提出一种小波-空间高阶特征聚合网络（WHFA-Net），该网络可分为小波域特征提取和空间域特征提取两个分支。首先，将Harr小波变换嵌入卷积神经网络（CNNs），保留深度卷积特征的低频分量作为小波深度特征；其次，利用最大池化进行深度特征学习，并将其输出作为空间深度特征；将两分支的深度特征进行向量化后，获取其自相关和互相关高阶深度特征向量，并依次进行特征正规化、特征聚合和特征归一化操作；最后，引入交叉熵损失函数进行端到端网络训练。在NWPU45（NWPU-RESISC45 Dataset）和AID（Aerial Image Dataset）数据集上的实验结果表明：相较于基准网络（VGG-16），本文所提WHFA-Net的场景分类准确率有5.13%~12.12%的提升；与DCCNN、APDC-Net、GBNet、LCNN-BFF、MSCP和Wavelet CNN相比，WHFA-Net的场景分类准确率均有不同程度的提升；通过消融实验验证了各模块和分支的有效性及其性能差异。因此，WHFA-Net可有效且稳定地抽取遥感场景图像不同特征域的高阶聚合特征，并提升场景分类准确率。

结合多靶磁控溅射镀膜方法和自制的一维位移挡板样品台制备了基于TiO₂和SiO₂的可见光谱区线性渐变滤光片（LVOF）。使用商用分光光度计和一维手动平移样品台对样品进行光谱表征。重点研究了退火温度和时间对LVOF透射光谱的影响。结果表明，LVOF样品的可工作光谱范围为510~700 nm，且样品上不同位置的透射光谱峰值与样品位置呈现出良好的线性关系。在300 °C下进行1 h真空退火处理后，样品的透射率得到了显著提升，优于60%。这表明退火处理可显著提升LVOF的性能。

为了解决传统Chan-Vese(CV)模型难以快速、精确提取金相晶粒的问题,提出一种基于改进区域项CV模型的金相图像分割方法。该方法利用倒数交叉熵阈值选取准则函数替代传统CV模型中能量函数的区域项,构造新的水平集模型。改进模型能够使分割前后图像的倒数交叉熵达到最小,更精确地分割噪声影响严重且局部灰度变化较大的金相图像;考虑到倒数交叉熵计算会增加算法复杂度,通过引入最大绝对中位差,自适应调整曲线内外的能量权重加速曲线的演化,添加距离规范项以避免水平集函数的重新初始化,加速模型的收敛。实验结果表明,与多种模型相比,改进模型在分割结果和分割效率方面均具有明显优势。

为了提高动态手势检测的精确度, 本文将基于YCbCr颜色空间的混合高斯背景建模应用于动态手势识别中, 并且提出手势阴影消除的有效算法。首先, 对待检测视频帧通过抠图抠出手势图像, 在YCb′Cr′颜色空间进行椭圆拟合, 统计建立椭圆肤色模型, 继而在YCbCr颜色空间进行混合高斯背景建模检测出动态手势, 点乘原图像得到含有阴影的RGB手势图像, 对检测出的含有阴影的手势图像利用已建立的椭圆肤色模型进行阴影消除, 最后将手势图像连成视频序列。实验结果表明, 该算法在复杂背景下进行动态手势的检测率可达914%, 高出传统方法10%左右, 能够满足动态手势检测基本要求, 且具有较高的实用价值。