由于水体对光的吸收和散射作用，水下图像普遍存在颜色失真和细节模糊这两种退化问题。为了得到色彩鲜明、细节清晰的水下图像，提出了一个基于多尺度注意力和对比学习的水下图像增强算法模型。该模型采用编码-解码结构作为基础框架，为了提取到更细粒度的特征，在编码部分设计了一个多尺度通道像素注意力模块，利用3个并行支路提取图像中不同层次的特征，然后将3条支路提取的特征进行融合输入到下一层编码器以及对应的解码层，提高网络特征提取以及细节增强的能力。最后，为了进一步提高增强图像的质量，引入对比学习训练网络。大量实验证明，本文算法增强后的图像色彩鲜明且细节信息保留较好。峰值信噪比和结构相似性指标的平均值最高可达到25.46和0.8946，与其他方法相比至少提高了4.4%和2.8%；水下彩色图像质量指标和信息熵的平均值最高为0.5802和7.6668，与其他方法相比均至少提高了2%；特征点匹配平均比原始图像多24个。

基于自然场景图像的人体行为识别方法中遮挡、背景干扰、光照不均匀等因素影响识别结果, 利用人体三维骨架序列的行为识别方法可以克服上述缺点。首先, 考虑人体行为的时空特性, 提出一种时空特征融合深度学习网络人体骨架行为识别方法; 其次, 根据骨架几何特征建立视角不变性特征表示, CNN(Convolutional Neural Network)网络学习骨架的局部空域特征, 作用于空域的LSTM(Long Short Term Memory)网络学习骨架空域节点之间的相关性特征, 作用于时域的LSTM网络学习骨架序列时空关联性特征; 最后, 利用NTU RGB+D数据库验证文中算法。实验结果表明: 算法识别精度有所提高, 对于多视角骨架具有较强的鲁棒性。

纹理合成是计算机图形学、计算机视觉和图像处理领域的研究热点之一。传统的纹理合成方法往往通过提取有效的特征样式或统计量并在该特征信息的约束下生成随机图像来实现。对抗生成网络作为一种较新的深度网络形式, 通过生成器和判别器的对抗训练能够随机生成与观测数据具有相同分布的新数据。鉴于此, 提出了一种基于对抗生成网络的纹理合成方法。该算法的优点是不需要经过多次迭代就能够生成更真实纹理图像, 且生成图像在视觉上与观测纹理图像一致的同时具有一定随机性。一系列针对随机纹理和结构性纹理的合成实验验证了该算法的有效性。

针对有阴影情况下的道路及导航线提取问题, 提出一种基于光照不变图像分割和投票函数的阴影道路图像道路及视觉导航线提取算法, 该算法利用正交分解法获取彩色光照不变图像, 并对其进行分割, 通过构造的投票函数及道路判别准则提取道路区域, 扫描道路定位点后对其进行最小二乘拟合提取导航线。该方法不需要大量样本进行学习。实验结果表明, 所提算法与现有两种算法相比, 在检测精度和速度上均具有明显优势, 并且算法复杂度较低。算法能够有效地解决阴影环境下道路及导航线的提取问题。

针对室外光照条件下阴影的快速高效检测问题，提出了基于正交分解的阴影检测算法。利用室外场景图像中阴影区域内外的线性模型建立线性方程组，对该线性方程组的解空间进行正交分解，得到一幅彩色光照不变图像和一幅光照变化图像。通过K-means算法将彩色光照不变图像分类为几个区域，每个区域具有一致的反照率。根据分类结果，对光照变化图像采用EM算法进行高斯混合建模，提取阴影区域。最后采用形态学算子对提取的阴影区域进行优化。该算法不需要复杂的特征算子学习过程，大大降低了计算的时间复杂度，而且不需要任何先验知识，可以直接应用到实时场景处理中。

相位标志牌是重要的电力设施,通常安装在输电线挂点附近的显著位置上,准确地检测和识别相位标志牌对输电线路巡检具有非常重要的实际意义。应用图像处理与模式识别技术,提出了一种相位标志牌的检测和识别方法。首先采用灰度化、中值滤波、膨胀和腐蚀的方法对相位标志牌图像进行预处理；然后采用基于区域一致性算子的显著性目标检测方法对预处理后的图像进行相位标志牌检测；最后采用基于仿射SIFT算子的匹配方法对检测到的相位标志牌进行识别。实验结果表明,所提出的方法能够有效地对相位标志牌进行检测和识别,具有较好的鲁棒性、准确性和有效性。

本文通过形状约束方程(组)与一般主动轮廓模型结合,将目标形状与主动轮廓模型融合到统一能量泛函模型中,提出了一种形状保持主动轮廓模型即曲线在演化过程中保持为某一类特定形状。模型通过参数化水平集函数的零水平集控制演化曲线形状,不仅达到了分割即目标的目的,而且能够给出特定目标的定量描述。根据形状保持主动轮廓模型,建立了一个用于椭圆状目标检测的统一能量泛函模型,导出了相应的Euler-Lagrange常微分方程并用水平集方法实现了椭圆状目标检测。此模型可以应用于眼底乳头分割,虹膜检测及相机标定。实验结果表明,此模型不仅能够准确的检测出给定图像中的椭圆状目标,而且有很强的抗噪、抗变形及遮挡性能。