针对太赫兹扫描成像设备存在的图像清晰度差、边缘模糊等问题，提出了一种基于生成对抗网络的太赫兹图像超分辨率重建算法。首先，在处理太赫兹图像时引入限制对比度自适应直方图均衡方法，有效解决了太赫兹图像对比度低的问题；其次，在生成对抗网络的基础上，提出了一种基于增强注意力机制的残差生成对抗网络，实现了太赫兹扫描图像的超分辨率重建，提升了图像纹理和细节的重建能力；最后利用频谱归一化的U-net网络对生成器生成的重建图像进行判别，增强了训练的稳定性。实验结果表明，提出的太赫兹图像超分辨率重建算法将太赫兹线阵相机所成太赫兹图像的边缘强度提高了7%，峰值信噪比提高了13%，平均梯度提高了12%，结构相似度提高了14%，验证了该算法的优越性和有效性。

针对被动式太赫兹安检的检测需求, 提出一种基于最大二维熵的隐蔽目标分割方法。该方法设计了一组适用于被动式太赫兹图像的滤波器组, 实现噪声过滤和图像增强; 设计了一种待检区域自生成的算法, 实现对重点检测区域的自动覆盖; 同时, 引入二维熵的概念, 实现对待检测区域内的隐蔽目标的轮廓分割。在 0.2 THz频段的被动成像下开展了评估和对比实验, 实验表明本文方法具有较好的分割效果和实时性能。

太赫兹扫描成像中，由于激光器功率波动和仪器振动等原因，导致图像对比度较低，成像质量有待提高，且目前针对太赫兹图像的处理还停留在传统算法阶段。本文结合深度学习思想，提出了一种基于生成式对抗网络的图像增强方法。通过对训练集图像引入模糊和噪声，学习低质量图像和高质量图像之间的映射关系，并将其应用在真实太赫兹图像中。实验结果表明，与双边滤波、非局部均值滤波等传统算法相比，本文方法可在改善图像细节的基础上显著提高图像对比度，且视觉体验良好，这为太赫兹图像增强提供了新思路。

提出了一种用于太赫兹图像的基于噪声估计的自适应迭代去噪算法。利用噪声水平估计方法获得真实实验图像的噪声标准差,使用基于四叉树的加权双平方非局部均值去噪方法对噪声图像进行去噪以提高重建图像的质量,并对去噪后的图像再次进行噪声估计与去噪,通过反复迭代获得最佳的去噪效果。实验结果表明,所提方法能较好地保留图像的细节,有效地去除由成像系统所引起的背景噪声,其对太赫兹图像具有较好的去噪效果。

太赫兹波相对于光波和红外而言, 波长较长, 因此太赫兹成像系统的空间分辨率较低。为了在一定程度上提高太赫兹图像的分辨率, 提出了一种超分辨率重建方法。该方法基于深度学习, 在原有残差结构上进行改进, 加深了网络结构。对太赫兹图像进行训练, 拟合低分辨率和高分辨率图像之间的映射关系, 能够实现在单个网络中同时处理多个尺度的超分辨率图像。实验结果表明, 相对于一些传统的超分辨率重建方法, 本方法在量化指标和视觉效果上都有一定程度的提升, 且处理速度相对较快, 能够满足安检系统中实时处理的要求。

提出一种自动识别人体边缘物体的算法, 用于太赫兹人体安检系统的人体边缘物体成像的识别。原始图像经过二值化、滤波除噪、填充、形态学腐蚀膨胀等预处理算法后, 利用顺时针搜寻轮廓追踪算法标记图像轮廓坐标, 对轮廓上各坐标点使用圆形模板占空比检测以及非极小、非极大值抑制算法筛选出所有的凸点和凹点, 并根据相邻凸点和凹点组合特征及其横向距离约束实现边缘物体的识别。500幅测试图像实验结果表明: 该算法对边缘物体可实现快速识别, 误判率在2%以下; 通过调整算法参数, 可良好匹配安检系统的识别精度, 从而达到匹配于系统的分辨极限; 具有抗噪声能力强, 识别速度快, 识别精度高等优点。

针对太赫兹图像分辨率差，噪声严重和信噪比低等不足，提出了一种基于自适应流形高维滤波的太赫兹图像降噪算法。算法利用中值滤波滤除太赫兹图像的强噪声点，再利用自适应流形高维滤波去除图像中的大部分噪声，最后通过基于拉普拉斯高斯算子的边缘增强对二次滤波后的结果图像进行图像增强。实验结果表明，该算法对于太赫兹图像有良好的降噪效果，在滤除图像中噪声的同时，图像的边缘和细节部分也得到了较好的保留。