为了提高随机抽取一致性算法(RANSAC）的效率和精度，提出了一种基于采样优化的随机抽取一致性算法。首先通过匹配点的相似性度量计算匹配点先验概率，根据先验概率随机抽取最小子集估计模型，在全部数据上检验模型，依次迭代找到次优模型；然后以次优模型对应的内点集作为采样的初始集，随机抽取最小子集估计模型，并在全部数据上检验模型，若模型更好则更新采样初始集，依次迭代找到最优模型；最后，选择最优模型获得符合该模型的内点和最终的模型参数。选取多对不同变换的图像作为实验数据，从算法运行效率和模型精确度两方面对算法进行了测试实验。实验数据表明，本文算法的迭代次数约为标准RANSAC算法的20%，运行时间约为标准RANSAC算法的25%，标准误差降低了30%左右。本文算法充分利用了匹配点的先验知识和模型检验结果对采样模式进行优化，算法的运行效率和精度都有较大提高。

传统稀疏编码模型特征选择能力较弱, 稀疏系数向量中负系数的存在导致维数偏高、信息冗余, 不利于目标识别。针对这个问题, 提出了一种基于自适应弹性网络的稀疏编码模型。该模型首先利用融合尺度空间的AGAST检测子提取特征点, 经过FREAK算子描述, 采用能够自适应选择强相关性特征的自适应弹性网络回归模型求解稀疏系数向量, 最后通过分类器实现对目标的分类识别。实验结果表明,特征检测算法对于图像中尺度、视角、光照和旋转等变换具有更强的鲁棒性, 在自适应弹性网络的约束下, 模型具有较好的识别性能。

采用连续Nd:YAG激光对Fe-Ni(质量分数为36%)合金进行单道扫描实验。借助金相显微镜观察焊缝截面形貌的几何特征。分析工艺参数(激光功率、扫描速度、离焦量、焊接角度以及热输入量)变化对焊缝截面几何特征的影响。结果表明：较大的负离焦量将导致大负余高的出现，减薄材料，不利于激光自熔焊；在离焦量不变的情况下，激光功率的提高较之减小扫描速度更有助于增大熔深；在使用热输入量(功率/扫描速度)作为复合表征量分析焊缝形貌时，应考虑上述激光功率与扫描速度之间的关系带来的影响。