针对心脏磁共振图像中的心脏子结构之间灰度差异小导致的边界不清、右心室区域形状大小多变等影响分割精度的问题，提出一种结合频域先验知识和特征融合增强的心脏磁共振图像分割网络。所提模型是一个由频域先验引导子网络和特征融合增强子网络组合而成的D形结构网络。首先，通过傅里叶变换将原始图像从空间域转换为频域，提取出高频的边缘特征，并将频域先验引导的子网络的低级特征与特征融合增强子网络的对应阶段进行特征拼接融合，以提高边缘识别的能力；其次，在特征融合增强子网络的跳转连接处引入具有局部和全局注意力机制的特征融合模块，提取上下文信息并获得丰富的纹理细节；最后，在网络底部引入Transformer模块，进一步提取长距离语义信息，增强模型表达能力，提高分割精度。在ACDC数据集上的实验结果表明，与现有方法相比，所提方法在客观指标和视觉效果上均取得最佳的效果，良好的心脏分割结果能为后续图像分析和临床诊断提供参考依据。

提出一种基于迭代自适应滤波原理的端到端深度神经网络。该网络旨在解决由简单透镜的光学结构引起的显著图像边缘模糊问题。利用具有大视场的单个胶合透镜，提出一种像素级去模糊滤波器，该滤波器可有效地适应模糊的空间变化，从而恢复输入图像的模糊特征。通过模拟和在原型摄像机系统上进行的实验验证了所提方法的有效性。

针对多聚焦图像融合过程中存在聚焦边缘模糊、伪影和块效应的问题，提出一种基于低秩稀疏矩阵分解（LRSMD）和离散余弦变换（DCT）实现多聚焦图像融合的算法。首先，利用LRSMD将源图像分解为低秩和稀疏矩阵两部分；然后，设计DCT方法检测低秩矩阵部分聚焦区域，构建初始焦点决策图，并利用重复一致性验证方法验证决策图，同时设计基于形态滤波的融合策略，得到稀疏矩阵部分融合结果；最后，采用加权重构方法对两部分进行融合。实验结果表明，相较于其他5种主流算法，所提算法在主观评价上具有高清晰度和全聚焦的优势，在客观评价上，边缘信息保持度、峰值信噪比、结构相似性及相关系数4个指标最高分别提高了62.3%、6.3%、2.2%及6.3%，证明所提算法有效提升了对源图像聚焦信息的提取能力，增强了聚焦边缘细节信息，同时对伪影和块效应的减少起到了重要作用。

注意力机制的出现和应用在一定程度上改善了神经网络对全局信息应用不足的缺陷，但常见的注意力机制模块也同样存在感受野小无法关注全局信息的问题，而某些全局注意力机制模块则计算成本过高。为此，提出一种基于卷积、池化、对比方法的轻量化注意力模块，即全局采样空间注意力模块。对于深度网络推理过程中部分模块输出的中间特征图，该注意力模块通过对比差值的形式获取所需要的空间注意力图。全局采样空间注意力模块是一种轻量化的通用模块，能够直接置入卷积神经网络中，增加的成本几乎可以忽略不计，并且其能够与网络一同进行端到端训练。主要在随机抽取的部分ImageNet-1K数据集和团队自制的“低慢小”无人机数据集中对模块进行了验证。实验结果显示，相比其他模块，所提模块在图像分类和小目标检测识别任务中具备1百分点~3百分点的性能提升效果，证明了所提模块的性能与其在小目标检测方面的适用性。

为改善现有融合策略对源图像信息利用不够充分的问题，利用滚动引导滤波器和各向异性扩散来提取基础层和细节层，对获取的基础层和细节层分别使用视觉显著映射和权重图构建的方法进行融合，然后添加某一权重将融合后的基础层与细节层图像融合为最终图像。基于公开数据集的多个场景进行方法实验验证。实验结果表明，相比其他方法，所提方法得到的融合结果具有更好的对比度，在保持图像像素强度均匀分布的前提下在边缘细节处保留了丰富的纹理特征，具有更好的视觉效果和融合精度，同时在平均梯度、信息熵、空间频率等指标上取得了显著的进步。

针对微光图像增强算法存在泛化能力较差的问题，提出一种基于多尺度深度曲线估计的微光图像增强算法，通过学习不同尺度微光图像与正常图像之间的映射关系实现微光图像增强。参数估计网络包括3个尺度的编码器和1个融合模块，可以高效直接地学习微光图像。每个编码器由级联的卷积层和池化层组成，具有特征层重复使用的优点，提高了计算效率。为增强对图像亮度的约束，提出一种亮通道损失函数。基于LIME数据集、LOL数据集和DICM数据集，对所提方法与其他6种先进算法进行对比。实验结果表明，所提方法能够得到色彩鲜艳、亮度适中、细节丰富的增强图像，在主观视觉效果和客观定量评价上均优于其他算法。

针对目前LiDAR点云对象基元获取方法存在的运算量大、不能对建筑物不同屋顶平面进行有效分割等问题，提出一种基于多约束图形分割的点云对象基元获取方法。该方法采用基于图的分割策略，首先使用邻近点约束条件构建网图结构，以此来降低图的复杂度，提高算法的实现效率；然后对相邻节点的法向量夹角进行阈值约束，从而将位于同一平面的点云分割为同一对象基元；最后进行最大边长约束，对建筑物点云与其邻近的植被点进行分离。为验证所提方法的有效性，选用3组由国际摄影测量与遥感学会（ISPRS）提供的公开测试数据集进行测试以及2组由武汉大学提供的数据集进行实验分析。实验结果表明，所提方法能够有效分割建筑物的不同屋顶平面。使用DBSCAN和谱聚类方法与所提方法进行对比，利用准确率、召回率和F1得分作为精度评价指标。相比其他方法，在5组不同建筑物环境的点云数据中，所提方法均能取得最佳的整体分割效果，召回率和F1得分均优于其他两种方法。

当前基于深度学习的目标检测算法已较为成熟。然而，基于少量样本检测新类仍具有挑战性，因为少样本条件下的深度学习容易导致特征空间退化。现有工作采用整体微调范式在丰富样本的基类上进行预训练，在此基础上构建新类的特征空间。然而，新类基于多个基类隐式地构造特征空间，其结构较为分散，导致基类与新类之间可分性较差。采用对新类和与其相似的基类进行关联再识别的方法进行少样本目标检测。通过引入动态感兴趣区域头，提升模型对训练样本的利用率，基于二者间的语义相似度，显式地为新类构建特征空间。通过解耦基类和新类的分类分支、添加通道注意力模块及增加边界损失函数，提升二者间的可分性。在标准PASCAL VOC数据集上的实验结果表明，所提方法的nAP50均值较TFA、MPSR及DiGeo分别提升10.2、5.4、7.8。

图像分割是计算机视觉领域的重要研究方向。模糊聚类方法由于其无监督的特性，在图像分割中得到了广泛的应用。然而，传统的模糊聚类方法在处理含高强度噪声和复杂形状的图像时，往往分割效果不理想。为了解决这一问题，提出了一种基于显著性检测的权重因子，用于构建加权滤波器和像素相关性模型，从而提高算法的抗噪能力。所提加权滤波器在结构相似性上比传统滤波器的最优结果高出0.1。此外，引入核度量以适应复杂图像的分割需求。在合成图像、自然图像、遥感图像和医学图像上进行了大量实验，结果表明，所提算法在视觉效果上优于传统方法，并且在分割精度上比传统方法的最优结果高出2%。

针对车底危险物图像拼接中存在特征点匹配精度低、匹配速度慢、拼接处存在裂缝以及拼接时间久的问题，提出一种车底危险物图像快速拼接算法。首先，利用角点检测（FAST）算法进行图像特征点提取，再用二进制鲁棒不变可扩展关键点（BRISK）算法对保留的特征点进行特征描述；其次，用快速最近邻搜索（FLANN）算法进行粗匹配；接着，使用渐进一致采样（PROSAC）算法进行特征点提纯；最后，利用拉普拉斯金字塔算法进行图像融合与拼接。实验结果表明：在车底危险物图像数据中，与SIFT、SURF、ORB算法相比，所提算法的图像特征匹配精度分别提高13.10百分点、8.59百分点、11.27百分点，匹配时间分别缩短76.26%、85.36%、10.27%，图像拼接时间分别缩短63.73%、64.21%、20.07%，拼接处不存在明显裂痕。因此，基于FAST、BRISK、PROSAC和拉普拉斯金字塔组合的图像拼接算法是一种优质的图像快速拼接算法。