为了减小多源跨尺度点云数据尺度与数据量上的差异，提出了一种基于小波变换的点云多尺度分解方法。对细节丰富的小尺度点云数据进行多尺度分解，以及尺度分解在跨尺度点云数据配准中的应用进行研究。首先，对小尺度点云进行栅格建模，建立全局点云二值表达函数。根据离散小波变换理论，对栅格点云进行多次的三维小波分解，利用小波尺度函数的低通特性，保留低频信息来获取原始小尺度点云的近似尺度数据。然后，基于面维数和差体维数差表征与原始数据的相似度，确定有效的小波分解级数。最后，将各级分解得到的点云数据与大尺度点云数据进行精确配准，并将配准关系应用于原始点云，提高跨尺度点云的配准精度。实验结果表明：本文提出的多尺度分解方法能够对数据进行有效分解，应用于某航空发动机叶片多尺度测量中，将显微测量的局部气膜孔小尺度点云数据与整体叶片结构光数据配准，配准精度提升了61.36%。该分解方法应用于叶片边缘与栅格零件多尺度测量中，配准精度分别提升了48.59%，43.86%。所提的点云多尺度分解方法能够有效分解小尺度点云数据，大幅提升跨尺度数据的配准精度。

生物特征识别在信息安全领域发挥着重要作用, 掌纹识别作为一种新型生物特征识别方式, 具有低失真、 非侵入性和高唯一性等优势。 传统掌纹研究大多使用自然光成像系统以灰度格式获取, 识别精度很难进一步提升。 为了获得更多的身份鉴别信息, 提出利用多光谱掌纹图像代替自然光掌纹图像。 针对现有掌纹识别算法由于没有考虑到不同光谱的特性而导致纹理细节丢失, 识别精准率低的问题, 提出了一种基于多光谱图像融合的掌纹识别算法。 该方法通过对不同光谱下的掌纹图像进行快速自适应二维经验模式分解(FABEMD), 将多光谱掌纹图像分解成一系列频率由高到低的二维固有模态函数(BIMF)和一个残余分量, 残余分量可被视为该光谱图像低频信息的初步估计。 图像采集过程中光照条件很难保持稳定, 而近红外光谱图像在进行FABEMD分解时对光照变换敏感, 容易导致分解后的BIMF背景信息过于冗余; 因此对分解后的近红外掌纹图像进行背景重建及特征细化, 在对背景冗余信息进行平滑处理的同时可以有效增强高频信息的特征表达。 为避免直接融合处理后引发的图像过度曝光问题, 提出对近红外特征压缩后再融合。 此外, 提出了一种结合了注意力机制的改进残差网络(IRCANet), 用于融合后的掌纹图像分类, 在网络中引入分阶段残差结构, 缓解了网络的退化问题, 在学习过程中有效地减少信息丢失, 对于融合后的多光谱掌纹图像, 分阶段残差结构能够稳定地将图像信息在网络间传输, 但对图像中的高低频信息区分效果不够显著, 为了使网络关注更多区分性特征, 利用特征通道间的相互依赖性, 在分阶段残差结构中结合了通道注意力(Channel Attention)机制。 最终, 在香港理工大学(PolyU)多光谱掌纹数据集上进行的综合实验表明, 该方法可以取得良好的效果, 算法识别准确率能达到99.67%且具有良好的实时性。

水雷目标探测会受到水下非均匀强噪声（有机质、悬浮颗粒等）的干扰，为了解决这一问题，提出了一种新的去噪方法。首先优化局部保边缘滤波算法，提出了基于边缘感知约束的局部保边缘滤波，在模型中引入了一个空间自适应的边缘感知约束正则化项，用来更好地表征图像的边缘及细节，使得算法的保边缘平滑特性更好。其次针对强噪声的非均匀特性，采用多尺度策略，迭代地将优化后的模型运用到每个尺度的去噪结果上生成多尺度分解，并在多尺度分解的过程中，逐步增加去噪尺度，将不同尺度的噪声逐步从上一尺度的去噪结果中分离出来。实验结果表明，相较于其他经典去噪方法，提出的算法能够在更好地去除水下非均匀强噪声的同时保留水雷目标信息，对实时水雷作业有着一定的指导意义。