为提高立体匹配精度, 提出一种超像素分割约束的自适应SAD与Census融合的立体匹配算法。针对SAD在匹配过程中无差别使用窗口内像素点灰度值引入的误差, 首先用简单线性迭代聚类（SLIC）超像素分割方法对待匹配图进行处理, 将分割结果结合窗口内邻域像素点和中心像素点的距离给SAD立体匹配过程中窗口内像素点灰度值赋予适当的权重; 进行Census立体匹配过程, 并对两种算法的匹配结果进行自适应融合; 对初始视差图进行左右一致性检测和遮挡点填充等后处理过程。实验表明, 提出算法与传统算法相比, 匹配效果显著提高, 可以很好地适应细节丰富的图像并且对于有垂直位移的图组也有较好的适应性, 对于图像对比度及光照变化具有鲁棒性。

基于分裂-合并的图像分割方法可以克服传统基于像素的遥感影像分割算法易受噪声干扰、分割效率低、分割效果差等缺点。结合超像素和图的点积表示算法，提出一种新的基于分裂-合并的遥感影像分割方法。首先，采用简单线性迭代聚类（SLIC）算法对图像进行超像素分割；其次，测量每个超像素块的纹理特征，并考虑空间邻近性，计算每两块之间的距离；然后，将每个超像素块视为图中一个顶点，构建相似矩阵，采用修正的图的点积表示算法将每个顶点重新映射为新的向量，并进行基于角度的k-means方法聚类，得到最后的分割结果。实验结果表明，所提方法分割结果稳定，同时有效地提高了分割精度，取得较好的分割视觉效果。

在增强现实领域，实现虚拟对象光照一致性一直是个难题，针对赋予虚拟对象阴影信息时阴影检测效率低的问题，提出一种基于阴影区域构建阴影体实现虚拟对象光照一致性的方法。首先，采用改进的超像素分割（Ⅰ-SLIC）算法对图像进行处理得到更稳定的超像素集合，并根据相邻超像素中心的颜色距离相似度进行超像素合并，以降低后续处理复杂度。然后，采用高斯混合背景模型对分割后的图像进行阴影检测，利用阴影区域与光照参数构建阴影体。最后，根据变换矩阵完成虚拟对象的注册并结合阴影体进行渲染。实验结果表明，所提方法实现了对虚拟对象的阴影渲染，大大提高了增强现实应用带来的真实感，对比其他方法，在时间效率上具有明显优势。

高光谱遥感数据具有详细的地物光谱与空间信息。针对高光谱数据空间信息在以往分类方法中未得到充分利用而导致鲁棒性与分类精度较低的问题,提出了一种改进的超像素分割与三维卷积神经网络分类方法。该方法首先通过超像素分割与模糊聚类对高光谱遥感数据进行区域分割,再使用三维卷积神经网络对得到的区域分割结果与高光谱数据形成的空-谱联合数据进行训练与分类。通过对空间区域进行划分融合,所提方法提升空间信息在分类中的作用,减小“同物异谱”现象对分类的影响,同时引入三维卷积神经网络对空-谱联合数据进行训练与分类,提升了高光谱分类精度。所提方法在Pavia University和Salinas数据集的总体准确率为97.53%和98.48%,与各对照实验相比,具有更为良好的分类效果,验证了所提方法的有效性。

使用简单线性迭代聚类(SLIC)算法对遥感影像进行超像素分割时,存在运行时间长与边缘贴合度差的问题,因此,提出了一种基于改进SLIC的遥感图像超像素分割算法。首先,改进了初始种子点的初始化方式,消除了随机分配造成的影响;其次,在每次迭代后引入滤波操作,去除超像素内与聚类中心在颜色空间上差异较大的像素点,用剩余的像素点更新聚类中心;最后,用改进的均值计算公式进行迭代以实现超像素分割。在Python环境下的实验结果表明,在超像素个数相同的情况下,相比经典的SLIC算法,本算法在相同数据集中的分割误差率降低了7.4%、分割精度提高了1.4%,可在有效提高边缘轮廓贴合度的同时降低算法的计算复杂度。

由于SAR图像固有的相干斑噪声和海陆交界处复杂的地形影响, 利用区域合并方法在进行SAR图像的海岸线提取过程中很容易出现误合并。为解决SAR图像海岸线分割中单一分割尺度造成的误分割问题, 提出基于SLIC超像素的SAR图像海岸线分割算法, 超像素分割后再利用改进的融合光谱和纹理信息的合并代价(CT-Model)进行合并, 最后将海陆交界处的海岸线显示用来进行分割效果对比。实验结果表明, 改进后的合并准则在SAR图像的海岸线分割上具有更好的精确度。

提出一种基于深度迁移学习的无人机高分影像树种分类与制图方法。利用ImageNet上训练的大型卷积神经网络提取树种影像特征,采用全局平均池化压缩树种影像特征,使用简单线性迭代聚类生成超像素,以超像素为最小分类单元,生成树种专题地图。实验结果表明,在类间差距小、类内差距大的情况下,与小型卷积神经网络相比,本文方法收敛更快,总体精度和Kappa系数分别提高了9.04%和0.1547,超像素树种制图边界更加精确。

设计有效的特征向量是显著性检测方法的关键,决定了模型效果的上限,基于深度卷积神经网络和手工提取特征相结合的思路,提出了一种新的基于全局模型和局部搜索的显著性检测方法。在全局模型中,通过对VGG-16网络设计额外的卷积层进行训练,生成初始显著图,达到了从图像整体角度预测每一个候选区域显著性的目的。在局部优化模型中,设计区域对比度描述子和区域特征描述子对多级分割的超像素点进行描述,预测每一个区域的显著性值。最后,利用线性拟合的方法将两种模型中产生的显著图进行融合,得到最终的显著图。对4个数据集进行对比测试实验,实验结果表明,本文方法具有最高的准确率。

为解决大多数舰船检测算法的精度不高、速度较慢等问题，提出一种显著性特征引导的舰船目标快速精细检测方法。首先，利用基于局部与全局整合的视觉显著模型定位目标区域，并通过区域提取得到候选目标切片；然后利用改进的均值聚类方法将目标切片分割为超像素集合；最后通过融合显著图和超像素分割结果，筛选属于目标的超像素来实现精细分割，得到舰船目标的候选区域。实验结果表明，该方法能够准确快速地定位舰船目标，且能精确刻画目标轮廓，更有利于后续舰船识别等后续工作的开展。