为了获取无缝的宽视场高分辨率遥感图像，提出基于分布度量和显著性信息的遥感图像拼接算法，主要针对图像拼接过程中的外点剔除、最佳缝合线检测和平滑过渡融合三个方面进行改进。首先，以内点在图像重叠区域的均匀分布程度为准则选取最优内点，以增强图像间的对齐程度；其次，利用图像直线信息和引导滤波确定图像显著性信息，避免缝合线穿过明显地物；最后，通过引导滤波对图像进行双尺度融合，利用空间一致性实现缝合线两侧图像间的平滑过渡。仿真结果表明：在外点剔除阶段，所提算法的互信息相较于RANSAC算法提高了1.93%，稳定性提高了46.55%；在缝合线检测和过渡融合阶段，所提算法的结构相似度（SSIM）相较于QESE算法提高了3.21%，峰值信噪比（PSNR）提高了2.55%。最终获得了亮度均匀、无重影的高质量宽视场高分辨率遥感图像。

针对多聚焦图像融合过程中,如何准确地检测聚焦区域以及克服检测过程中存在的配准错误和噪声敏感问题,提出一种结合滤波算子与双尺度分解的多聚焦图像融合算法。首先,对源图像进行高斯拉普拉斯滤波处理,并将获得的滤波图像与源图像作差分运算,分离出多源聚焦图像的高频信息;然后,利用基于结构的双尺度焦点度量方法对多源图像的边缘与局部高频信息进行分解处理,生成含有边缘互补信息的初始决策图;最后, 采用基于一致性检验方法对得到的初始决策图进行分步细化处理,生成融合决策图,并按照逐像素加权平均规则获得融合图像。实验结果表明,与其他聚焦策略相比,该聚焦区域检测方法对不同噪声具有更高的鲁棒性和更强的聚焦区域识别能力, 处理时间小于0.5 s。

针对多聚焦图像融合中聚焦物体边缘衔接处产生伪影的问题，提出一种基于非下采样Contourlet变换(NSCT)与引导滤波的多聚焦图像融合算法。该算法对多聚焦图像进行NSCT分解后，利用基于边缘的加权融合方案处理低频子带系数，利用双向拉普拉斯滤波器提取带通方向子带系数的边缘和显著信息，通过引导滤波器对初始融合权重进行修正，最后利用NSCT重构获得融合后的多聚焦图像。实验结果表明，与其他融合算法相比，本文算法提高了融合图像的信息丰富度和清晰度，避免在聚焦物体边缘衔接处产生伪影，提高了融合图像的总体质量。

在保证分类结果清晰、准确的前提下，为了提高分类执行效率，本文基于图形处理器（graphicprocessing unit, GPU）及并行优化，提出一种基于归一化光谱向量的高光谱图像实时性非监督分类方法。利用高光谱图像的空间一致性有效提高分类精度，同时，利用归一化光谱向量简化了像元间相似性的计算公式，统一了图像内像元处理方式，并利用GPU 并行技术有效提高计算速度。首先，利用GPU 并行处理方法计算空间相邻像元间光谱向量相似性，根据高斯拟合取得安全阈值；然后利用光谱角作为像元光谱相似测度，将相似像元划为同质区；最后以同质区内各像元平均光谱向量表述同质区光谱特征，根据安全阈值合并相似的同质区完成分类。用AVIRIS 数据评估了该方法性能。本文的理论分析和实验结果显示，与现有非监督分类方法相比，该方法分类精度更高，同时，算法本身运行速度更快。

基于引导滤波和非下采样方向滤波器,提出了一种多尺度方向引导滤波图像融合方法,该方法兼具边缘保持特性和方向信息提取能力,能够有效提取源图像的有用信息。所提方法对源图像进行多尺度方向引导滤波,得到了包含低频近似部分和强边缘部分的低频分量,而后通过高斯低通滤波将其进行有效分离,分别应用基于卷积稀疏表示和区域能量自适应加权平均的融合规则;对高频细节方向分量应用显著性与引导滤波相结合的融合规则,以保持空间一致性,得到了相应的高频细节融合分量。结果表明,所提方法能更好地提取源图像的目标特征信息,保留丰富的背景信息,客观评价指标优于现有方法,融合结果具有更好的主观视觉效果。

由于视觉背景提取算法(ViBe)对存在动态背景的户外视频的前景检测结果依然不够精确, 故提出了一种改进的ViBe算法。文中描述了经典ViBe算法及其特点; 介绍了改进的ViBe算法针对动态背景的改进措施。该算法采用多帧连续图像初始化背景模型, 降低了单帧图像初始化所产生的“鬼影”对前景检测精度的影响; 在匹配过程中, 引入自适应的匹配阈值, 克服了单个的全局阈值对动态背景适应能力差的问题; 最后, 在更新过程引入空间一致性判断与模糊准则来减少算法的误检, 提高了算法的鲁棒性。实验结果表明, 该算法可以有效地检测动态背景下的运动目标, 检测准确率比经典ViBe算法提高了20%以上。

为了提高分类精度和边缘辨识性, 该文引入图像空间一致性降元(pixels reduction with spatial coherence property, PRSCP)及线性回归分析, 提出了一种基于空间一致性降元的非监督分类。 该方法从像元光谱相似性出发, 利用像元最小关联窗口合并相邻相似像元为像块完成降元。 使用线性关系建模像块内像元的光谱向量, 并利用F检验判断像块数据的线性显著性。 利用一元线性回归(one dimensional linear regression, ODLR)估计出像块的基准向量, 根据基准向量合并相似(同类)像块完成分类。 利用AVIRIS数据评估了该方法性能, 实验结果表明: 与K-MEANS和ISODATA方法相比, 该方法精度高、 边缘辨识度好及鲁棒性强。