针对传统图像增强Retinex去雾算法未考虑有雾图像景深信息，整幅图采用同一尺度复原而导致的局部颜色失真、图像细节丢失等问题，提出一种基于景深信息的自适应Retinex图像去雾算法。从场景雾的浓度与景深密切相关出发：首先利用BTS深度学习模型得到有雾图像的景深估计；然后以图像的平均梯度作为最优评价标准，对有雾图像分块处理并采取不同的高斯滤波尺度进行Retinex增强，统计出最优高斯滤波尺度与其对应的景深估计平均值；接着通过梯度下降法对统计数据进行拟合，得出景深估计与高斯滤波尺度的参数模型并将模型应用到单尺度Retinex去雾算法对有雾图像进行分块处理；最后通过计算均值和均方差，再加上一个控制图像动态的参数来实现无色偏的自适应对比度拉伸以及使用双线性插值映射使图像分块边缘过渡更加连续，从而得到增强的去雾图像。实验结果表明，经过所提算法去雾处理后的图像标准差、平均亮度、信息熵、平方梯度等评价指标均高于对比算法，实际效果对比度较高，图像细节保持完好，且抑制了过度增强。基于景深信息自适应Retinex图像去雾算法能够有效保留图像细节，颜色自然，符合人眼视觉特性，自适应程度高，明显优于传统Retinex去雾算法。

为了提升可见光通信(VLC)室内环境下的定位精度, 提出一种基于双线性插值与K-means聚类算法结合的位置指纹定位改进算法。该算法首先建立初始指纹, 然后对待定位点所在聚类域中的指纹进行插值计算, 最后将插值后的部分区域指纹作为参考指纹库存, 选择一种匹配算法实现最终定位。在5 m×5 m×3 m的室内房间建立VLC系统模型, 仿真分析了指纹密集度对定位精度的影响以及改进算法的定位精度对比情况。仿真结果表明: 随着指纹库密集度的降低, 定位精度随之提高；改进算法使用插值指纹库与比使用初始指纹库的定位精度提高了21.5%, 同时大大降低了计算复杂度。

三维发射层析技术跨越了传统二维层析技术中的“切片”过程，将被测区域作为一个整体进行重建，投影方向及位置不局限在同一水平面内，可以解决实际燃烧场测试中探测器位置受限以及装配误差等问题，对燃烧场的三维成像及测试具有重要意义。针对已有三维发射层析技术中权重矩阵的计算存在数据量大、精度和效率低等问题，在三维空间相机成像投影数学模型的基础上，提出了一种基于线性插值原理的三维权重矩阵计算方法，并结合代数迭代算法实现层析重建。通过数值模拟验证了算法精度，建立了多相机发射层析系统并对燃烧火焰进行三维层析重建。研究结果对提高层析重建精度和效率具有重要的参考价值。

提出了一种联合散斑与相位混合光场调制的三维重建方法。首先，基于双目立体视觉原理，在被测物体表面投射2帧散斑和3帧相移条纹图案。然后，用采集的散斑图像进行立体匹配，得到粗视差图，并通过调整条纹频率顺序解析出两组截断相位。最后，通过两组相位辅助粗视差图进行精确匹配，完成高精度的三维重建。实验结果表明，相比传统方法，本方法的重建速度更快、精度更高、鲁棒性更强。此外，本方法不需要进行相位展开，解决了匹配点出现在截断相位周期分界处附近时容易导致错误匹配的问题。

针对传统Kubelka-Munk（K-M）理论的光谱预测模型在进行胶印专色油墨光谱预测时精度不够理想的问题，提出一种基于分段线性插值法构建基墨数据库，结合Stearns-Noechel（S-N）传递函数修正K-M模型的胶印专色油墨混合颜色光谱预测方法。研究以盛威科品牌某一系列专色油墨混合得到的64个专色作为目标色样进行训练，分别进行两色、三色、四色混合光谱预测研究，得到了3种数量基墨混合时最佳纸基权重分别为-0.5、-0.1、0.2。将最佳纸基权重代入预测模型，以CIE1976色差、CIEDE2000色差和均方根误差为评价指标，随机选取了两色、三色、四色已知配方的专色各3个进行精度检测实验。结果表明，提出的方法与传统K-M方法相比，CIE1976色差、CIEDE2000色差和均方根误差平均值分别从5.748、3.471和0.048降低到2.077、1.441和0.011。该方法相比传统K-M方法预测精度大幅提高，能够较好地实现更高精度的胶印油墨混合颜色的光谱预测。

对机载多传感器数据融合的时间对准算法进行了研究, 对时间不同步导致的对准误差进行了理论分析。在此基础上, 为提高内插外推的精度, 对数据时间差异很大的时间对准问题提出了一种改进的分段线性插值算法。对红蓝对抗场景下的数据链与机载火控雷达的数据融合处理进行了仿真分析, 仿真结果表明该算法对机载多源数据融合处理具有良好的适应性。

针对复杂场景中光照变化、目标自身尺度变化等引起的目标丢失或误跟踪等问题, 提出一种尺度和光照自适应的结构化多目标跟踪方法。利用多尺度Retinex算法对序列图像进行预处理; 通过SPOT算法对多目标进行跟踪, 以确定新一帧中各目标最优位置; 采用判别型尺度空间跟踪算法训练尺度滤波器, 以新一帧中各目标最优位置为中心, 利用尺度滤波器的最大值确定新一帧中各目标的最优尺度; 采用随机梯度下降法并结合双线性插值更新特征分类器的权重。实验结果表明, 提出的多目标跟踪算法在应对场景光照和目标尺度变化等方面, 具有良好的鲁棒性和准确性。

针对传统光线投射算法在三维场景中绘制大量烟雾数据时存在计算资源消耗大、绘制速度缓慢等一系列问题,提出一种基于改进光线投射算法的室内烟雾可视化方法。将三维数据场按照统一大小划分成均匀的数据块,求出光线穿越数据块时入射点和出射点的中点位置,利用视点和中点之间的距离比例来调整采样频率,从而获得重采样点的位置。再通过对光线上的重采样点进行分级分组操作,对处于不同级别的采样点采取不同的插值策略,最后使用图像合成算法完成光线上重采样点数据值的映射,得到室内烟雾的渲染效果。实验结果表明,该方法是可行且有效的,与现有的光线投射算法相比,在保证绘制图像真实性和稳定性的前提下,改进过后的光线投射算法极大地减少了渲染过程中重采样和线性插值时的计算量,同时帧率能够稳定保持在75 frame·s -1左右,可满足不同室内场景下烟雾的实时绘制要求。