一种自适应三维核回归的遥感时空融合方法

时空融合是解决遥感数据高重访周期与高空间分辨率矛盾的一种有效方法。发展了一种综合利用遥感数据空间与光谱信息的三维自适应核回归反射率模型（three-dimensional adaptively local steering kernel regression fusion model,3DSKRFM）,通过提取每个像元的三维控制核（steering kernel）的局部信息,使时空融合过程中的权重自适应调节,提高遥感时空融合的精度。利用两组ETM＋和MODIS（moderate-resolution imaging spectroradiometer）数据进行实验测试,结果表明3DSKRFM相比STARFM和2DSKRFM模型具有两方面的优势：一是充分利用遥感影像多波段的优势,提高融合精度;二是具有更强的鲁棒性,满足实际影像时空融合的需求。

三维医学图像核回归算法的GPU加速研究

核回归理论被广泛应用于医学图像处理和医学图像重建领域,并取得了十分显著的效果。它包括传统核回归方法(CKR)和控制核回归方法(SKR)。三维SKR算法比三维CKR算法具有更优的去噪效果和边缘保持效果,但三维SKR算法的计算量过于庞大且复杂,使其应用领域受到限制。目前,医学图像重建使用的是基于GPU的三维CKR算法,所以基于GPU的三维SKR算法的实现是一项有研究价值且具有挑战性的工作。本文首先优化三维SKR算法的计算过程,然后利用GPU进行CUDA编程实现三维SKR并行加速算法。实验表明,基于GPU的三维SKR算法与基于CPU单线程三维SKR算法相比能获得约244.9～246.3倍的加速比,与基于CPU多线程三维SKR算法相比能获得约123.0～137.4倍的加速比。

基于稳健3D-SKR的序列图像超分辨率重建

考虑目前无需亚像素精度配准的三维导向核回归(3D-SKR)超分辨率重建算法对图像中的离群点高度敏感的问题,引入了稳健估计中的Huber函数,并结合中值滤波,提出了一种稳健的三维导向核回归超分辨率重建算法。该算法将图像中残差大于Huber尺度参数的点视为离群点,利用三维中值滤波对其进行隐藏,然后再使用Huber函数进行超分辨率重建。实验证明,该算法在保持了原有算法的良好特性的基础上,有效地消除了离群点对重建结果的影响。