图像中背景与前景对象的空间位置决定了场景在图像中的相对深度, 利用图像的局部特征相似性和流形结构的降维性能, 并应用salient区域DCT高频系数分布的深度排序索引性能, 定义出图像深度的马尔科夫概率图模型MRF。通过划分场景对象检测salient区域模糊度, 最后估计得出图像场景的相对深度图。通过学习图像数据的流形嵌入对数据流形分布概率密度函数进行迁移, 得出遵循相似流形分布的对象特征类别标记概率密度分布。进一步检测空间变化salient区的模糊程度, 融合多尺度梯度幅度的高频离散余弦变换DCT系数特征, 依据模糊变化高频特征计算深度标记索引确定深度标签的层级次序, 融合类别标签以生成深度图。这种模型框架下检测单个图像中模糊和未模糊的区域, 可获得图像中场景的相对深度, 而无需了解相机设置或模糊类型的先验参数。在典型的深度图估计数据集中应用MRF深度图模型评测图像的深度估计性能, 实验结果给出该方法在检测场景分布和划分场景深度次序上的准确率, 验证了方法的有效性。

非平稳信号的去噪是信号处理中的热点和难点。文中以冲击原子作为稀疏表示基, 构建了仅对人文噪声敏感的冗余字典。并使用粒子群优化算法对匹配追踪算法进行优化, 提出了基于稀疏表示与粒子群优化算法的非平稳信号去噪方法。为检验方法的有效性, 论文首先进行了针对性的仿真实验。然后将所述方法用于实测的大地电磁信号处理。结果表明, 所述方法可以在保留有用信号的前提下, 有效分离出类充放电噪声、脉冲噪声以及其它多种不规则噪声, 显著提高非平稳信号的信噪比。

利用曲率滤波-经验模式分解预处理检测并提取人体目标特征, 以降低图像分解运算复杂度, 同步增强边缘和纹理特征, 提高特征区分性。表现在: (1) 在第一层经验模态分解中, 以曲率滤波曲面映射原图像的连续平滑曲面, 形成包络曲面及均值面, 首层分解图像纹理特征显著, 以下各层凸显边缘与结构特征; (2) 从低分辨率到高分辨率尺度图像匹配出相邻层强边缘区域, 易于人体目标轮廓候选区域的提取; (3) 以首层分解图纹理特征筛分背景, 在相邻层中匹配前景特征区域, 形成人体姿态特征的轨迹图, 易于判别人体姿态及行为。在人体行为识别实验中, 采用曲率滤波-经验模式分解预处理提取的轮廓特征与人体行为典型数据库ground truth对比, 在UIUC示例数据的轮廓提取的精度和召回率都达到90%以上。对人体姿态及行为做识别处理, 验证了预处理方法的有效性。