肝脏分割是计算机辅助肝脏疾病诊断、治疗和手术的重要步骤，提出一种基于空间模糊C均值和图割的CT图像肝脏分割方法。首先，为去除毗邻器官和组织对肝脏分割的影响，采用阈值、投影和三维区域生长法从原始CT图像中去除脊柱、肋骨，接着采用K-means聚类和二值形态学重建方法去除右肾。然后，采用空间模糊C均值从初始切片中分割肝脏，再结合CT切片的空间、形状和灰度特性运用图割算法迭代分割剩余切片。最后，根据形态学操作和解剖学知识去除肝脏分割结果中的下腔静脉区域。实验结果证明，与其他同类方法相比该方法可获得更好的分割效果。

针对地面激光扫描点云和航摄影像密集匹配点云融合存在质量退化与分层的问题，本文提出了一种基于图割算法和引导点云滤波算法的异源点云融合方法。该方法首先利用一种结合几何和颜色信息的图割算法分割密集匹配点云，然后利用分割后的密集匹配点云填补激光点云的孔洞和遮挡区域，接着采用以表面曲率加权的引导点云滤波算法消除混合边界处的缝隙并纠正混合点云中的平面错层。实验结果证明，所提方法对比现有方法有明显的性能提升，融合后的精度和完整性分别提升了5.42%和2.94%，能够较好地支撑激光点云与密集匹配点云的高质量融合。

在立体匹配问题中，基于3D标签的算法可以取得更高精度的亚像素视差图。针对3D标签的随机初始化问题，提出一种基于超像素结构与三角剖分的标签初始化方法。利用基于超像素边界提取到的特征点构建三角剖分，生成初始3D标签；针对图割算法迭代优化3D标签时效率的问题，在超像素结构上利用图割算法进行全局优化3D标签，迭代中加入对当前标签状态的假设扩展标签候选，提升了标签搜索效率。在Middlebury2014数据集上对方法进行验证，实验结果表明，所提方法的平均误匹配率（8.31%）低于LocalExp算法的平均误匹配率（8.39%），并且处理单幅图像耗费的平均时间约为LocalExp算法的70%。

由于室内场景中存在对象种类多样、物体几何信息复杂、物体密集问题,故室内场景结构重建存在着很大的挑战。首先,以“结构分析”为主线,利用改进的随机抽样一致(RANSAC)算法和均值漂移算法检测出房间布局的粗略划分。然后,在将初步划分结果转化为无向图的基础上,利用图割算法得到了房间布局的细分结果。最后,将重建的墙壁、地面与天花板信息相结合,完成了室内场景布局的总体重建。实验结果表明,利用改进后的算法和所提方法得到的重建结果更加准确、效果更好。

为精确提取浮选泡沫表面的崩塌、新合成气泡, 减少噪声和光照影响, 提出一种结合非下采样Shearlet变换(NSST)域显著性检测及图割的泡沫红外图像分割方法。对泡沫红外图像进行NSST多尺度分解, 采用GBVS算法对低频子带图像进行显著性检测, 通过马尔科夫链特征差异计算显著性值, 对各个高频方向子带进行噪声系数去除和边缘、弱边缘系数非线性增强。对处理后的多尺度高频子带、低频子带图像进行NSST重构, 通过低频子带图像的显著性检测结果构建显著性约束项, 采用高斯拟合函数构建气泡亮度约束项, 然后构造图割能量函数, 最后利用最大流/最小割算法对目标区域进行分割。实验结果表明: 该方法受光照影响小, 一定程度上解决了过分割和欠分割问题。正常浮选检测准确率为91.8%, 欠浮选为87.1%, 过浮选为88.9%, 分割精度较现有方法有明显提高, 能有效提取出崩塌或新合成的气泡, 表现出良好的抗噪性, 且在不同工况下均表现出良好的鲁棒性。

针对基于深度学习的机载激光雷达(LiDAR)点云分类方法训练时间长、对样本数据需求量较大等问题,提出了一种整合迁移学习与全卷积神经网络(FCN)的小样本机载LiDAR点云分类方法。首先,对机载LiDAR点云的光谱信息进行补充,并提取点云数据的归一化高程、强度值和植被指数特征构建三通道点云特征图。然后,通过设置不同的邻域大小和投影方向,生成多尺度和多投影特征图,并采用密集连接网络DenseNet201预训练模型提取多尺度、多投影深度特征。最后,通过池化操作提取深度特征中的全局特征,用FCN进行初步分类后基于图割优化策略实现机载LiDAR点云的高精度分类。在标准测试数据集上的实验结果表明,在训练样本数量约占数据集1.4%的情况下,本方法的总体分类精度可达到89.91%。

针对当前去雾算法未考虑交通监控图像中雾气浓度分布不均匀的问题, 提出了波长相关物理成像模型的去雾算法.首先, 根据波长与雾气浓度的相关性, 构建了适用于交通监控图像的波长相关物理成像模型.然后, 根据波长与颜色的相关性, 设计出基于最大模糊相关图割的透射率估计算法.考虑到灰度值存在交叉重叠的模糊特性, 及景物的空间相关性, 利用递推的最大模糊相关算法快速获取景物划分信息, 并用此信息设计图割的数据项, 实施图割.该策略将基于阈值的分割算法与基于空间相关性的图割算法相结合, 确保了景物的空间相关性, 提高了分割精度, 避免白色目标的误分.最后, 通过分割结果中的天空区域, 准确地计算大气光, 实施去雾.在500幅仿真图像及真实图像上的测试结果表明, 该算法较已有去雾算法的去雾精度至少提高7%, 运行时间至少缩短了约15%, 可用于交通监控系统的图像去雾处理中.

为了识别植被场景中的叶片和相邻障碍物,提出了一种三维激光雷达的目标检测算法。以雷达点云中的相邻点构建邻域特征,提取新的特征参数作为判别依据,采用期望最大算法求得混合高斯模型以表征特征参数的分布情况;最后,利用马尔可夫随机场建立先验模型,在最大后验概率框架下采用图割法进行求解,得到最优目标函数。该算法已成功应用于无人驾驶平台。研究结果表明,该算法能有效地识别叶片及其邻接障碍物,可以清楚地分辨障碍物边界。与传统算法相比,该算法具有更高的稳健性和准确率,且其实时性满足实际应用的需求。

合成孔径雷达(Synthetic Aperture Radar, SAR)图像是遥感目标检测与分割等研究的重要数据源。提出了一种渐进核图割分割方法, 该方法通过迭代进行二类聚类分割, 自动实现合成孔径雷达SAR图像中多目标的分割。实验结果表明, 该方法能够有效地实现复杂场景SAR图像的多目标分割。