结合三角测量原理和视觉激光器的优点，针对地形的纹理映射问题，设计一种基于多点式结构光的三维地形纹理映射系统。系统保持激光器与相机相对位置固定，可以同时采集深度信息及纹理信息，经过图像处理等可以生成具有纹理细节信息的三维虚拟地形，提高纹理映射结果的实时性。其中，系统在深度测量时Zw方向的误差可控制在1.3 mm以内，且平台简单，不需要额外相机采集纹理信息，相较于传统的三维测量系统，成本降低，建模效率提高。

当前较多图像融合算法主要是通过图像的能量信息来完成系数融合，忽略了图像的纹理特征，导致融合结果中存在吉布斯以及块现象等缺陷。设计了二代 Curvelet变换耦合纹理信息调节的融合算法，该算法采用二 代 Curvelet变换，从输入图像中获取不同的 Curvelet系数，采用图像的 R(Red),G(Green),B(Blue)值，构造纹理信息因子，测量图像的纹理信息，并联合图像的信息熵特征，定义低频信息融合机制，完成低频系数的融合 ，使融合图像具有更多的纹理信息。利用图像的平均梯度特征建立高频信息融合方法，实现高频系数的融合，使其含有更多的边缘细节信息。测试结果显示：与已有的融合算法相比，该算法的融合图像更为清晰，没有吉布 斯和块现象，具有更大的交互信息量和标准差值。

由于SAR图像固有的相干斑噪声和海陆交界处复杂的地形影响, 利用区域合并方法在进行SAR图像的海岸线提取过程中很容易出现误合并。为解决SAR图像海岸线分割中单一分割尺度造成的误分割问题, 提出基于SLIC超像素的SAR图像海岸线分割算法, 超像素分割后再利用改进的融合光谱和纹理信息的合并代价(CT-Model)进行合并, 最后将海陆交界处的海岸线显示用来进行分割效果对比。实验结果表明, 改进后的合并准则在SAR图像的海岸线分割上具有更好的精确度。

滤波器在提取高光谱图像空间纹理信息时往往容易陷入局部的特征提取。针对这一问题,提出一种自适应流形滤波的高光谱图像分类算法(AMF-SVM)。该方法采用自适应寻优,先计算第一个流形,然后根据流形树高度进行递归投射、平滑和聚合处理,结合处理结果对高光谱进行线性滤波,得到较好的空间特征,并由支持向量机(SVM)完成分类,最后获得最优的分类结果。实验表明,相比使用光谱信息、高光谱降维、空谱信息结合的SVM分类方法,边缘保持滤波以及递归滤波的方法,AMF-SVM对高光谱图像的分类精度有较大提高,充分说明了该方法的有效性。

针对从单目红外图像中恢复深度信息的问题，提出了一种基于深层卷积神经网络（DCNN）的深度估计方法。用劳斯掩膜和梯度检测器分别提取不同尺度下红外图像的纹理能量与纹理梯度，并将这两种纹理信息作为红外图像的第一种特征；提取图像中像元及其邻域的灰度值,以及统计其灰度直方图作为另外两种特征；分别用三种特征和深度信息标签训练DCNN，得到三种训练后的DCNN分别对单目红外图像进行深度估计。实验结果表明，相比较另外两种特征，用纹理信息训练的DCNN能够更有效地估计深度，并且优于现有的估计方法，尤其能较好地表现局部场景的深度变化。

提出了一种新的快速获取物体三维形貌和纹理信息的方法。利用数字投影仪将2幅彩色编码的正弦相移光栅图投影到被测物体表面，彩色相机捕捉经物体调制后的变形条纹图。提取RGB三基色，可获得包含物体高度信息及纹理信息的条纹图和背景光。对包含物体高度信息的条纹图用改进的2+1相移算法重构物体的三维形貌。物体纹理信息则通过对背景光进行彩色编码获得，利用纹理映射技术恢复物体纹理。计算机模拟和实验结果验证了该方法的有效性和可行性。

本文提出一种新的结合纹理、形状和衰减特征信息的超声图像特征提取算法, 并用于甲状腺肿瘤的良恶性鉴别。重点研究并改进了甲状腺肿瘤的纹理特征提取算法, 在传统局部二值模式 (Local Binary Pattern)算法的基础上, 将邻域改成椭圆状, 更有利于肿瘤的表示并有效提取了肿瘤的各向异性结构信息; 对距离编码采用模糊逻辑建模, 克服了超声图像斑点噪声带来的不确定性; 此外, 提取了肿瘤的圆形度, 归一化径向长度的标准差, 面积比率、粗糙度指数和衰减系数作为表征甲状腺肿瘤的特征向量; 最后, 采用支持向量机 (Support Vector Machine)对甲状腺结节进行分类识别。与其他特征提取方法相比较, 本文提出的特征融合算法描述准确率高, 具有较高的分类准确性, 通过实验验证了所提方法的合理性和有效性。

针对互联网信息监测管理的需求,我们提出基于压缩域的网络信息监测过滤仪的概念,并从压缩域纹理信息的分类、轮廓提取、字符定位、肤色分割、人脸检测等几个方面对其所涉及的关键技术进行了广泛深入的研究,提出了一系列高效的压缩域图像处理算法,为监测过滤仪的进一步开发设计奠定了基础.