针对车底危险物图像拼接中存在特征点匹配精度低、匹配速度慢、拼接处存在裂缝以及拼接时间久的问题，提出一种车底危险物图像快速拼接算法。首先，利用角点检测（FAST）算法进行图像特征点提取，再用二进制鲁棒不变可扩展关键点（BRISK）算法对保留的特征点进行特征描述；其次，用快速最近邻搜索（FLANN）算法进行粗匹配；接着，使用渐进一致采样（PROSAC）算法进行特征点提纯；最后，利用拉普拉斯金字塔算法进行图像融合与拼接。实验结果表明：在车底危险物图像数据中，与SIFT、SURF、ORB算法相比，所提算法的图像特征匹配精度分别提高13.10百分点、8.59百分点、11.27百分点，匹配时间分别缩短76.26%、85.36%、10.27%，图像拼接时间分别缩短63.73%、64.21%、20.07%，拼接处不存在明显裂痕。因此，基于FAST、BRISK、PROSAC和拉普拉斯金字塔组合的图像拼接算法是一种优质的图像快速拼接算法。

针对传统features from accelerated segment test（FAST）算法检测到的角点存在聚簇现象和阈值依靠人为确定，图像匹配算法匹配准确率较低和双目视觉测量精度较低等问题，提出一种基于改进FAST和binary robust independent elementary features（BRIEF）的双目视觉测量方法。首先用FAST算法提取出特征点，简化检测模板，同时用自适应阈值提取特征点；然后用改进的BRIEF描述特征点，用像素点邻域的灰度平均值进行比较形成描述子；之后用汉明距离完成匹配；最后用灰度梯度法得到匹配点的亚像素坐标，根据视差和三角测量原理计算出匹配点的三维空间坐标，从而完成被测物体的尺寸测量。实验结果表明：在角点检测方面，改进的FAST检测到的角点更均匀；在图像配准方面，通过与其他算法进行对比，验证了所提方法能有效地提高匹配准确率；在测量方面，所提方法测量的最低相对误差为0.45%，满足测量要求。

针对传统Harris角点检测算法的图像配准过程计算量大、速度慢等问题，提出一种快速预筛选Harris角点检测算法。首先通过FAST算法快速排除大量非特征点，再通过抑制半径解决FAST角点聚簇现象，然后在FAST角点邻域内筛选出Harris角点，最后采用BruteForce匹配方式得到精准匹配。实验结果表明：所提改进算法不仅提高了角点检测速度而且减少了冗余角点数量，在图像配准过程中有效提高了配准速度与精度，配准效果良好。

冲突证据推理是不确定推理的一个重要研究课题。利用修正数据源对冲突证据进行有效组合的方法有很多, 但是修正证据源使用的证据之间的距离公式计算量较为复杂, 算法的流程也同样较为复杂, 算法对时序证据的组合没有能够进行很好的研究。针对这些问题, 提出一种冲突证据推理的快速算法。首先, 提出一种新的证据度量公式, 并对证据度量公式的有效性、计算量大小进行分析; 然后,给出冲突证据快速算法的一般流程, 并对流程中参数进行分析、确定; 最后,对时序证据的组合规则给出一般的算法步骤, 并通过算例分析, 验证了算法的有效性。

为了解决当前图像匹配算法主要通过图像的区域梯度信息来进行图像匹配, 当图像存在光照变化等干扰时, 将会使得匹配图像存在较多的错误匹配点以及匹配耗时较长等不足, 提出了基于点对称关系耦合距离约束的图像匹配方法。采用FAST算法对图像特征点进行准确、快速的检测, 利用拉普拉斯极值模型进一步剔除伪特征点, 以提高算法的匹配正确度;对特征点的对称性进行计算, 利用点对称关系构造点间距度量模型, 以求取特征描述符中的特征向量, 输出特征描述符;基于SURF特征点匹配机制, 对特征点完成双向匹配约束, 完成特征点匹配。对匹配特征点进行欧氏度量, 以度量结果的比值以及均值作为依据, 构造距离约束模型, 利用距离约束模型判别错误匹配点, 优化匹配结果。实验结果显示: 与当前图像匹配算法相比较, 所提算法不仅具有较高的匹配精度以及匹配效率, 而且具有较好的鲁棒性能。

相对于普通灰度和彩色二维图像, 深度图像可以得到物体的三维信息, 使视觉识别和人机交互更加智能。国内外目前还没有低成本、公开的实时获取高质量深度图的方法。本文在对散斑图获取深度图原理研究的基础上, 采取激光散斑的方式, 运用块匹配的方法给出了一种大范围深度图的获取方法。首先, 从原理上验证了块匹配方法的可行性; 然后, 分别从理论和实验两个方面对深度图的计算公式进行了推导和验证; 再次, 对深度图恢复过程进行了详细叙述, 包括散斑图像的预处理和块匹配的过程; 最后, 给出了运用该块匹配方法得到的实验数据。实验结果表明, 本文方法在物体距离相机50 cm左右时精度可以达到5 mm, 200 cm时精度可以达到5 cm, 可以满足室内大部分对象的识别要求。

为了提高显微数字全息系统的分辨率和重构速度, 从空间带宽积的角度出发, 分析了菲涅尔再现算法的使用范围。结果显示, 记录系统只要满足空间带宽积的条件, 使用菲涅尔再现算法可以同时接近极限分辨率和快速再现；同时, 短记录距离无透镜傅里叶变换光路是一种能满足此空间带宽积条件的系统配置。重要的是, 在短记录距离, 也能用菲涅尔再现算法重构待测物体复振幅。此外, 通过对比细分菲涅尔再现算法和细分卷积算法, 两者的重构分辨率都可以得到提升, 而细分菲涅尔再现算法在大数值孔径的重构中, 所使用的内存和计算时间远远小于细分卷积再现算法。

在分区域的图像测量中,皮带轮图像呈现同心弧特征,一般可采用例如霍夫变换等算法进行分析和检测,也可采用开窗式快速检测算法。为了解决开窗式算法的不足并保证检测速度,考虑检测中皮带轮位置确定,设计了一种快速检测算法。首先描述了检测中曲线转换水平直线的算法优势；然后分析了皮带轮圆心坐标偏移对检测的影响；接着设计曲直变换式的尺寸检测算法步骤。对比实验证明,此算法在保证检测速度的同时,能够提高检测精度,不仅适用于皮带轮尺寸检测,也适用于确定位置的圆形物体尺寸检测。

为了解决传统N-FINDR算法计算量大,提取结果对噪声和初始端元选取敏感,且容易将异常点作为端元而造成误提取的问题,提出一种改进的快速N-FINDR端元提取算法.该方法通过光谱距离提取并去除高光谱图像中的冗余信息,减少N-FINDR提取端元的搜索范围,平滑噪声影响,并自适应剔除异常点,通过最大化光谱距离选取N-FINDR的初始端元,避免了随机选择的盲目性.采用合成数据和真实高光谱数据进行仿真分析并与现有算法进行对比,结果表明,本文算法能在噪声与奇异点干扰下正确提取端元,其提取效率和鲁棒性均优于现有算法.

针对机载MIMO雷达杂波抑制问题，提出了一种降维STAP快速算法——F-JDL(Fast JDL)算法，即首先利用包含感兴趣观测角度形成的过完备基集合将空时数据准确映射到局域处理区域的角度-多普勒单元，之后对于降维后的杂波协方差矩阵通过矩阵分块的方法进行求逆运算，进一步提高处理速度。该方法充分结合JDL降维方法及矩阵求逆快速算法的优点。仿真结果表明，该方法充分利用了MIMO雷达杂波自由度较大的优势，同时大大降低了计算量和样本需求，保证了高效的算法实时性，具有较好的杂波抑制性能。