随着医学影像的快速升级和人工智能的飞速发展，智慧医疗已成为医学研究领域的一大热点。超声影像技术在临床诊断中有着广泛应用，但大多数血管提取算法是手动或半自动的，提取结果有很强的主观性和易错性。基于此，本研究从颈动脉本身特性出发，采用多尺度Hessian协同滤波方法进行预处理，随后结合医学先验知识提取血管感兴趣区域（ROI），设计了一种遍历追踪搜索算法来检测血管，借助像素灰度差值分级来自动获取颈动脉血管壁，提取的准确率可达89.3%。本研究不仅可以减轻医生的负担，也可降低由于医生的主观性诊断所带来的误诊率，使医生能很好地对血管形态特征参数进行定量定性分析，从而使得临床诊断更加客观与准确。

针对传统的相关滤波算法在红外目标跟踪过程中, 目标被完全遮挡后跟踪失效的问题, 提出一种结合了多尺度滤波跟踪器和基于深度学习检测器的目标实时跟踪抗遮挡算法。首先使用跟踪器跟踪目标, 计算目标的峰值响应强度并比较峰值响应强度与经验阈值的大小以判断目标是否被遮挡或跟踪丢失。然后当目标被遮挡或跟踪丢失时, 停止更新跟踪器, 由于目标被遮挡后再次进入画面的位置可能会发生巨大变化, 并且跟踪器在整个图像中搜索目标的速度特别慢, 因此在不降低跟踪精度和速度的情况下, 后续帧中采用了检测器检测目标并得到多个目标框。利用检测器得到的目标框, 分别利用跟踪器进行相关滤波, 针对每个目标框得到一个峰值响应强度, 其中峰值响应强度最大且超过经验阈值的目标框即为重新进入画面的目标。通过与多尺度相关滤波算法比较, 所提算法在满足实时跟踪的情况下, 能有效地解决红外目标被遮挡的问题, 具有更高的鲁棒性和精确度。

陶瓷瓦表面缺陷的自动检测是该产业升级中亟待解决的问题。陶瓷瓦表面为立体的形态结构且存在大量的花纹,这将导致陶瓷瓦表面光照不均匀,会对缺陷自动检测造成许多干扰。为此,本文提出基于多尺度Hessian矩阵滤波的陶瓷瓦表面裂纹检测算法。首先使用带通滤波抑制陶瓷瓦图像背景及噪声并突出陶瓷瓦裂纹特征;然后,利用多尺度Hessian矩阵的特征值构建陶瓷瓦裂纹相似性函数,实现陶瓷瓦裂纹特征增强;最后,采用二值化和形态学处理的方式,提取裂纹的参数信息。通过实验表明,该算法可以有效去除复杂背景的干扰,提取出完整的陶瓷瓦表面裂纹,且运算效率较高,准确率高达95%。

针对多传感器信息融合，从时频域提出一种最优的融合规则。利用信号的多尺度特性，引入小波变换，将状态向量和观测值分解为多尺度信号，对多尺度信号（包括近似信号和细节信号）滤波更新，多传感器信息融合通过标量加权多尺度滤波值获得，得到小波域的最优估计，然后通过小波逆变换获得时域状态估计。该方法的优点为：1）同时更新了近似信号和细节信号；2）从时频域信息融合，提高了估计精度；3）只需计算标量权系数，避免了求取加权矩阵及其逆，避免了矩阵奇异。仿真结果验证了算法的有效性。