针对高能闪光X射线图像线性重建结果受系统模糊影响的问题，提出一种随机扰动优化和多模型融合的非线性重建算法。构建非线性正向模型并推导相应的雅可比矩阵形式，结合贝叶斯理论考虑该反演问题的求解及不确定量化，引入基于弱信息先验的超参数构建非线性分层贝叶斯模型。通过加速求解随机扰动的优化问题对条件分布进行采样，结合雅可比矩阵投影约束该优化问题的求解，并设计目标参数的提议分布以减小样本统计偏差。此外，提出一种多模型融合策略，在最小方差准则下融合线性与非线性贝叶斯模型的样本值，提高样本估计效率的同时确保重建结果呈现清晰的边缘和较高的精度。实验结果表明，该算法可以有效抑制系统模糊及噪声的影响，相比于线性重建算法可以得到更加准确的重建结果。

针对马尔可夫链蒙特卡罗(MCMC)算法的计算量大以及统计结果中含有严重噪声等问题,提出一种基于分层模型和低秩近似的X射线图像重建方法。首先引入全变差(TV)正则项来构造目标函数,并基于Jeffreys先验定义超参数以建立分层贝叶斯模型。然后采用变量分裂法得到分裂形式下各变量的条件概率密度分布。最后根据正向模型所具有的低秩性质来计算低秩近似的目标分布函数,从而得到关于待求参数的闭合解。结果表明,所提方法可以有效解决贝叶斯逆问题中存在的计算量大等问题。相比于现有的基于不确定性量化重建方法,所提方法在有效抑制图像噪声的同时能够更好地保留图像的边缘细节。

针对目前大多数基于统计先验的图像盲去模糊方法对边缘和细节恢复能力有限的问题,提出一种新的盲去模糊算法。通过降采样对模糊图像进行金字塔分解。在每一层图像上,利用显著性强度先验提取图像的边缘信息,并结合梯度低秩先验抑制图像中的模糊和噪声干扰。在多尺度上由粗到精地交替迭代模糊核和中间潜像,得到最终的准确模糊核。采用非盲去卷积方法复原出清晰图像。此外,针对多尺度迭代时间较长的问题,提出了一种自适应迭代策略,通过评估估计模糊核的相似性来调整迭代次数,有效减少计算成本。实验结果表明,本文算法可以准确地估计出模糊核,有效地抑制噪声影响,且得到的复原图像中含有更丰富的边缘和细节等特征。

针对立体匹配算法在图像非遮挡区域,尤其是弱纹理区域匹配精度较低的问题,提出一种基于边缘约束迭代的非局部立体匹配算法。该算法结合颜色和梯度信息构建匹配代价计算函数;根据左右目图像分别构建最小生成树,结合图像平滑度对代价函数值进行代价聚集,并对赢者通吃策略得到的视差图进行边缘检测,将图像边缘作为约束性条件对代价值再次进行代价聚集以优化结果;最后通过视差求精得到稠密的视差图。实验结果表明,在Middlebury测试平台上该算法对31组标准图像对中非遮挡区域的平均误匹配率为8.35%;与其他5种方法比较可知,本文算法有效提高了非遮挡区域匹配的准确度。

针对现有的显著性目标检测算法在受到相似背景干扰时, 易出现目标检测准确度低、稳定性差的问题, 提出一种基于双目视觉的显著性目标检测方法。受人眼视觉特性启发, 将双目视觉模型感知的深度信息作为显著性特征与多特征聚类分割结果进行协同处理, 定量分析图像区域级的深度显著性, 再将全局显著性与区域深度显著性进行加权融合, 突出目标区域, 根据融合结果的区域分布进行背景抑制, 完成显著性目标的检测。实验结果表明, 与现有的显著性目标检测算法相比, 该算法有效地抑制了相似背景的干扰, 并且准确度高、稳定性好。

针对立体匹配算法在图像非遮挡区域,特别是弱纹理区域误匹配率较高的问题,提出一种基于十字交叉窗口下自适应色彩权值和树形动态规划的立体匹配算法。首先结合颜色、梯度信息及Census变换作为相似性测度函数构建代价计算函数;然后以图像的距离和色彩信息构建自适应十字交叉窗口,并提出基于色彩权值的代价聚集方式;将树形结构动态规划算法的思想引入到视差计算,代替单独采用赢者通吃策略的方法,对视差进行全局优化;最后通过视差求精得到稠密视差图。实验结果表明,本文算法在Middlebury测试平台4幅标准图像上非遮挡区域的平均误匹配率为2.45%,同时对其他10组图像进行了对比评估,本文算法有效地提高了图像非遮挡区域匹配的准确率。