针对三维纤维微观结构方向检测的不足,提出一种基于facet模型的三维纤维方向检测方法。该方法将三维纤维方向检测转换为二维平面检测,能够降低计算的复杂度,通过facet模型实现了不同直径纤维方向的精确检测,模型窗口尺寸略大于纤维直径时能达到最优结果。实验结果表明,所提方法可快速准确地获取不同直径的三维纤维方向数据,优于现有的典型算法。

针对SAR图像特征点匹配问题，提出了一种基于Facet模型的特征点检测方法。首先基于Facet模型对局部区域做灰度曲面最佳拟合，然后计算拟合曲面中心点的二阶方向导数，取二阶方向导数极大值小于零的点作为潜在特征点，最后通过对极大值的绝对值归一化和局部非极大值抑制提取特征点。实验结果表明，该算法可有效检测特征点，算法的实时性优于传统的SIFT算法。

针对闪光图像的特点, 对经典边缘检测算子进行了分析, 发现存在检测出的边缘粗和对噪声的干扰比较敏感的缺点, 提出了一种基于Facet模型的爆轰实验图像边缘检测算法。该方法吸取了其它同类方法的优点, 引进了正交基简化了运算, 用离散正交多项式对图像每个像素的邻域作最佳曲面拟合, 在此基础上使用整体梯度算子寻求二阶方向导数的零交叉点, 最终提取边缘点。结果表明：该方法检测出的边缘细, 并且光滑连续, 对图像噪声干扰有较强的抑制能力, 对于孤立的边缘能够给出较精确的定位。

进行三维图像边缘检测时，利用Facet模型能够获得较精确的边缘信息，但耗时较多；而利用小波变换可获得较快的检测速度，但得到的边缘依赖于阈值的大小。综合上述两种方法的特点，提出了一种基于小波定位及Facet模型的三维边缘检测方法。首先，对工业CT 三维图像进行三维小波变换，设定较小阈值，得到三维粗边缘，即对图像边缘进行粗定位；然后，针对粗边缘点逐个进行三维Facet拟合，得到实际边缘点，从而完成图像边缘的精确定位。该方法通过小波变换粗定位这一前处理过程减少了Facet拟合的体素点数，加快了Facet模型三维边缘检测的速度。实验结果显示，本文方法不仅能得到与直接Facet模型效果相当的边缘，还能使Facet模型三维边缘检测的速度提高3.51~7.39倍，而且图像边缘越简单加速比越高。实验结果表明，基于小波定位和Facet模型的边缘检测方法可满足工业CT三维图像边缘检测对精度和速度的要求。

为了自动检测工业CT图像中的圆并精确地测量其参数，研究了基于Facet模型的亚像素边缘检测算法检测图像边缘，利用圆存在的概率大小识别边缘图像中的圆并测量其参数的方法。首先，利用Facet模型提取图像的亚像素边缘。接着，研究了图像圆存在概率算法特点，通过构造专用链表数据结构存储计算数据，限制计算时圆心选取范围等方法，克服了原计算方法效率低、占用内存大的缺点，并运用改进的圆存在概率计算方法对工业CT图像中的圆进行自动检测。最后，通过最小二乘法拟合圆边缘点，计算圆参数的实际尺寸。使用空间分辨力为2.0 lp/mm的电子直线加速器工业CT系统，扫描重建出包含10个圆的800 pixel×800 pixel工业CT图像，运用该方法对图像中的圆进行了识别和测量。试验结果表明，改进的圆存在概率算法计算效率明显提高，图像中圆参数测量精度＜0.5%，满足工业CT图像圆自动测量的精确、快速、可靠等要求。