实弹射击是部队的基础**训练项目。现有报靶系统中基于计算机视觉的弹孔识别定位系统由于具有快速、精确、安全、人员成本低等优点而被广泛应用到该项目中。然而，计算机视觉系统处理的图像通常受镜头加工工艺以及相机轴向与被测对象所在平面不垂直的影响，导致被测对象的图像产生畸变，最终会给弹孔坐标位置的精准定位带来误差。为了提高基于计算机视觉的自动报靶系统的报靶精度，提出一种基于卷积神经网络的畸变校正算法，只需一张胸环靶面的模板图像即可模拟出大量训练数据集。训练完成后，输入一张畸变图片就可以得到该图片的畸变参数，并利用该参数完成对图像的畸变校正。与传统校正算法的对比结果表明，该算法校正效果较好，有利于提升基于计算机视觉的自动报靶系统的报靶精度。

为了解决视觉测量在非均匀折射率环境中应用时出现的成像畸变问题，建立了在非均匀温度场中形成的非均匀折射率场，研究了光线在该折射率场中的轨迹并根据轨迹偏差修正了图像畸变。利用背景纹影法重构了由非均匀温度场产生的空间折射率场，将空间点发出的光抽象为光线，根据龙格-库塔法修正非均匀折射率场中的光线轨迹并校正图像畸变。利用PnP（pespective-n-point）算法和校正前后图像中同一点的像素坐标解算该点的世界坐标。实验结果表明，该方法能有效降低测量误差，修正被测图像的畸变。

为了增强畸变校正方法的实时性和适用性,提出了一种基于卷积神经网络(CNN)的图像畸变校正方法。首先,使用具有自校准功能的运动结构重建真实相机拍摄的图像序列,以估计相机参数;然后,根据拟合出的第一、第二阶径向畸变参数之间的函数关系,生成常见径向畸变范围内的图像,解决带有第一、第二阶径向畸变注释的畸变图像较少的问题;最后,利用CNN强大的学习能力学习径向畸变的特征,以估计径向的变形情况,并将输入图像映射为畸变系数,实现图像的畸变校正。实验结果表明,相比传统相机标定法,本方法的校正误差约为1 pixel。

针对移动最小二乘算法在图像变形过程中,求解的线性方程组系数矩阵会出现不可逆、求解不稳定的问题,通过引入Tikhonov正则化,运用L-曲线法求解正则参数,对系数矩阵施加约束项从而得到精确解,避免病态方程组的形成;针对在实现图像变形过程中,定位特征点人工量大且特征点不足的问题,运用Dlib库自动提取68个覆盖人脸五官和轮廓的特征点。仿真实验结果表明,与原算法相比,提出的改进算法可以使图像产生清晰、准确的变形。

为了研究水下热扰动环境对光学成像的畸变、模糊等失真问题的影响，利用水下图像的灰度分布、结构相似性图像度量(SSIM)和归一化最大灰度梯度清晰度评价函数来评价目标图像在径向和轴向上的畸变和模糊等失真程度，得到水下热扰动对光学成像变化的规律。实验数据表明，随着成像系统与目标的轴向距离增加，图像的畸变和模糊程度越来越大。轴向距离L1=500 mm 时，对应图像的SSIM 值优于0.7，归一化清晰度值优于0.8；轴向距离L3=1500 mm时，对应图像的SSIM 值低于0.2，归一化清晰度值不足0.6；此外，轴向距离L1 时，成像在径向上，距离发热源越近，边缘漂移越大，即成像图像畸变越严重；最后，相同轴向和径向条件下，目标在不同时刻的图像SSIM 和归一化清晰度值有优劣，该结论可为后续的水下图像复原提供参考。

针对齿轮视觉测量过程中因齿廓表面受到污染导致齿廓图像边缘出现光学失真, 从而影响齿廓偏差、齿距偏差测量精度问题, 提出一种基于视觉测量的齿廓图像边缘失真迭代逼近——临近度判别算法(IAPD).建立渐开线齿廓图像边缘过渡带内像素点法向偏距与像素点极径的映射关系, 将复杂的二维图像边缘信号转化为容易处理的一维信号; 利用小波去噪算法对信号进行处理, 提取齿廓边缘的失真特征; 采用变阈值迭代逼近算法分离出齿廓倾斜偏差; 采用K-邻近度分类方法自动判别齿廓图像边缘失真的起止位置, 为齿距、齿廓偏差测量时进行齿廓图像边缘失真修正提供定位依据.为验证本算法的可靠性, 根据相邻同名齿廓真实边缘的相似性, 对失真齿廓和无失真齿廓图像提取亚像素边缘, 并进行相似性比较, 实现基于相似性比较的齿廓图像边缘失真判别算法, 以此对IAPD算法的失真区域判别精度进行校验.实验结果表明：本文提出的齿廓图像边缘失真判别算法能够快速自动识别图像失真区域, 失真区域边界的径向定位精度可以达到2.5个像素(50 μm), 能够满足图像边缘失真修正补偿的定位精度要求, 可以实现齿轮测量的实时计算.