为了能够快速、精确地检测出矩形,综合分析目前存在的矩形检测算法的优缺点,提出了一种快速、高精度的矩形检测算法。所提算法首先采用环形窗口将图像分割为多个感兴趣区域,再提取感兴趣区域的亚像素轮廓,并将亚像素轮廓分割为若干线段,然后利用模糊数学理论对线段的几何和物理特性进行融合计算,最终根据模糊融合得到的判决结果完成矩形的高精度检测和定位。实验结果表明:所提算法的检测速度是基于Hough变换的矩形检测算法的7.4倍,检测最大中心定位误差为(0.507 pixel,0.272 pixel);长度的平均误差为1.034 pixel,宽度的平均误差为1.310 pixel,倾角的平均误差为0.304°,并且能够准确地检测出矩形。所提算法满足工业应用中快速、高精度的要求,且有较强的稳定性。

针对当前的各种纸病辨识方法只能对于一种或有限几种纸病有效辨识，且不能准确辨识难点纸病的问题，在全面分析纸病特征、研究和归纳各类纸病辨识方法的基础上，本文提出使用模糊融合器对纸病图像的多种特征值进行特征层融合，把多个纸病辨识方法结合在一起，以达到纸病高效、全面辨识的目的.由于径向基神经网络结构与模糊推理结构的等价性，使得径向基神经网络实现的多种纸病特征的信息融合系统具有结构简单和快速性的特点.实验表明：本文方法可以准确识别包括难点纸病在内的各种主要纸病.

提出了一种基于快速EM(expectation maximization)算法和模糊融合的多波段遥感影像无监督变化检测方法.该方法首先对各波段差异影像采用基于直方图分析的快速EM迭代算法获取变化分类阈值和变化信息，随后对各波段的变化信息进行模糊融合和判决，生成最终的变化检测图.利用真实的多波段遥感影像进行了实验，本文方法在运行时间和检测效果两个方面都具有优越性.

提出了一种基于模糊融合的红外弱小目标快速检测新算法.算法以差分图像为基础,根据差分图像的噪声特性引入衡量像素点灰度变化程度的隶属度函数,将经过隶属度函数"模糊化"的数帧差分图像进行模糊"与"操作实现融合,按照规则对融合后的图像进行两次模糊推理,实现了弱小目标的检测.仿真实验结果表明,该算法保留了差分法良好的实时性,克服了确定检测阈值难和"硬"判决带来检测概率低的缺点,能快速有效地检测出低信噪比红外图像序列中的像素个数不小于4的弱小运动目标.