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。

由于水体对光的吸收和散射作用,水下图像往往存在对比度低、细节模糊和颜色失真等问题,为此提出一种基于场景深度估计和白平衡的水下图像复原方法。首先,采用Sobel边缘检测和形态学闭运算将水下图像中与场景深度相关的块分离,对RGB通道与场景深度的变化关系进行回归分析,以得到场景深度图像并估计水下背景光;其次,对衰减严重的颜色通道取其逆通道,以修正透射率估计;然后,通过逆求解水下光学成像模型来消除后向散射;最后,改进白平衡算法以更好地校正水下图像的颜色畸变,得到复原后的水下图像。与典型的4种水下图像复原方法进行主客观评价比较,实验结果表明,该方法可以有效地提升低质量、低照度的水下图像的细节清晰度和色彩保真度,恢复真实的视觉效果。

为改善传统立体匹配视差图中目标边缘的毛刺现象,以及弱纹理和视差不连续区域的“阶梯效应”等,提出了一种结合局部二进制表示和超像素分割的立体匹配方法。首先融合二进制表示的窗口内像素的空间和颜色特征进行代价计算,并以此求得初始视差;然后将简单线性迭代聚类方法分割的结果作为像素的空间和颜色标记,为超像素内的目标边缘和其他像素点选择恰当的稳定点进行视差传播,以达到视差优化时边缘保持和空间平滑的目的。在Middlebury数据集上分别进行代价计算与优化方法的对比实验,结果表明,采用该算法获取的目标边缘的视差更为平滑,在左右视图中的遮挡区和不重叠区域获得的视差也比较准确,有效地降低了非遮挡区、全图、不连续区域的误匹配率。

针对现有的人脸图像识别算法准确度不高的问题，提出了一种基于非下采样Contourlet 变换(NSCT)和仿生模式的人脸图像识别的方法。对人脸图像进行NSCT 分解，并将分解后的各系数矩阵转化为能量特征，利用仿生模式识别算法实现对人脸图像的识别。使用UMSIT、Yale 和ORL 人脸库进行实验，且设计了无拒识和有拒识两组方案，实验结果表明：与传统方法相比，利用基于非下采样Contourlet 变换和仿生模式的人脸图像识别的方法能够获得更高的正确率，而有拒识的方案能够获得更好的综合性能。

由于非下采样Contourlet变换(NSCT)域图像增强方法需要手动调节参数，无法实现自适应增强， 本文将直方图均衡化和NSCT域增强相结合，提出了一种基于NSCT系数直方图匹配的自适应图像增强算法。该算法首先对低对比度含噪原图像进行直方图均衡化，然后对原图和直方图均衡化后的图像分别进行NSCT分解，得到低频子带系数和各高频方向子带系数。对低频子带，将原图的低频子带系数直方图匹配到直方图均衡化后图像的对应系数直方图上。对各个高频子带，则先进行阈值去噪，再将原图的各个高频子带系数直方图匹配到直方图均衡化后图像的对应系数直方图上。最后,经NSCT重构得到增强后的最终图像。实验结果表明，本文方法增强效果明显优于直方图均衡化，与Contourlet变换增强法相比，实验所采用的两组图像的图像评价函数(EMEE)值分别提高了24.05%、16.97%、13.29%和20.63%，且与NSCT域非自适应增强法(人工选取参数)的处理效果相当。该方法无需手工调节参数，具有自适应性和实用性强的优点。

在水下环境中，光的散射和衰减导致水下光学成像质量严重下降，图像对比度低、颜色失真。提出了一种基于暗原色和白平衡相结合的新方法来提高水下光学成像的图像质量，达到使水下光学成像清晰化的目的。根据水下成像特点，建立水下光学成像模型，采用暗原色算法对图像进行去模糊，并依据白平衡理论对去模糊后的图像进行颜色校正，提高水下彩色图像的质量。实验表明，提出的方法能够有效去除由光的散射引起的模糊，增强水下图像的可见度和恢复水下图像的颜色平衡，明显提高图像的清晰度和颜色的保真度。

图像的边缘信息是人眼观察和识别物体的重要特征,根据模糊图像相对于清晰图像其边缘特征发生较大变化的特点,提出了一种基于边缘锐度的无参考模糊图像质量评价方法。首先,通过文中所示方法寻找图像中的所有阶跃边缘;其次,根据一些原则选择合适的部分边缘;最终,计算这些合适边缘的锐利程度作为图像的模糊度评价依据。实验结果表明,该方法相比于全参考模型SSIM能够更好地评价高斯模糊、离焦模糊等模糊类型图像,与主观评价结构相关性强,更符合人眼视觉系统特性,并且易于实现。

为提高人脸识别的正确率,提出了一种改进的特征提取及分类算法。首先采用Contourlet变换对人脸图像进行多尺度分解,然后由低频子带和各尺度各方向的高频子带得到人脸的特征值,并将它们组合成多尺度特征向量,再应用多元回归分析方法进行人脸识别。由于多尺度特征向量不仅反映了整幅图像的全局特征,还反映了图像各种尺度下的边缘、纹理等奇异特征,因此具有更多的鉴别信息;多元回归分析则充分考虑了同一总体的各样本间的强线性关系。在ORL人脸库上的实验显示人脸识别率达97.78%,优于其他的方法。

针对水下图像对比度低、边缘模糊、噪声大等特点，提出一种基于非下采样Contourlet变换和多尺度Retinex的水下图像增强算法。将水下图像进行多尺度多方向的非下采样Contourlet变换;利用多尺度Retinex算法调整低频系数，提高图像整体对比度;在各带通方向子带上估计噪声，抑制模值小于阈值的系数，改进神经网络中的Sigmoid函数用于调节模值大于阈值的系数;经非下采样Contourlet逆变换得到增强图像。与几种传统增强算法相比，本算法处理的图像达到了抑制噪声、改善图像对比度、突出目标轮廓的目的，具有较高的对比度评估值。

针对红外图像对比度低、噪声大等特点,提出一种基于Contourlet变换的红外图像非线性增强算法。Contourlet变换是一种有效的方向多尺度变换分析方法,能在任意尺度上实现任意方向的分解。首先采用Contourlet变换对图像进行多尺度、多方向分解,得到低频子带系数和各带通方向子带系数。引入非完全贝塔函数对低频子带系数进行处理,提升图像整体对比度;采用非线性增益函数对各带通方向子带系数进行处理,通过估计噪声水平设定阈值,抑制绝对值小于阈值的系数,增强大于阈值的系数。最后经Contourlet逆变换得到增强图像。实际实验结果表明,该方法可以有效地增强低对比度红外图像,无论是在视觉效果上还是在图像对比度评估值定量指标上均明显优于直方图均衡化、小波变换增强等方法,且能保持更多的图像轮廓特征,克服了这些方法对噪声增强过度和图像细节增强不足等缺点。