用于遥感影像分类的方法;为了减少影像特征图在池化过程中自身特征的丢失,增加池化层与反卷积层的融合;为了提高融合的可靠性,增加尺度变换层;为了获得更精细的边缘分类结果,考虑像素之间的空间相关性,采用均值漂移聚类分割获取像素的空间关系,通过统计聚类区域像素概率的和最大、方差最小的方法确定该区域对象的类别;选取典型地区的影像进行分类实验,并将所提出的分类方法与全卷积神经网络、支持向量机、人工神经网络方法进行对比。结果表明,所提出的分类方法的精度明显高于传统机器学习方法的精度。

针对传统浅层机器学习方法应用于高分辨影像分类时存在的问题, 提出了结合最小噪声分离变换和卷积神经网络的高分辨率影像分类方法。采用最小噪声分离分析非监督训练初始化卷积神经网络, 为提高训练速度, 使用线性修正函数作为神经网络的激活函数; 利用概率最大化采样原则减少池化过程中影像特征的缺失, 并将下采样后影像特征输入Softmax分类器进行分类。采用所提分类方法对典型地区的影像进行分类实验, 并与支持向量机和人工神经网络分类方法的分类结果进行对比。结果表明, 所提分类方法的分类精度明显高于另两种分类方法的分类精度, 并能充分挖掘高分辨遥感影像的空间信息。

高分辨率遥感图像具有高度细节化的多尺度表达能力，在有效表达地物边缘信息的同时，目标内部几何细节常以噪声的形式出现.提出将光谱相异性和小波变换相结合的边缘特征检测算法，克服了小波变换导致的边缘变形，并能够有效抑制噪声.根据光谱角原理定义归一化光谱相异性模型，并与二进小波变换结合，同时利用梯度方向余弦值对各个波段的梯度幅值加权，最后根据向量场模型计算多光谱图像的梯度幅值和梯度方向，细化后获取由细到粗的多层次边缘特征.实验结果与小波变换和传统检测算子的检测结果相比，表明该算法利用光谱相异性信息增强边缘响应强度，保证了所有尺度下获取的边缘轮廓不失真，边缘点定位准确; 加权处理突出了多波段梯度主方向信息，也有效抑制了高分辨率图像上目标内部精细几何细节形成的噪声.

针对某型高分辨率航空摄像机输出数据流达到每秒200兆字节，常规方法难于实现图像数据实时记录的问题，提出一种自启动多通道混合同步直写SCSI硬盘的方法.通过新设计的状态控制器，优化了SCSI硬盘的记录时序，使多个并行记录通道能根据数据缓存器和硬盘的状态自动产生独立的直写脉冲，以混合同步的方式将数据高速记录到硬盘上.实验结果表明:该方法可使图像数据持续记录速率达到每秒200兆字节，储存容量可达280吉字节，且结构简单、实用.

对非线性外推图像增强算法进行分析,充分考虑图像高频分量的局部特征,提出一种新的非线性滤波剪切策略包络阈值剪切算法.改进后的算法使整幅图像的增强趋于均匀化,增强效果显著改善.结合该算法重建得到的高分辨率图像,明显优于只用插值算法得到的结果.