光声计算层析成像（PACT）不需要外源性对比剂便可获取厘米级深度的光声图像。然而，来自皮肤的高强度光声信号遮盖了皮下深层组织信息，阻碍了感兴趣区域光声图像的正面显示和分析。因此，笔者提出了融合多尺度感知和残差连接的U型深度学习模型，并采用该模型实现了PACT光声图像中皮肤信号的智能分割。首先，提出以单类皮肤区域标注为基准标签图像的非像素级皮肤区域标注方法，该方法不需要像素级图像标注，能够显著降低数据处理的复杂度；然后，设计了皮肤完整性拟合和皮肤掩膜生成算法，并采用该算法实现了PACT图像中皮肤信号的自动去除。使用PACT成像实验获得的人体腿部外周血管光声图像验证了所提方法在皮肤组织高精度智能提取和去除方面的正确性和有效性。与现有的皮肤去除工作相比，本文所提皮肤去除算法对MAP图像的重建误差下降了50%~70%，峰值信噪比平均提升了约4.5 dB，为深层组织PACT图像的高清晰显示提供了一条有效途径。

针对多主体协作健康监测系统中光纤传感网络链路故障，提出了一种基于光开关和图论的光纤传感网络自修复方法。研究采用图论相关理论表述含光开关光纤传感器网络链路的连通情况，据此研究了光纤传感网络出现链路故障时光开关的切换策略，实现对失效光纤布拉格光栅（FBG）传感器信号的自修复。以航空铝板结构试验件为实验对象，针对光纤传感网络典型链路故障，对基于光开关和多主体协作的光纤传感网络自修复效果进行了对比实验。实验结果表明：在光开关和主体协作下，识别精度较没有修复时识别精度提高10.02 mm，仅比网络结构完好时识别精度降低3.61 mm，有效提高了载荷识别精度以及光纤传感网络的可靠性。

光声成像是一种新兴的无损生物医学成像方法, 因其兼具高灵敏的光学对比度和超声能够对深层组织进行高分辨成像的优点, 已经成为当前生物医学成像领域发展最快的技术之一。光声成像的光吸收对比度能够反映生物组织微小的组织病变, 与血氧饱和度等多种功能和生理信息紧密相关, 目前已被证明在肿瘤血管新生研究、早期癌症检测和心血管疾病诊断等方面有很大的应用潜力。基于超声阵列探测的常规光声计算层析成像系统, 数据采集量大, 由此导致的较低数据采集和成像速度成为制约该技术临床应用和转化的重要因素。压缩感知理论可以在远低于Nyquist采样定理的欠采样方式下, 高质量重建信号, 已被广泛用于信号处理和传统的医学图像重建领域。自2009年压缩感知理论被应用于光声成像以来, 已有的研究结果表明, 该方法为解决目前大区域光声成像的数据采集和成像速度问题提供了一条有效的途径。本文将重点介绍压缩感知理论用于光声成像的基本原理、研究现状、面临的问题和应用前景。

传统体素重建方法的弊端是用测量数据重建庞大的光学参量。庞大的数据量一方面 加大重建过程中的计算量，另一方面由于测量数据易于受噪音的影响造成结果的不稳定性。因此， 本文提出一种基于区域的重建方法，该方法通过找邻近节点确定目标区域。第一步进行体素重建， 确定目标个数及其中心点。第二步重建中心点所在的区域。实验中，给出了重建模型吸收系数的重 建结果，并引入四个数值指标进一步衡量重建图像质量。实验结果表明: 该方法可以有效降低重建 系统规模，克服重建病态性，提高重建图像的精确性和对比度。

为克服光学层析成像的病态特性,将三种不同的先验信息模型引入到基于辐射传输方程的光学层析成像中,给出了对应于三种重建模型的重建算法,其中在线过程作为先验信息的重建算法中,提出一种神经网络优化算法。最后对这三种先验信息模型进行了综合比较和讨论,并在图像的平滑性、边缘保留特性、算法复杂性及重建效果方面对其进行定量比较,提出一种分析平滑性的算子和一种基于梯度的衡量边缘保留特性的算子。实验证明基于三种先验信息模型的重建算法均能提高重建图像质量,其中,平滑先验模型的平滑效果最好,马尔可夫随机场模型有较好的边缘保留特性,线过程模型在平滑图像的同时可以更好地保留图像边缘,并且重建精度较高。

光学层析图像重建是个病态问题,测量误差会在重建过程中被放大,对此,提出一种以广义高斯马尔可夫随机场模型为先验信息的光学层析图像重建方法.重建过程是对目标函数的优化过程,目标函数关于光学参数的梯度计算是算法中的难点,因此,提出一种基于梯度树的梯度计算方法.文中分别给出了吸收系数和散射系数的重建结果,并引入三个指标因子衡量重建图像的质量,进而列出不同重建算法下,重建图像的指标值.最后通过对重建结果和指标因子取值的比较,分析基于模型的重建算法的有效性.

光学层析成像是一个病态重建问题,为克服重建过程的病态性,提出将多准则优化理论引入到图像重建中。利用了三个用于光学层析图像重建的准则：平方误差函数、图像熵函数和局部平滑函数。采用向量优化方法将多准则优化问题转化为单准则优化问题求解。为了确定各个目标函数间的权重系数,提出一种动态权重系数求解方法。重建过程目标函数关于光学参量的梯度计算是关键,因此提出一种基于梯度树的计算方法。实验过程中对多准则重建结果和基于平方误差函数的单准则重建结果做了比较,证明该方法能够克服传统的偏重单一目标的单准则重建的不足,有效地重建光学层析图像,提高图像重建质量。

Alexander D. Klose将联合差分方法用于光学层析图像重建的梯度计算中,但给出的对光学参量的求导算法有局限,他的算法只能实现对边界点光学参量的导数计算,而无法实现对内部点光学参量导数的计算,会导致图像重建失败。在联合差分算法的基础上,研究了针对内部点光学参量的求导方法,给出了一种基于树形结构的对内部点光学参量求导的策略。具体实现时,为了降低计算复杂度,采用近似梯度计算方法。算法的仿真实验结果表明:该方法可以有效地实现对内部点光学参量的导数计算,提出的近似计算方法可降低梯度计算复杂度,提高运算速度,并可得到良好的图像重建质量。