目前在零件模型上容易将低曲率圆柱面的局部区域识别为平面，并且只能做到一种图元的快速准确检测。基于此，提出一种能够同时对平面和圆柱面进行精确快速检测的面向点云数据的面图元快速检测方法。该方法分为粗识别和精化两阶段：首先，将点云划分为小粒度基片，计算基片特征，粗识别出平面基片或圆柱面基片；之后，根据过滤条件将圆柱面基片邻近的平面基片过滤，合并具有相同特征的基片得到完整平面和圆柱面。使用5个机械零件数据进行实验验证，并将其与目前流行的两种识别方法进行比较。结果表明，该方法不会出现其他两种方法存在的遗漏和错误识别现象，同时在多圆柱面相连时的准确分割以及曲面参数精度上，优于其他两种方法。

为了解决长测距地面激光点云高密度变化的问题, 采用了一种密度自适应的平面分割方法。首先基于估算理论点间距构建动态邻域搜索范围, 联合内指标和香农熵确定最佳邻域并计算维度特征; 然后根据最佳邻域、维度特征、法向量和点面距设计区域增长规则, 得到初步分割结果; 最终通过面片合并优化分割结果, 并在最长扫描距离为1 km的单站地面激光扫描数据进行了实验验证。结果表明, 该方法分割准确率达到95%, 召回率达到92%, 能够准确对长测距地基点云中的建筑物平面进行分割; 与传统香农熵方法相比, 本文中使用动态邻域搜索范围可以显著提高算法效率。该方法能高效准确地从大场景点云中提取建筑物平面, 为城市3维建模提供了参考。

提出一种有效的三维点云骨架分割的方法,分割后的结果可用于三维点云物体识别和分类。利用稳健性较强的L1-中心骨架算法对点云数据进行骨架提取,可得到一系列骨架点;利用基于八叉树的区域增长分割方法对已经得到的骨架点进行分割,选取法向量和残值作为判定标准;利用OpenGL库编程把分割出的各个部分进行骨架连线。对多种形状的点云数据(包括动物模型、植物模型、人体模型、字母模型)进行实验,该方法均得到较好的结果。

准确、快速地提取结构光条纹中心是三维测量系统中的关键问题。针对现存的结构光条纹中心提取精度与速度之间的矛盾,提出一种全新的基于海森(Hessian)矩阵与区域增长相结合的激光条纹中心提取方法。采用自适应阈值法提取图像的感兴趣区域,利用灰度值最大法确定像素级条纹中心的初始位置;利用Hessian矩阵求取初始点法线方向上的亚像素级光条中心点;将光条中心点作为种子点进行区域增长迭代运算,从而精确提取条纹中心。区域增长算法解决了传统方法中存在的大量高斯卷积运算的问题,提高了条纹中心的提取速度。实验结果表明,该算法提取的条纹中心准确度高,满足三维测量系统中实时在线的要求。该算法的均方差相比于灰度重心法降低了2.02 pixel,提取速度相比于Steger法提高了40倍。

针对面向对象的高光谱分类方法中分割参数设置问题，提出了一种基于区域增长技术的自适应高光谱分类算法。首先提出了带约束的区域增长方法，利用已知训练样本的空间信息，提供有效约束，从而降低区域增长过程中区域标记的错误传播率，以提高分类性能；其次，提出了自适应阈值计算方法，通过分析已知训练样本光谱的分布规律，自适应地计算出合理的区域划分阈值，从而代替经验阈值，提高算法的鲁棒性；最后，采用K近邻算法(KNN)，对划分后各区域中心进行分类。实验结果表明：对于不同图像，提出的算法计算出的自适应阈值均与其经验值相符合，且其分类效果优于其他算法，来自AVIRIS传感器的高光谱数据Indian Pines在10％的已知训练样本下总体分类精度达92.94％、kappa系数达0.919 5，来自ROSIS传感器的高光谱数据Pavia University在5％的已知训练样本下总体分类精度达95.78%、kappa系数达0.944 0。该算法不仅增强了算法的鲁棒性，同时有效提高了分类性能，在高光谱应用中具有较强的实用性。

光学遥感图像海陆边界分割是海洋近岸目标检测和识别的重要技术基础。由于光学遥感图像分辨率的提高，海陆边界分割存在背景复杂、干扰多等问题。为解决复杂背景下高清遥感图像海陆边界分割问题，提出了一种新的海陆边界分割算法。该方法包含三个部分：使用均值漂移算法将遥感图像处理成若干同质区域;采用一种新的基于扫描线的方法选择海水区域种子像素点，利用区域增长算法填充海水区域;通过连通区域分析的方法分离陆地部分，得到海陆分割结果。实验证明，该方法能够对于复杂背景下的光学遥感图像实现准确、稳定的海陆分割，算法具有较强的鲁棒性和准确性。

针对五步相移干涉测量，提出了一种新的质量图用于引导路径预测区域增长算法。首先基于分支设置处理残差点，直至相位图中所有残差点都被平衡。然后将包裹相位图按质量值分割为若干区域，把分支对应的质量值设为最低，按质量值由高到低顺序对每一区域的相位进行路径预测区域增长方式的去包裹，若区域间有交界，则通过调整偏移量的方法进行融合处理。软件仿真和实验验证结果表明，与传统区域增长算法相比，新算法准确度更高，计算速度更快。

提出一种从地面激光点云数据中提取建筑目标并进行分割的新方法，该方法利用半径渐变的主成分分析法确定各点局部几何特征(最佳半径，法向量、维度特征)；根据几何特征将地面点从原始点云中剔除，将非地面点按距离聚类形成点云簇，并对点云簇进行整体特征分析，识别建筑物目标；依据点的局部特征设置区域增长法生长准则对建筑物目标进行平面分割并对分割结果进行优化。实验结果表明，该方法不仅能快速有效提取大场景中的建筑物目标进行分割，并且解决了传统区域增长法不稳定的问题，提高了建筑物点云平面分割的精确性和可靠性。

电路板的红外图像配准是电路板红外图像故障检测系统中的重点研究内容, 由于电路板红外图像背景区域灰度单调, 元器件发热区域轮廓粗糙, 且伴随着大片受环境影响的辐射区域, 对配准精度和配准效率产生很大影响。结合这些特点, 利用相位一致性提取电路板发热芯片轮廓, 再将轮廓内的区域用区域增长法提取为电路板红外图像 ROI, 基于 ROI的图像配准不仅最大限度地保留了图像信息, 又显著降低互信息运算量。实验表明: 相对不进行 ROI提取的图像配准算法, 本文算法能够在保证配准精度的前提下大幅提高配准效率, 具有一定的实用性和鲁棒性。