针对复杂背景条件下目标难以识别的问题，采用彩色偏振成像技术，提出了一种基于彩色偏振图像的目标增强方法。该方法首先根据分焦平面彩色偏振相机获得的数据得到彩色线偏振度（degree of linear polarization，DoLP）、彩色偏振角（angle of polarization，AoP）和彩色强度（S₀）图像；然后利用目标和背景的彩色偏振特性差异大的特点提取DoLP、AoP和S₀的视觉显著度，使目标得到初步的增强；随后将3种视觉显著度图像转到HSV空间进行融合，最后转到RGB空间显示。使用对比度和矢量角度距离作为客观评价指标开展实验，多个实验场景数据表明，融合图像的对比度和矢量角度距离分别比融合前图像最高提升了3.971倍和1.711倍。

智能微型化的医用器械在医疗行业逐渐被人们所重视。这些产品主要是由一些微型电子元器件构成，其中器件核心芯片部分的点线连接结构需通过高精密焊接工作完成。因此焊点和被焊芯线的识别精度要求越来越高，两者是否能准确有效识别直接影响焊接的最终质量。为高质量完成焊接过程中的焊点和芯线识别，本文主要使用电子显微仪器结合上位机VS17+OpenCV软硬结合的方法完成图像处理，对所采集图像中的焊点和芯线端头进行识别。以焊点和芯线端头的颜色及几何特征作为分析对象，经预处理后再通过各自特征分析突出感兴趣区域部分，通过特定颜色阈值选取方式和对比度提升算法完成焊点和芯线端头的分割过程，要求所测量焊点及芯线端头的识别精度误差≤0.1 mm。实验结果表明：本文印刷电路板(PCB)焊点及芯线端头的识别算法能有效识别焊点及芯线端头图中所在位置并显示其像素坐标值；经数据整理分析，本文算法的识别精度误差均控制在允许的误差范围内。

成像设备在暗光照环境下会出现对比度不高、图像细节信息丢失、颜色失真等问题，这会对视频监控、智能交通、人脸识别等应用场景产生巨大干扰。为了解决这一问题，本文提出了一种融合了注意力机制的的复合残差网络来实现对低照度图像的增强。该算法首先通过色彩空间上的转换（RGB-HSV）将亮度分量V放入构造的神经网络中，然后神经网络通过融合了注意力机制的多分支结构进行图像浅层特征的提取，接着经过复合残差网络提取深层特征，再经过图像重建得到增强后的V分量，最后通过分量融合实现图像增强。实验结果表明，对比目前国内外主流低照度图像增强算法，所提算法在主观视觉上对图像亮度与对比度有显著提升，在PSNR、SSIM指标上与传统算法的对比结果分别提升了约20%和15%，与深度学习算法的对比结果分别提升约9%和3%，不论是在人工合成的低照度图像还是真实、自然低照度图像中均有良好表现，基本满足图像增强的颜色自然、对比度和鲁棒性高等要求。