具有极高营养价值且被誉为东方“橄榄油”的油茶树是我国南方地区重要经济林， 我国是世界上油茶树分布最广的国家。 提取油茶种植分布和面积对林业部门开展油茶的宏观管理和生产指导具有重要意义。 以地处亚热带地物复杂且多山地丘陵的湖南省常宁市为研究区， 该区域分布有大量农田和森林， 且部分植被季节变化较大， 对油茶的遥感提取带来了很大挑战。 提出了基于春夏秋三期的GF-2号高分辨率卫星影像， 综合植被指数、 纹理特征、 PCA主成分3种特征， 以及春夏、 春秋、 夏秋、 春夏秋四种不同时序组合和随机森林（RF）算法共构建了17种分类场景（S1—S17）， 运用随机森林（RF）、 支持向量机（SVM）、 最大似然（MLC）三种不同分类算法开展油茶遥感提取实验， 筛选出最优特征组合、 最佳分类季节与最优时序组合、 最优分类方法。 结果表明: 仅基于光谱信息分类精度低， 纹理特征的加入可大幅提升精度， 而PCA对于精度的提升效果微弱; 通过比较不同季节单时期的分类结果发现油茶提取精度最高的季节为夏季， 夏季单时期影像在最优特征组合(S8)中油茶生产者精度（PA）为94.06%， 油茶用户精度（UA）为92.57%; 在分类场景S10—S17中实验发现， 采用时序信息要比单时期影像有明显的精度提升， 时序组合分类精度由高到低依次为: 春夏秋、 春夏、 春秋、 夏秋; 综合光谱、 纹理、 时序信息通过随机森林（RF）、 支持向量机（SVM）、 最大似然（MLC）进行油茶提取， 随机森林算法分类精度总体表现最好。 采用春夏秋多时相遥感植被指数、 纹理、 PCA的随机森林方法(S17)是分类精度最高的方案， 总体精度（OA）和Kappa系数分别为96.85%和0.961 0， 油茶生产者精度（PA）为98.31%， 油茶用户精度（UA）为94.33%; 采用春夏时相遥感植被指数、 纹理的随机森林方法（S10）为兼顾计算效率与精度的最优方案， 总体精度（OA）和Kappa系数分别为95.62%和0.9458， 油茶生产者精度（PA）为96.93%， 油茶用户精度（UA）为95.09%。 所提出的最佳油茶遥感提取方案能够为亚热带地区油茶及其他经济林的遥感监测提供参考。

为了提高遥感图像的融合质量, 使其兼顾较好的纹理特征与对比度, 提出了非下采样变换耦合双重制约模型的遥感图像融合算法(NSST)。通过IHS模型来解析多光谱图像(MS), 提取其对应的强度(I)、色调(H)、饱和度(S)成分; 借助NSST, 从I成分和全色图像(PAN)中解析出低频和高频系数; 通过信息熵和均值模型, 计算出图像富含的信息及亮度丰富度, 以完成低频系数的融合。利用高频系数与方向矩阵的卷积运算, 得出图像的纹理特征, 计算图像的标准差, 获取对比度信息。在联合纹理特征和对比度, 构造双重制约模型, 完成高频系数的融合。再对融合系数完成逆NSST和逆IHS运算, 得出融合图像。实验数据表明, 较现有的融合技术而言, 所提算法的融合图像含有更为丰富的纹理与更高的对比度。

Surgical excision is an effective treatment for oral squamous cell carcinoma (OSCC), but exact intraoperative differentiation OSCC from the normal tissue is the first premise. As a noninvasive imaging technique, optical coherence tomography (OCT) has the nearly same resolution as the histopathological examination, whose images contain rich information to assist surgeons to make clinical decisions. We extracted kinds of texture features from OCT images obtained by a homemade swept-source OCT system in this paper, and studied the identification of OSCC based on different combinations of texture features and machine learning classifiers. It was demonstrated that different combinations had different accuracies, among which the combination of texture features, gray level co-occurrence matrix (GLCM), Laws' texture measures (LM), and center symmetric auto-correlation (CSAC), and SVM as the classifier, had the optimal comprehensive identification effect, whose accuracy was 94.1%. It was proven that it is feasible to distinguish OSCC based on texture features in OCT images, and it has great potential in helping surgeons make rapid and accurate decisions in oral clinical practice.

采用数字图像相关(DIC)法对物体表面形变进行测量,并通过散斑场的形变对被测物的真实变化进行研究。对散斑质量评价方法进行研究,以求在测量前即可判定所采用的散斑对测量精度的影响。根据DIC法对散斑图像的具体要求,提出基于灰度共生矩阵(GLCM)的散斑质量评价方法。对实际散斑图像进行亚像素刚体平移仿真模拟,采用GLCM中的能量、熵、对比度和相关性指标与DIC法的测量结果进行对比分析,并与平均灰度二阶导数和香农熵进行对比实验。通过改变散斑图像的整体亮度等级与亮度分布情况,探究不同光照情况对实验结果准确度的影响。实验结果表明,GLCM在散斑图像质量评价中具有一定的有效性。

为解决目标跟踪过程中目标表示鲁棒性和实时性的问题，构建了一种全新的纹理描述算子，并以此完成目标表示进而实现鲁棒的目标跟踪。该算子通过计算邻域像素与中心像素相似的数量，并充分利用中心像素的局部梯度信息，构成一组3 维向量完成纹理描述，统计真实目标区域内像素的纹理信息完成目标表示，同时采用一种简单的在线机制更新目标模板，进而嵌入到粒子滤波框架完成目标跟踪。实验结果表明，该方法在光照变化、姿态变化、遮挡、运动模糊等情况下均能完成鲁棒跟踪，平均跟踪成功率为87.9%，表明该算子具有良好的旋转不变性和光照不变性，对复杂纹理结构有较强的区分能力。

利用人眼对比敏感度视觉特性和图像的纹理特征，提出了一种彩色图像的水印算法。算法首先依据图像的纹理特征，将图像进行分割；再将水印嵌入到图像纹理复杂的部分，并利用人眼对比敏感阈值控制水印的嵌入量，从而实现水印的嵌入；最后利用逆过程实现水印的提取。同时对3幅不同复杂纹理的图像进行仿真实验，并对3幅含水印图进行5种方式的攻击测试，且与近些年国内外报道的8种水印算法进行对比分析。结果表明，在中间剪切1/4区域、质量因子为20%的压缩和旋转90°较强的攻击下，提取水印的NC值和含水印图的SSIM值均仍能达到0.8以上，且比8种水印算法具有更好的鲁棒性。综合结果表明，在水印嵌入过程中，提出的算法能够有效解决水印容量与视觉透明性、鲁棒性之间的平衡，是一种行之有效的图像水印算法。

近年来通过计算机技术对瘢痕实现无损诊断的研究进展迅速, 其对瘢痕图像纹理特征的量化分析得到了很好的诊断效果。在这个过程中出现了很多纹理描述方法, 这些方法的提出也促进了纹理研究的发展。本文在对灰度共生矩阵(GLCM)、局部三值模式(LTP)等统计纹理分析方法进行介绍的情况下, 在瘢痕图像上利用梯度迭代回归树算法给出了不同方法的实验结果, 得到了不同方法的回归模型。这些模型的性能体现在对不同年龄瘢痕的预测能力, 其中局部差异局部二值模式(LD-LBP)和局部方向三值模式(LOTP)得到的模型预测能力最好, 说明它们是目前对瘢痕图像纹理描述比较准确的方法之一, 同时表明统计纹理分析方法适合用于瘢痕图像的纹理研究。

云是遥感图像分析处理的一大障碍,为了解决这一问题,基于高分1号遥感影像光谱和纹理的多维特征信息,提出一种综合优化的云检测方法。 针对光谱检测出的似云区域,采用新的子图分割方法,结合动态阈值设置,有效提高了纹理检测的正确率。由于固定的光谱阈值设置和 纹理检测都无法获取复杂环境下的云层边界信息,算法采用大津法予以修复。结果表明,可有效地检测出影像中的云覆盖区域,实 现薄云、厚云以及厚云边界信息的最佳提取。

为实现干制红枣的快速鉴别, 提出了一种基于近红外高光谱成像技术的鉴别方法。 采集四个品种共240个样本干制红枣的近红外高光谱图像(1　000～1　600　nm)。 通过主成分分析法(principal component analysis, PCA)、 载荷系数法(x-Loading Weights, x-LW)和连续投影算法(successive projections algorithm, SPA)分别提取7个、 8个和10个特征波长; 基于灰度共生矩阵(gray level co-occurrence matrix, GLCM)提取第一主成分图像的纹理特征。 分别以光谱特征、 纹理特征、 光谱和纹理融合特征作为输入, 建立偏最小二乘判别分析(partial least squares-discriminant analysis, PLS-DA)、 反向传播神经网络(back-propagation neural network, BPNN)和最小二乘支持向量机(least squares support vector machines, LS-SVM)模型。 结果显示, 基于融合特征的模型鉴别率高于分别基于光谱特征或纹理特征的模型鉴别率; 基于融合特征的BPNN模型的结果最优, 对预测集样本鉴别正确率为100%。 说明近红外高光谱成像技术可用于干制红枣品种的快速鉴别。