高光谱遥感技术通过成像光谱仪记录带有地物光谱信息的辐射信号, 获得包含光谱信息和空间信息的三维高光谱图像, 在光谱解混、 图像分类、 目标检测等方面取得了广泛的应用。 近年来, 随着遥感技术的发展及人们对获取目标准确位置的需求逐渐加大, 目标检测取得了较快的发展。 根据是否提前掌握目标光谱作为先验信息, 目标检测分为光谱匹配检测和异常检测。 光谱匹配检测需要目标光谱作为先验信息, 通常检测精度较高、 效果较好。 而异常检测不需要先验信息, 应用范围更广, 但是检测精度通常低于光谱匹配检测。 由于实际应用中缺少完备且实用的光谱库, 先验信息的获取较为困难, 不需要先验信息的异常检测成为研究的热点。 针对异常检测与光谱匹配检测相比精度较低的问题, 提出一种基于近似后验信息的高光谱异常检测算法。 首先利用矩阵分解算法对原始高光谱图像数据进行矩阵分解, 得到纯净的背景矩阵与包含噪声的异常矩阵。 舍弃异常矩阵, 将得到的背景矩阵作为近似背景信息。 然后计算图像所有像元光谱向量与背景矩阵中均值向量的马氏距离对图像进行初始异常检测, 得到初始异常像元, 将初始异常像元光谱取均值作为近似目标信息。 最后将近似背景信息与近似目标信息作为先验信息, 进行正交子空间投影得到最终的异常检测算法。 将本算法作用于图像中所有像元, 得到对整幅图像的异常检测结果。 为证明本算法的优良效果, 采用一组仿真数据和一组AVIRIS真实高光谱数据进行实验, 并与RX, LRX和LSMAD算法进行对比。 实验表明, 无论是从定性的角度还是定量的角度来看, 该算法能够有效抑制噪声, 在信噪比较低的情况下仍然可以有效地检测出图像中的异常目标, 检测精度较高并且对检测效率的影响不大, 取得了较好的检测效果。

点云分割是点云处理的一个关键环节,其分割质量决定了目标测量、位姿估计等任务的精确与否。提出了一种采用空间投影的深度图像(RGB-D)点云分割方法,在分析了相机模型、RGB-D数据特征以及图像阈值与目标点云关系的基础上,建立靶标坐标系与点云区域的模型,进一步地结合靶标坐标系和图像阈值,把点云变换至靶标坐标系以突出目标区域、弱化背景区域,并用图像形态学处理所投影的像素值以及分割图像以获得所对应的点云区域。建立3种测试场景以获得3组不同的点云数据,采用4种方法对点云进行分割对比,其中采用空间投影的方法能获得较高的点云分割质量;对空间投影中的膨胀元素、数值与分割质量的关系进行测试分析,结果表明了采用空间投影的方法对RGB-D点云分割的有效性和可行性。

针对高光谱遥感图像中存在的条带噪声,提出了一种基于低通滤波残差图的条带噪声去除算法。算法首先使用高斯低通滤波器对图像进行滤波,得到低通滤波残差图;然后借助条带噪声秩为1以及残差图中的细节与条带噪声正交的先验信息,使用正交子空间投影技术将低通滤波残差图中的条带噪声和图像细节进行分离;最后将分离出的细节信息加入滤波后的图像中。通过对上述三步不断迭代,算法能够有效地去除图像中的条带噪声,并且能够解决低通滤波法去条带造成图像模糊的问题。实验结果表明,与现有前沿的去条带算法相比,该方法能在有效去除条带噪声的同时很好地保持图像的信息。

为解决盲源分离技术难以直接用于高光谱图像解混这一问题, 将丰度非负及和为1约束作为盲源分离的目标函数, 改变传统的独立性假设；同时, 针对目标函数中具有大量的局部极小, 引入蝙蝠优化算法, 解决传统梯度类优化算法易陷入局部极值的问题.在降维过程中, 提出一种基于奇异值分解去噪的正交子空间投影的降维方法.仿真数据和真实遥感数据实验表明, 所提出算法收敛速度和解混准确度高, 具有较强的抗噪声干扰能力, 适用于像元纯度很低的高光谱图像解混.

光谱解混是高光谱技术中的关键部分, 对地物成分的定量分析至关重要。 线性光谱解混方法在计算端元丰度时, 大多需要涉及矩阵求逆或方阵行列式的计算, 导致软件实现的计算复杂度高, 且硬件实现困难。 同时, 当端元数量增加时, 算法的计算量也会随之呈指数级快速增长。 论文基于传统的正交子空间投影方法, 利用正交原理, 提出了一种新的光谱解混方法——正交向量投影。 该方法首先利用Gram-Schmidt过程计算每个端元的最终正交向量分量, 并将其作为代表端元的投影向量。 然后对于任意的待解混光谱向量, 直接将其投影到该正交向量上。 最后, 计算得到投影分量的长度与正交向量的长度比, 即为该正交向量所代表端元的无约束丰度。 该过程避免了正交子空间投影和最小方差方法中计算复杂、 实现困难的矩阵求逆运算, 更便于并行计算的设计和硬件实现。 通过理论的推导分析, 证明了该算法与正交子空间投影和最小方差方法是完全一致的。 另外, 由于算法避免了矩阵相乘和求逆运算, 简化了解混过程, 通过对不同算法复杂度的具体分析, 也证明该算法相对其他算法可以对端元数量降低一个量级。 最后, 在模拟数据和实际图像上分别进行实验测试, 结果的分析和比较, 也说明了算法的有效性。

提出了一种基于场景的空间投影估计和时域迭代百均匀性校正算法（SPETI）.这种方法 主要是通过投影估计来估算全局位移，并且在连续多帧图像中进行迭代计算.首先，为配准准则设计了一个新的投影估计；然后，计算相邻帧并进行迭代计算，以此来获得较快的固定图案噪声（FPN）收敛，同时减少鬼影的产生；最后，将本算法移植至基于FPGA的硬件系统中.在连续单调运动的系统中测试算法的各项指标，并且将实际的校正效果予以展示.为了与自适应最小均方差算法和全变差算法进行比较，对一个完全干净的红外图像序列添加了人为的非均匀性.将固定标准增益和偏置非均匀性添加到图像序列上，以测试迭代次数与非均匀性等级的关系.

针对高光谱图像混合像元影响异常检测效果的问题, 提出了一种基于端元提取的异常检测算法。该算法采用小波分解, 将原始高光谱图像分解为高频信息图像和低频信息图像, 舍弃低频信息图像, 只利用高频信息图像, 从而抑制了背景, 突出了目标；然后使用正交子空间投影( OSP)方法提取图像的端元光谱；最后根据提取的端元光谱, 采用光谱角匹配( SAM)技术完成高光谱图像的异常检测。为了验证本文方法的有效性, 利用 AVIRIS高光谱数据进行了仿真实验, 取得了较好的检测效果。与其他算法相比, 结果表明, 本文算法的检测性能明显优于传统算法, 既降低了虚警率, 又大大缩短了计算时间, 适用于实时的高光谱图像异常目标检测。

超光谱成像遥测污染气体的主要目的是对其进行识别分类，进而获得其空间分布信息，确定污染源位置。实际应用中，目标光谱叠加在强背景辐射之上，此外开放路径中的实测光谱还包含大气等干扰物光谱，这些因素制约了对目标光谱的识别分类。在线性模型基础上，利用正交子空间投影方法有效压缩背景及干扰物信息，并基于广义似然比检验原理构建子空间检测器，对所有像元逐个分类识别。以氨气为目标气体进行了野外实验，数据立方体来自扫描成像傅里叶变换红外(FTIR)光谱仪，子空间向量由奇异值分解(SVD)算法得到。结果表明，子空间检测器对所有像元的识别结果优于光谱角度填图(SAM)算法。

端元光谱提取是高光谱影像混合像元分解的关键。 现有的端元提取方法多是仅利用了影像的光谱信息, 忽略了像元间的空间相关性。 现有研究基础上, 提出了一种结合影像空间和光谱信息的高光谱影像端元光谱自动提取方法(integration of spatial-spectral information based endmember extraction, ISEE)。 该方法首先进行影像子空间划分以增强影像局部的光谱信息特征, 然后通过特征空间投影分析获得影像候选端元, 最后依次在影像空间信息约束下和端元光谱信息约束下进行优化, 得到最终的影像端元光谱集。 仿真高光谱影像和真实高光谱影像的实验结果表明, 结合影像空间和光谱信息的ISEE方法是有效的, 且比一些常用方法提取的端元光谱更为准确。