针对车底危险物图像拼接中存在特征点匹配精度低、匹配速度慢、拼接处存在裂缝以及拼接时间久的问题，提出一种车底危险物图像快速拼接算法。首先，利用角点检测（FAST）算法进行图像特征点提取，再用二进制鲁棒不变可扩展关键点（BRISK）算法对保留的特征点进行特征描述；其次，用快速最近邻搜索（FLANN）算法进行粗匹配；接着，使用渐进一致采样（PROSAC）算法进行特征点提纯；最后，利用拉普拉斯金字塔算法进行图像融合与拼接。实验结果表明：在车底危险物图像数据中，与SIFT、SURF、ORB算法相比，所提算法的图像特征匹配精度分别提高13.10百分点、8.59百分点、11.27百分点，匹配时间分别缩短76.26%、85.36%、10.27%，图像拼接时间分别缩短63.73%、64.21%、20.07%，拼接处不存在明显裂痕。因此，基于FAST、BRISK、PROSAC和拉普拉斯金字塔组合的图像拼接算法是一种优质的图像快速拼接算法。

为进一步提升高动态范围图像在普通显示器上的呈现效果，提出了一种基于改进拉普拉斯金字塔的高动态范围图像色调映射算法。该算法将预处理后的图像分解为高频层和低频层，分别输入2个特征提取子网络，将2个包含不同特征的输出图像融合后再输入微调网络，最终得到感知效果优越的低动态范围图像。此外，该算法设计了自适应分组卷积模块以增强子网络提取局部和全局特征的能力。测试结果表明：与现有的先进算法相比，所提算法可以更好地压缩高动态范围图像的亮度，保留更多图像细节，拥有更加优越的客观质量指标和主观感知效果。

为了提高特定应用场景的红外导引头成像质量, 采用了统计导引头图像对成像环境和应用场景建模的方法,一方面用L1/L2范数对复原图像进行约束, 保持多尺度成像细节信息; 另一方面用稀疏的拉普拉斯分布对迭代模糊核进行约束, 保持对红外成像内容的约束,并采用计算图像细节信息进行了自适应变化核。结果表明, 建立的图像复原约束模型能有效地提升成像质量, 凸显图像边缘,其对比度增强系数指标提高了20%～50%, 峰值信噪比提高了0.8～3.4, 图像像素的模糊检测累积概率提高了0.3～0.5。该研究对复杂场景和动载体成像处理有一定的帮助。

针对传统图像融合算法目标不突出、边缘及纹理细节不清晰或缺失、对比度降低等问题，提出一种基于引导滤波（GF）和双树复小波变换（DTCWT）的红外与可见光图像融合算法。首先，根据红外与可见光图像的特点，在DTCWT分解前对可见光图像进行GF增强，同时对经DTCWT分解后的红外高频分量进行GF增强；然后，根据不同频带系数特点，提出一种基于显著性的自适应加权规则对红外与可见光低频子带分量进行融合，采用一种基于拉普拉斯能量和（SML）与梯度值向量的规则对不同尺度、方向下高频子带进行融合；最后，对融合后的高、低频系数进行DTCWT逆变换以得到最终重构图像。将所提算法与6种高效融合算法进行对比评价，实验结果表明，所提融合算法在不同场景下具有显著的目标特征，同时背景纹理和边缘细节清晰，整体对比度适宜，并且在4类客观评价指标上也取得了较好的效果。

锈蚀覆盖的古铜镜在非接触探伤检测中，因镜缘与镜心厚度各异，X光成像无法呈现完整的病害信息。以古铜镜X光信号为输入，搭建生成对抗融合网络。针对L2损失和梯度算子所导致的重构模糊、纹饰和裂痕等多尺度特征细节表达等问题，设计了能够增强古铜镜X光信息融合效果的优化策略。通过添加L2,12损失正则化生成器的特征学习过程，改善L2损失生成信息平滑的现象；定义拉普拉斯Ltex纹饰损失，加强训练网络对纹饰和病害的抽取效果；在训练网络中加入多尺度特征融合模块，提高细节信息生成质量。通过与7种融合方法进行实验对比，所提算法在5组对照数据中仅2组的交叉熵值略差，其余信息熵、平均梯度、空间频率、联合熵和非参考特征互信息值均取得最优，可有效呈现古铜镜X光探伤检测信息。

针对红外与可见光图像融合中出现细节信息丢失及边缘模糊的问题, 提出一种在变换域中通过 VGGNet19网络的红外与可见光图像融合方法。首先, 为了使得源图像在分解过程中提取到精度更高的基础与细节信息, 将源图像利用具有保边平滑功能的多尺度引导滤波器进行分解, 分解为一个基础层与多个细节层；然后, 采用具有保留主要能量信息特点的拉普拉斯能量对基础层进行融合得到基础融合图；其次, 为了防止融合结果丢失一些细节边缘信息, 采用 VGGNet19网络对细节层进行特征提取, L1正则化、上采样以及最终的加权平均策略得到融合后的细节部分；最后, 通过两种融合图的相加即可得最终的融合结果。实验结果表明, 本文方法更好地提取了源图像中的边缘及细节信息, 在主观评价以及客观评价指标中均取得了更好的效果。

肠道菌群与诸多人类重大疾病相关, 研究在不同条件下的肠道菌群数据具有重要意义。由于菌群数据出现零膨胀现象, 采用成对比率几何平均值(GMPR)方法对其进行归一化。本研究以2型糖尿病数据集为例, 提出一种改进的Spectrum算法。首先, 使用基于特征加权的相似度矩阵, 避免忽视每个样本/特征所对应的不同特征值大小在该样本中所占据的权重; 其次, 将拉普拉斯矩阵替换为Hessian矩阵, 避免传统谱聚类的灵敏度问题, 将ISODATA聚类算法代替原本的K-means算法, 有效地调整聚类中心数K。试验结果表明, GMPR+改进Spectrum在2型糖尿病中的标准化互信息(NMI)为0.423, 戴维森堡丁指数(DBI)为4.751, Calinski-Harabasz指标(CH)为25.541, 兰德指数(RI)为0.835, 调整兰德指数(ARI)为0.019, 较改进前的效果有所提升, 并且该算法可以识别出不同类型患病人群在肠道菌群上的结构差异, 挖掘出肠道微生物组的关键细菌。