为了在电力设备红外图像中较好地检测故障区域，提出一种基于分层聚类迭代的红外图像故障区域自动提取方法。在该方法中，首先以脉冲耦合神经网络(Pulse-coupled neural network，PCNN)作为红外图像处理核心模型，通过设置 PCNN模型内在参数以及引入聚类机理，使得模型在迭代过程中可将整个图像划分成多个具有相似特性的区域。在此基础上，通过计算各个层点火区域均值以及对均值大小进行排序，然后针对灰度值较高的点火区域，结合边界检测算子并利用相似度评价方式对相邻区域进行合并处理，实现红外图像中热故障区域的有效提取。最后对真实红外图像进行测试并对比现有的一些方法，验证文中方法对热故障区域提取的有效性和适用性。

提出了一种基于分层聚类的彩色结构光光条检测方法:将彩色图像转换为灰度图像,利用分层聚类对图像像素逐行进行结构光光条中心点初值计算;根据邻域灰度信息,对结构光光条中心点进行亚像素定位,并基于颜色距离和欧氏距离判别结构光光条中心点索引;对图像进行自上而下的行扫描,完成彩色结构光光条检测。仿真和实验验证了方法的正确性与可行性,结果表明:对光条中心的检测精度为0.47 pixel;对于存在微小断裂的光条,该方法仍可保持光条的一致性和完整性。该方法可应用于结构光三维重建领域,具有一定的理论研究价值和工程应用前景。

动力型下肢假肢的主要功能是帮助截肢患者实现独立自如的行走, 为了使假肢能够配合用户的运动, 需要对用户的运动意图进行识别。通过提前获知用户前方环境信息, 将其作为运动意图识别的先验知识, 可以提高运动意图的识别精度。为了给动力型下肢假肢提供前方环境信息, 设计了一种可穿戴的地形识别系统。首先通过安装在人体腰部的二维激光雷达收集前方地形数据, 然后利用凝聚分层聚类算法对采集的数据进行线性特征提取, 最后利用有限状态自动机对前方地形进行识别。实验中, 对平地过渡到上/下斜坡、上/下楼梯四种地形进行了测试。结果表明, 该系统不仅对四种地形的识别精度达到了95.8%, 还可以计算出传统的运动意图识别方法无法得到的地形参数信息, 包括斜坡的坡度、楼梯的阶数和台阶的高度与宽度。这证明了将该系统应用于动力型下肢假肢的有效性和可行性。