基于光学图像处理的毁伤评估在现代化战争中占据重要地位,如何在实战或演训过程中对目标的毁伤进行准确评估,受到各军事强国的高度关注。毁伤效果评估是军事行动中的重要环节,评估工作的关键是光学图像处理技术与方法的创新,贯穿于评估工作的始终。本文主要针对光学图像处理的去噪、配准、变化检测和毁伤评估等存在的科学问题进行系统研究,具体包括以下几个方面:第一,针对战场环境的恶劣及成像设备自身的影响,图像在生成过程中容易受到噪声的干扰。常规的去噪算法会对图像的边缘和纹理造成破坏,根据毁伤情境下图像的去噪需求,提出了一种改进的P-M去噪模型。首先,对P-M模型的扩散函数进行了修正。其次,对于较大灰度值的噪声点和密集噪声,使用经过中值滤波与P-M模型耦合的改进算法进行去噪。最后通过仿真实验验证了改进的算法在去噪同时有效的保护了毁伤图像边缘和纹理信息。第二,针对由高空侦察机拍摄的毁伤图像存在拍摄前后的角度和位置难以保持一致的问题,在图像变化检测之前,需要对毁伤前后的图像进行配准。本节在SURF图像配准算法的基础上提出了一种改进算法,该算法使用BRIEF描述子对特征点进行描述,并通过几何约束算法对随机一致性抽样算法进行改进,实现了匹配点对的提纯,最后求出单应矩阵并应用于待配准图像。仿真实验中改进的算法相较于SURF图像配准算法,配准偏移平均下降了3.14,配准时间平均下降了%25,表现出优良的抗噪性、准确性及实时性。第三,针对毁伤前后图像变化检测的难点,本章首先采用模糊C均值聚类算法进行变化检测,但检测后的结果存在过多散斑且精确度不高的问题。为进一步精确检测变化区域,考虑到像素间的相关性,在聚类的基础上加入多尺度MRF邻域信息,提出了基于多尺度的MFCM变化检测模型。仿真实验结果表明,改进的算法在去除孤立点影响和提高精度方面相比于模糊C均值聚类算法有较大提升,分析实验过程中收集的数据得到,多尺度MFCM检测算法相较于模糊C均值聚类算法在误差率方面平均降低了%04.15,正确率平均上升了%92.9。第四,针对目前的毁伤评估理论体系不够完善且没有统一评估标准的问题,本章在完成图像预处理及变化检测的基础上,提出了一种基于几何特征和纹理特征相结合的毁伤效果评估系统,并详细列出了毁伤评估影响因素和毁伤评估的逻辑流程。最后通过真实毁伤数据进行仿真实验,证明了课题研究的可行性。