沉浸式的虚拟现实体验中视觉诱发晕动症（Visually Induced Motion Sickness， VIMS）是影响虚拟现实系统发展与应用的一个重要问题。现有的基于视觉内容的评价方案大多考虑的要素不够全面，对运动信息的提取较为简单，且少有考虑时域上的突变对晕动症的影响。针对上述问题，提出了虚拟现实中视觉诱发晕动症时空多特征评价模型；基于立体全景视频中空域、时域信息来设计视觉诱发晕动症评价模型，采用更符合人眼感知的加权运动特征，并考虑了立体全景视频时域的突变信息设计了特征提取方式。所提出模型分为预处理模块、特征提取模块及时域聚合与回归模块。预处理模块用于视口提取和光流图、视差图、显著图的估计。特征提取模块包含前背景加权运动特征提取、基于变换域的视差特征提取、空间特征提取及时域突变特征提取。时域聚合后通过支持向量回归得到VIMS评价分数。实验结果表明，该模型在立体全景视频数据库SPVCD上的预测结果与平均主观意见分的皮尔逊线性相关系数为0.821、斯皮尔曼相关系数为0.790、均方根误差为0.489。该模型取得了优良的预测性能，验证了所提出特征提取模块的有效性。

光场相机能够同时捕获光线的强度和方向信息，但由于成像传感器尺寸的限制，无法同时获得高空间和角度分辨率的光场图像。提出了一种联合傅里叶卷积和通道注意力的光场角度重建方法，通过使用稀疏光场图像4个边角位置的参考视图，可以间接地重建出密集光场图像。考虑到光场数据的内在4D结构，采用通道级密集快速傅里叶残差卷积块，在空域和频域对光场图像的空间和角度相关性进行建模，然后采用基于全局响应归一化的通道注意块，以实现通道间的自适应融合。此外，还提出了一种改进的视点加权间接合成方法，通过为每个参考视图分配一个置信图，为参考视图之间建立联系以合成更真实的新视图。实验结果表明，相比于现有先进的光场角度重建算法IRVAE，所提方法的重建光场图像质量在自然光场数据集30Scenes，Occlusion和Reflective上的平均PSNR分别提高了0.08，0.13和0.13 dB。所提方法在保证光场角度一致性的前提下取得了清晰的重建结果。

菊花为菊科植物菊的头状花序, 滁菊、 贡菊、 杭菊和亳菊是常见的几类药用品种菊花。 不同品种菊花在外观上具有极大的相似性, 非专业人员仅凭肉眼难以对其进行准确鉴别分析。 常规仪器分析法检测成本较高, 分析时间较长, 且需要对样品进行破坏性处理, 影响了产品的二次销售。 近红外光谱技术作为近年来快速发展起来的一种绿色、 简单、 快速的新型检测技术, 在中药鉴别领域取得了很大的进展。 基于便携式近红外光谱仪结合化学计量学方法建立了一种菊花品种无损鉴别方法。 利用便携式近红外光谱仪采集了滁菊、 贡菊、 杭菊和亳菊完整以及粉末状两种物理形态样品的光谱, 采用单一以及组合光谱预处理方法消除光谱中存在的干扰, 结合不同模式识别方法(主成分分析法、 软独立模式分类法和Fisher线性判别分析法)分别构建了不同品种菊花的鉴别模型。 结果表明: 由于仪器的限制及样品物理性状的原因, 光谱中存在较为明显的背景、 基线漂移以及噪声的干扰, 完整样品由于物理性状的原因, 基线漂移干扰尤为严重; 采用主成分分析法结合光谱预处理方法无法实现不同品种菊花的准确鉴别, 完整样品最佳鉴别正确率仅为8.33%, 粉末样品最佳鉴别正确率为52.38%; 通过软独立模式分类法结合预处理方法可以得到较为准确的鉴别结果, 完整样品光谱数据经一阶导数+多元散射校正优化后鉴别正确率为95%, 粉末状样品数据采用原始数据的鉴别正确率为92.5%; Fisher线性判别分析方法结果最佳, 完整样品数据经连续小波变换优化后可以得到97.5%的鉴别正确率, 粉末状样品采用原始光谱便可得到100%鉴别正确率。 以上结果表明, 当采用合适的预处理和建模方法, 完整样品和粉末状样品鉴别结果较为一致, 基于便携式近红外光谱仪结合化学计量学可实现对不同品种菊花的准确无损鉴别分析, 为食药同源产品的无损鉴别分析提供了新途径。