构造一种基于遗传算法参数优化的脉冲耦合神经网络(PCNN)红外图像分割算法。该算法首先利用PCNN的全局耦合性和脉冲同步性对输入图像进行点火处理, 根据PCNN的输出结果计算熵作为遗传算法的适应度函数, 并利用熵的变化量作为遗传算法的收敛依据, 对PCNN模型中影响图像分割的参数进行组合优化, 结合PCNN生物视觉特性和遗传算法解空间随机搜索能力来寻找关键参数的最优值。将遗传算法和PCNN进行结合可充分发挥二者优势, 将本文方法与最大类间方差法(OTSU)、最大熵直方图分割算法和PCNN分割方法进行对比, 通过交叉熵、区域对比度等客观指标对分割后的图像进行定量分析, 结果表明无论从主观视觉还是客观指标, 本文方法分割效果优于其他对比方法。

针对彩色图像融合时空间变换产生的色彩畸变以及红绿蓝(RGB)色彩空间各通道间的强相关性，同时考虑到基于主元分析(PCA)的图像融合算法存在图像结构利用率低、光谱信息损失多的缺点，提出了一种基于改进双向二维主元分析[(2D)2PCA]的图像融合框架。针对RGB色彩图像的结构特点，以待融合图像行、列方向的RGB分量作为基元进行二维主元分析(2DPCA)，采用基于协方差的线性权重分配方法对融合图像进行重构，依照重构图像的结构特性进行主元替换，经基于协方差的加权逆变换得到融合图像。为验证算法的有效性进行了二次实验：1)是选取模糊彩色图像与对应的清晰灰度图像；2)是彩色可见光图像与对应的红外图像进行实验。实验结果表明使用该方法得到的融合图像可取得较好空间分辨率和理想的融合指标。

针对灰度图像融合的分辨率低及现有的彩色图像融合方法融合的图像色彩不自然、不符合人的视觉感受的特点，在此提出一种基于Snake模型的区域检测和非下采样轮廓波变换(NSCT)的红外与彩色可见光图像融合的方法。首先对彩色可见光图像进行亮度、色度和饱和度(IHS)颜色空间变换提取亮度分量，并用Snake模型对红外图像的目标区域进行检测；然后对亮度分量和目标替换的红外图像应用NSCT分解，对所得到的高频系数采用像素点“绝对值和取大”、低频系数采用基于“亮度重映射技术”的加权融合规则进行融合；通过对融合系数进行NSCT逆变换获得融合图像的亮度分量，最后运用颜色空间逆变换得到融合图像。实验结果表明，所提出的融合方法既能保持可见光图像的高分辨率和自然色彩，又能准确保留红外图像中检测出的目标信息，获得视觉效果较好、综合指标较优的融合图像。

针对单一因素指标对图像融合质量评价的局限性，提出了一种异源图像融合质量评价模型。首先，计算出各融合图像的多种典型图像融合客观评价值，利用离散化将每项指标分为三类；然后运用粗糙集对进行约简，消除冗余以及冲突指标，将简化的指标作为 BP神经网络的输入样本，将融合图像的主观评价结论样本作为模糊期望输出，通过学习生成网络；最后输入训练样本，得到输出的主观评价指标。大量实验结果表明该方法评价结果合理，主客观评价有较好的一致性，为融合图像自动化评价的实现提供了有效的途径。

针对在摄像机发生抖动时拍摄的红外图像的多点目标关联问题，提出了新的算法，采用了基于特征三角形的多点目标关联算法。根据目标间的相对位置关系，利用特征三角形对相邻两帧的图像进行配准，消除由于背景运动和摄像机抖动引起的目标整体的平移、旋转和缩放。然后根据配准后的结果，采用改进的最近邻法对目标进行关联。试验仿真结果表明：算法精度和稳定性明显高于依靠位置和灰度等信息的传统算法，特别是对于在摄像头抖动情况下拍摄的红外多点目标关联具有较高的正确率。

为了提高路面病害检测系统的精度和自适应能力，研究了自动路面裂缝图像增强技术。针对图像每个像素建立由邻域一致性模糊熵测度、邻域模糊方差以及全局模糊隶属度组成的模糊特征模式对所有像素进行分类，实现对像素灰度渡越点位置的准确估计；在模糊隶属度函数设计上，利用修改控制顶点和权因子可局部地修改曲线形状的功能，通过非均匀有理B样条函数设计出一种双“S”形模糊隶属度函数作为灰度变换函数。提出的路面裂缝图像增强技术中的灰度变换函数不仅能和渡越点的位置很好地结合，而且其形状调节因子具备良好的灰度集中能力，仅需很少次数迭代增强就能达到突出路面裂纹的效果。实验结果显示，利用提出的图像增强技术可使路面裂缝病害像素正确检测率达到95%，该技术很大程度地提高了路面裂缝自动检测系统的可靠性和检测精度。

根据数据平滑理论推导求解出能够使对称分数B样条在函数平滑性和逼近性两者之间达到最优的折衷的分数阶α≈7.9; 并通过对BiraShrink基于相邻层系数相关性的小波去噪模型进行改进, 得到对分数样条的阶具有自适应性的新阈值公式。试验结果能够说明所推导理论结果的正确性和所给对称分数样条小波系数阈值公式的有效性。基于分数样条小波的图像去噪算法对几何纹理较多的图像去噪效果比较理想, 像Barbara这种几何纹理较多的图像当噪声方差不超过10时, 该方法去噪后的图像客观峰值信噪比(PSNR)可以达到34.9842, 而且去噪结果中较好地保留了原始图像的纹理信息。