针对激光线结构光扫描仪等获取的复杂物体表面三维点云数据量大、冗余性高等问题,提出一种基于自适应邻域和局部贡献值的点云精简算法。首先,根据点云的局部几何特征确定每个区域的最佳邻域范围;其次,将最佳邻域与内部形状特征算法、局部表面斑块算法相结合,计算所有点云数据的局部贡献值,并提取出点云特征点;最后,使用K-means聚类算法划分点云数据,并按类别和贡献值对点云进行精简。实验结果表明,对于复杂表面被测物,所提算法能够在保证精简率的情况下调节特征区域与非特征区域的精简度,同时保证点云完整性与细节特征信息,精简结果精度较高并更贴合物体原始面貌。

针对传统的局部保持投影算法(LPP)直接使用数据的原始空间信息导致选取近邻不准确,以及LPP算法投影时忽略数据类别信息的问题,提出一种基于自适应近邻局部保持投影的人脸识别方法。该方法在特征提取时利用可变的相似度、近邻信息以及数据类别信息构建目标函数,使得在投影子空间中同类样本尽量紧凑,异类样本尽量远离。通过最小化目标函数自适应优化邻接矩阵与投影矩阵,用优化后的投影矩阵对高维数据进行降维,采用降维后的数据进行人脸分类识别。将该方法应用于扩展Yale人脸数据库、CMU-PIE人脸数据库、MSRA人脸数据库和CAS-PEAL人脸数据库中进行人脸识别,实验结果验证了其有效性。

构建了马尔可夫随机场自适应邻域系统，并将有形目标检测问题构建为马尔可夫随机场理论框架下背景与目标的二元分类问题.首先分析了影响目标形状的主要因素，归纳总结了典型的目标形状；其次以典型目标形状为模板构建了新的马尔可夫随机场邻域系统；然后构建了自适应邻域选择的代价函数，并基于有限差分算子创建了新的马尔可夫随机场势函数，进行背景与目标的分类判别.由于采用自适应邻域系统，所提算法在保持目标检测率的同时进一步降低了过门限率；比经典马尔可夫随机场邻域系统具有更好的目标形状保护新能.仿真试验结果表明，所提算法不仅具有较好的目标检测性能，而且可更好地保护目标形状的细节信息.

针对小波图像去噪方法中使用的NeighShrink 方法,本文提出了一种有效的保护图像边缘的图像去噪算法。主要改进了NeighShrink 方法中固定的邻域范围,根据图像自身的性质,自适应分割成不同的邻域对图像进行去噪处理;并进一步结合小波层内相关性,对各个不规则邻域加上固定的窗口,选择了几何距离更为接近且在同一不规则邻域内的系数,以完善NeighShrink 方法。该算法采取平稳小波对含噪图像进行分解,以保持相位不变性,并对低频子带利用脉冲耦合神经网络模型进行图像分割,按照一定的规则将性质相似的像素点相接,得到原图像分割后的信息。在处理过程中利用得到的分割信息对边缘予以保护。实验结果表明,该方法在降低了图像噪声的同时又尽可能地保留了图像的边缘信息,是一种有效的去噪方法。