针对现有显著性检测方法存在背景抑制效果差和前景分辨率低的问题,提出一种基于背景抑制和前景更新的显著性检测方法。首先利用MR(manifold ranking)算法计算背景先验图,通过超像素分割算法提取的边缘超像素来构建背景模板,计算出稀疏重构图,点乘运算获得高质量的背景抑制图;同时利用高斯混合模型计算颜色先验图,通过CA(Cellular Automata)模型计算多尺度下的颜色优化图,点乘运算获得高精度的前景更新图;最后在贝叶斯框架下融合背景抑制图和前景更新图获得满足人眼要求的最终显著图。在2个公开数据集上的实验结果表明,本文算法能够获得背景抑制效果明显、前景分辨率高的显著图,并且其准确率、F-measure、平均绝对误差(MAE)等指标均优于其他8种对比算法。

针对显微图像盲复原算法存在的计算量大、振铃效应以及噪声敏感的问题，提出贝叶斯框架下两次引导滤波的快速盲复原算法。利用显微图像成像原理中基于深度信息估计点扩展函数的概率模型，构建了贝叶斯框架下盲复原的最小优化问题；通过分析最大后验概率的最小优化问题求解过程，推出了实施引导滤波器可快速求解优化问题的结论；为有效去除振铃和噪声，设计了两次引导滤波的求解方案，其将第一次引导滤波求解的结果作为优化问题的二次输入。实验结果表明，复原结果的像素误差率约为0.04，较常用盲复原算法的复原准确度提高了约20%，运行时间也大幅缩短，该方法能有效应用于显微视觉下微装配散焦图像盲复原的工程实践中。

针对图像去噪的速度以及可能出现的阶梯效应等问题进行了研究，提出了一种高效的图像去噪算法。该算法在贝叶斯框架下，首先引入调和模型作为原始图像的先验模型，并用伽马分布作为未知参数的先验分布模型；然后，用变分近似的方法推导最大后验概率；基于此推导过程，同步地估计原始图像和未知参数的最优值，实现图像去噪。实验结果证明了该算法的高效性，通过与其它算法的比较，该算法体现了速度快、效果好的优点，且去噪后的图像不会出现阶梯效应等问题。