光学遥感图像广泛应用于天气预报、环境监测和海洋监管等领域。光学传感器拍摄的图像受大气条件和气候因素影响较大，云雾遮挡可导致图像内容丢失、对比度下降和颜色失真等一系列问题。基于此，提出一种基于融合和细化机制的光学遥感图像去云雾算法，实现高质量的单张遥感图像云雾去除。云雾去除网络基于融合和细化机制实现含云雾图与无云雾图的转换。其中，采用融合机制的多尺度云雾特征融合金字塔在不同尺度空间上提取云雾特征并进行融合，采用细化机制的多尺度云雾边缘特征细化单元对云雾的边缘特征进行细化加工，进而重构出清晰的无云图像。采用对抗学习策略，判别网络对特征进行自适应校正并将云雾特征分离出来，从而得到更准确的判别结果，有利于网络生成逼真的云雾去除结果。在开源数据集上选取5种算法进行对比实验，实验结果表明，所提算法云雾去除效果较优，没有产生颜色失真和伪影等现象。在薄云测试集上，所提算法的结构相似性（SSIM）和峰值信噪比（PSNR）分别超过第二名约11.9%和15.0%，在厚云测试集上，所提算法的SSIM和PSNR分别超过第二名约9.3%和9.9%。

基于微环谐振腔的微波光子滤波器（MPF）以其优异的可调谐特性得到了广泛关注和研究，但通常微环的带宽决定了所实现的MPF带宽，进而限制了滤波分辨率。本文提出并验证了一种基于三微环级联的MPF，相比单个微环，通过多引入两个微环谐振腔，使光载波与±1阶光边带拍频后的相位差谱从0~π变得更陡峭，从而实现了MPF带宽压缩。实验结果表明，本文提出的基于级联三微环的MPF在不提升微环本身Q值的前提下，相比基于单微环的MPF，滤波带宽压缩了约69%，3 dB衰减斜率提高了约3.6倍，实现了更精细的滤波；另外，该MPF还实现了11.5~20.3 GHz的频率连续调谐和187.1~1597.0 MHz的带宽连续调谐。

针对传统去雾算法结果中颜色和对比度失真等问题,提出了一种基于多尺度融合和对抗训练的图像去雾算法。采用多尺度特征提取模块从多个不同尺度中提取雾霾相关特征,利用残差密集连接模块实现图像特征的交互,避免了梯度消失。由于其不基于大气散射模型,直接将图像的浅层特征和深层特征进行多尺度融合,所以克服了物理模型的不精确性。去雾网络的训练采用生成对抗机制,由多尺度特征提取模块和残差密集连接模块构成的生成器估计清晰的无雾图像,由两个不同尺度感受野的子网络构成的鉴别器完成对抗训练。在RESIDE(Realistic single image dehazing)数据集上进行对比实验,结果表明本算法生成的去雾图像在全参考和无参考的视觉质量指标方面优于其他对比算法。

自动病理图像诊断是医学图像分析的一个重要课题,实现精确诊断的前提是提取健康与患病组织的形态特征。本文以深度神经网络为工具,提出一种增强卷积网络模型,通过训练一对互补的卷积神经网络,以优化病理图像诊断准确率。由于病理图像获取成本较高,为降低因训练样本数量有限造成的过拟合风险,算法首先训练基本网络,来估计病理图像中各局部组织患病的概率,之后训练另一异构网络,对基本网络的判决结果进行修正。实验在宾夕法尼亚州立大学动物诊断实验室提供的肾、肺、脾组织数据集与淋巴结癌症转移检测数据集上展开,实验结果表明所设计模型在不同器官的病理图像上均表现出较高的诊断准确率。

为了实现气浮实验台位姿的实时确定, 提出了一种基于单目视觉的位姿测量方法。首先, 设计了一种具有旋转、平移、缩放不变性且易于探测的圆形合作靶标; 其次, 结合靶标尺寸、形状以及安装位置, 基于Blob分析快速识别合作靶标, 保证了定位点提取的准确性; 然后, 提出一种在待识别区域内进行“行、列”扫描统计的靶标圆心测量算法, 实现靶标圆心的快速、鲁棒提取; 最后, 结合计算机坐标系下的圆心位置以及视觉测量系统中坐标变换关系, 解算气浮实验台的实际位姿。实验结果表明: 该方法测量位姿精度较高, 抗噪能力强, 在处理1 600 pixel×1 600 pixel图片的情况下, 平均测量周期为53.086 ms(约19帧/s), 能够实现对气浮实验台位姿实时、精确、鲁棒的测量。

为了精确地反映相机的几何成像关系, 本文基于简化的Brown模型和改进的BFGS （Broyden-Fletcher-Goldfarb-Shanno）算法提出了一种相机自标定方法。该方法首先将线性模型 和畸变模型拟合为非线性模型, 通过线性模型的基本矩阵约束非线性模型参数得到约束方 程; 然后, 提出了适用于非线性内参数约束方程的基于新拟牛顿方程的改进 BFGS 算法并求解了方程内参数。利用提出的模型和算法, 该标定方法能够在较少的迭代次数和有噪声条件下保证标定结果的精度和鲁棒性。有、无噪声情况下的收敛性分析和鲁棒性分析显示: 在噪声不大于±3 pixel 的情况下, 迭代10次即能保证重投影误差小于0.4 pixel。通过标定相机内参数并计算重投影误差进行了真实图像实验, 结果表明: 标定精度误差小于0.06%, 重投影误差为0.35 pixel, 验证了提出方法的有效性。 该方法适用于计算机视觉领域中的图像处理, 模式分类和场景分析等。

提出了一种基于降采样模型的显微热图像高分辨力重建算法,该算法通过与三次样条插值放大得到的像素点相比较以补偿微扫描产生的系统误差。仿真和实验结果表明,提出的方法减少了由于微扫描误差所带来的图像重建质量下降,提高了光学微扫描显微热成像系统的空间分辨力,具有较强的实用价值。提出的方法还可以应用到其他光电成像系统中以提高系统空间分辨力。