针对水下图像存在的雾化、模糊和颜色失真问题，提出一种基于全变分和颜色平衡的水下图像复原方法。以完整水下光学成像模型为基础，分别结合四叉树细分法与光在水中传播特性估计背景光，利用水下中值暗通道先验估计透射率，并采用共轭梯度和迭代最小二乘法估计模糊核。为提高计算效率，引入交替方向乘子法对变分能量方程进行逆求解得到去雾、去模糊的图像。在此基础上，在YCbCr空间采用颜色平衡算法对颜色通道进行补偿以校正色彩失真。与6种流行的水下图像增强和复原方法进行比较，实验结果表明，所提方法可以有效地去除雾化和模糊、校正色偏、恢复出清晰、色彩真实的水下图像。

高光谱图像（HSI）在采集过程中易受到环境或者采集设备的干扰，遥感数据信息会受到大幅的损失，因此高光谱图像去噪是图像预处理的基本问题。设计去噪算法，将HSI划分为局部等分块，采用低秩矩阵约束表征局部特征，并在其基础上利用截断核范数最小化方法来分离出稀疏噪声，全局利用空间-光谱全变分正则化实现分离密度噪声和维持空间-光谱平滑性的目的，两者结合能高效去除高斯噪声、椒盐噪声等的混合噪声。对所提优化算法与其他4种近几年发表的去噪算法进行对比，平均结构相似度提高0.13，平均峰值信噪比提高1.10 dB，运用到不同强度的单一类型噪声中，平均结构相似度也能提高0.10。在实际图像的放大对比中，所提优化算法也有着明显的噪点去除效果。实验结果证明，所提方法对高光谱图像在局部特征表述上更加贴近，结合全局正则化方法后获得更明显的去噪效果，能够对高密度噪声和稀疏噪声有清除作用。

在复杂动态背景下的运动目标检测往往会产生前景目标提取不完全、将动态背景误检为前景等问题。针对上述问题，提出了一种结合非凸秩近似函数和三维全变分正则项的运动目标检测模型。该模型在原始鲁棒主成分分析模型的基础上，引入非凸秩近似函数来刻画视频背景部分的低秩性，并利用三维全变分正则项在时间和空间上对前景部分进行约束，最后采用交替方向乘子法对该模型进行求解。实验结果表明，所提模型在处理动态背景、恶劣天气等复杂场景时能有效提高运动目标检测的准确性，并且比现有方法具有更好的视觉效果。

The detection and reconstruction of transparent objects have remained challenging due to the absence of their features and variations in the local features with variations in illumination. In this paper, both compressive sensing (CS) and super-resolution convolutional neural network (SRCNN) techniques are combined to capture transparent objects. With the proposed method, the transparent object’s details are extracted accurately using a single pixel detector during the surface reconstruction. The resultant images obtained from the experimental setup are low in quality due to speckles and deformations on the object. However, the implemented SRCNN algorithm has obviated the mentioned drawbacks and reconstructed images visually plausibly. The developed algorithm locates the deformities in the resultant images and improves the image quality. Additionally, the inclusion of compressive sensing minimizes the measurements required for reconstruction, thereby reducing image post-processing and hardware requirements during network training. The result obtained indicates that the visual quality of the reconstructed images has increased from a structural similarity index (SSIM) value of 0.2 to 0.53. In this work, we demonstrate the efficiency of the proposed method in imaging and reconstructing transparent objects with the application of a compressive single pixel imaging technique and improving the image quality to a satisfactory level using the SRCNN algorithm.

以干涉高光谱成像模型为基础，提出一种结合先验约束的空谱信息同步复原模型，通过非负低秩特性和全变分（TV）正则项分别约束复原高光谱图像的谱间强相关性和空间分段平滑特性，并采用L₁范数和Frobenius范数分别对干涉数据中的稀疏性噪声和高斯噪声进行建模。模拟和真实干涉数据的对比实验验证了所提方法的有效性。相比于传统的干涉数据复原方法，所提方法在准确复原目标光谱信息的同时，能够有效地消除干涉图混合噪声的退化影响，从而提高复原高光谱图像的数据质量。

现有图像增强算法在处理肺部计算机断层扫描(CT)图像时，易产生不自然的外观，引入不必要的人工伪影，并会产生洗去效应。针对此问题，本团队提出了一种基于图像分割和全变分模型的图像增强算法。该算法将图像分割为前景和背景，先对前景肺实质图像的直方图进行修改，然后根据修改的直方图对图像进行伽马拉伸，得到对比度增强的前景图像，再将其与背景图像融合作为全变分模型的输入；然后通过全变分能量泛函将图像分解为纹理层和结构层，对纹理层进行小波阈值去噪，将去噪后的纹理层与结构层进行融合得到增强图像。实验结果的主观分析和客观评价指标均表明，该算法不仅可以有效抑制图像中的伪影噪声，解决现有算法过度增强肺CT图像的问题，还可以充分提高图像的对比度，并保留图像的自然外观显示、纹理细节和边缘特征等信息。

为了改善哈希算法对旋转等内容修改的鲁棒性，设计了径向 Tchebichef矩耦合颜色矢量角度的鲁棒图像哈希算法。引入 2D离散小波变换(DWT)，对图像的颜色矢量角度实施分解，获取对应的 4个子带，将其低频系数作为结构特征。采用径向 Tchebichef矩计算预处理图像的 Tchebichef矩，提取全局特征。通过组合这 2种特征，以形成中间哈希序列。设计加密函数，对中间哈希完成加密，得到目标哈希序列。计算初始目标与待识别图像的哈希序列之间的 l2范数距离，并将其与预设阈值作比较，完成图像内容的真伪判别。测试数据表明:相对于已有的哈希算法而言，所提算法具备更高的鲁棒性，可以对旋转、颜色与缩放等内容修改做出准确识别。

针对磁瓦图像光照不均匀、对比度较低、表面干扰磨削纹理较多的问题，提出了一种基于改进的同态滤波与Canny算法的磁瓦表面缺陷检测算法。首先，采用改进的同态滤波传递函数将磁瓦图像分解成高频图像和低频图像，用连续均值量化变换增强高频图像，再将增强的高频图像与低频图像融合便能够得到光照较均匀和对比度较高的磁瓦图像。然后，将传统Canny算法中的高斯滤波器替换为相对总变差模型，从而提取出磁瓦缺陷结构；为了提高边缘检测的精度，增加了梯度方向模板求取图像像素点的梯度幅值和方向，并采用基于图像灰度信息的单阈值提取出图像缺陷边缘，提高了算法的鲁棒性。最后，通过形态学处理对检测出的缺陷边缘图像进行填充，并把干扰边缘去除，便可得到磁瓦的缺陷区域。实验结果表明，所提算法对磁瓦表面缺陷检测的效果较好，检测精度较高，且适用于多种类型的磁瓦表面缺陷。