高光谱图像的异常检测是星上处理中重要的研究内容之一,提出了一种在传统RX算法基础上结合增量学习和层级化的高光谱图像异常检测方法。采用增量学习,当生成新的协方差矩阵时不需要计算所有样本的协方差矩阵即可对检测器模型进行更新,避免了数据的重复计算和逆矩阵的求解。利用层级化方法有效地抑制背景, 提取目标光谱, 增强了检测器的性能。实验结果表明: 相较于SAM算法和传统RX算法, 所提算法检测概率最高,其检测结果与地面目标最为接近; 所提算法的计算复杂度得到了数量级的减弱,与SAM算法相比,运行时间缩短了0.215 s, 因此具有更高的检测速度,占用更少的星上资源,优于传统的RX算法。

为解决工业计算机层析成像(CT)图像的伪影和弱边缘问题,提出一种基于小波变换的图像区域可伸缩拟合能量最小化分割方法,实现图像边缘的精确定位,从而提高图像测量精度。首先,采用小波变换对图像进行预处理,降低金属伪影。然后,采用所提方法精确分割图像,提高感兴趣区域边缘的定位精度。实际数据测量结果表明,所提方法可有效降低图像弱边缘的影响,测量相对误差低于0.7%,相较Chan-Vese算法,测量精度提高了1.4倍,满足实际测量需求。

针对离散-连续能量最小化(DCEM)方法在复杂场景中对轨迹分段或身份标签互换无法有效处理的问题，提出一种改进的DCEM多目标跟踪方法。该方法通过提取被跟踪目标的多特征融合外观向量，利用不同目标间外观特征向量的欧氏距离设计轨迹的外观约束项，处理身份标签互换问题；通过计算相邻时空域内不同轨迹间的运动相似性和外观相似性，设计后处理过程，合并可能为同一轨迹的短轨迹，处理轨迹分段问题。实验结果表明，平均跟踪准确度提高3.6%，平均跟踪精度提高2.5%，并且身份标签互换和轨迹分段情况得到大幅改善，该方法具有更精确更稳定的跟踪能力。

在最小化由马尔科夫随机场(MRF)图像分割模型建立的能量函数方面，基于Graph Cuts 的alpha-expansion是一种比较有效的算法。但是，由此算法构建的s/t 图中边的数目非常多，运算速度很慢。为了减少alpha-expansion算法的计算量，本文在标号为alpha 的像素向其它像素膨胀的过程中，先隔离非alpha 类间的联系，而只考虑alpha类与非alpha 类之间的关系，从而避免了alpha-expansion 算法需要构造辅助结点的问题，减少了s/t 图中边的数目，提高了算法的计算效率。因放松了非alpha 类间的关系对alpha 膨胀的约束，使得算法可以更容易得跳出能量函数的局部极小点而获得更优的分割结果。实验中将改进的算法与传统的基于Graph Cuts 的算法做了对比，显示了新算法在运算时间和最小化能量方面的有效性。

针对传统方法经常将运动阴影也检测为前景的问题,本文将检测问题表示为能量函数,通过最小化能量函数来检测运动阴影。这种方法先用传统的背景对消方法分别得到静态背景和含有真实前景和运动阴影的运动目标,然后在运动目标中,利用阴影的颜色不变性和纹理不变性,以及阴影和前景的时空一致性,构造出能量函数,最后通过最小化能量函数,将真实前景从运动目标中准确地分割出来,从而达到消除运动阴影的目的。我们在包含运动阴影的视频中,对本文方法进行测试,并和其它方法比较。实验结果表明,本文的方法无论在室内场景,还是在室外场景都可以很好地分割前景和阴影。

在分析了可变形模型(Deformable models or snakes)的物理背景的基础上,将量子力学中关于粒子运动的观念及规律引入到目标轮廓的提取中,通过估计粒子从一点到达另一点的概率(相对概率),得到了一种新的目标轮廓提取方法-量子轮廓模型,并对提取的轮廓进行了光滑处理.实验表明,我们的方法有较好的效果、较快的速度.