光学遥感图像海面舰船目标检测易受云雾、海岛、海杂波、阴影等多种复杂因素的干扰。同时, 由于卫星遥感图像的幅宽较大, 若需要满足实时检测和硬件移植的需求, 还要考虑算法的计算量和可移植性。鉴于实际工程的需要, 本文提出了一种基于视觉显著性适用于复杂背景下的自适应舰船目标快速定位与检测方法。本算法首先基于图像梯度自适应获取全局最优尺度, 通过谱残差显著性模型获得全局显著性区域。对于显著区域局部存在全局阈值分割效果不佳的区域(称为复杂区域), 本文通过设计轮廓等形状特征来筛选出局部复杂区域, 并对其进一步计算显著图, 之后将处理结果与原显著图进行融合, 获取最终的疑似区域提取结果。最后使用支持向量机对候选区域进行进一步判别。结果表明, 本文算法可以有效检测出复杂背景下不同尺寸和方向的舰船目标区域, 算法检测正确率为91.4％, 召回率为91.2％, 优于大多数同类算法, 接近深度学习算法精度。同时在算法体量上, 本文算法的计算量和参数量远远低于大多数深度学习框架, 更适合硬件移植, 同时算法的迁移性更强, 易于修改和维护。

为有效分割精密光学微透镜及微透镜阵列的表面不同特征区域, 结合具有良好平移不变性、多尺度多方向分解能力的非下采样轮廓波变换(NSCT)和数学形态学运算, 提出了一种微透镜表面特征边缘提取方法。采用非下采样轮廓波变换分解微透镜表面, 得到粗尺度系数和精细尺度系数。粗尺度系数采用数学形态学处理, 获得近似特征边缘；精细尺度系数根据变换域系数模值、硬阈值处理后得到细节边缘。融合粗尺度和精细尺度边缘作为微透镜表面的边缘。实验表明, 该方法可准确识别透镜表面的特征边缘, 比传统的边缘算子更为有效。

针对复杂背景下红外弱小目标检测效果不佳的问题, 结合多尺度分析法和各向异性扩散方程, 利用图像尺度和方向信息, 提出一种新的红外弱小目标检测算法.首先, 采用Surfacelet变换对图像进行多尺度、多方向分解, 得到不同尺度下高频子带系数和低频子带系数；其次根据不同频带的特点, 分别采用改进的各向异性扩散方程差分滤波和局部去均值滤波对高频子带系数和低频子带系数进行处理；最后, 采用逆Surfacelet变换重构处理后的子带系数, 并采用自适应阈值分割对重构的图像进行分割, 以实现目标检测.采用多组红外图像进行试验, 并与小波滤波以及各向异性扩散滤波进行比较, 实验结果显示, 该算法能有效抑制背景及其边缘, 可以获得比另外两种算法更好的红外弱小目标检测效果.

针对SAR图像边缘检测中, 传统算法很难同时兼顾噪声抑制和对边缘完整准确定位的缺点, 利用多尺度 Wedgelet变换能够有效检测线目标的特点, 提出了一种新的Wedgelet变换的代价函数, 增强了其抑噪能力, 同时选 择了适当的分解尺度, 在没有降低逼近图像质量的情况下提高了变换速度.基于此变换, 对SAR图像进行自适应的 边缘检测.实验结果表明该方法有效克服了斑点噪声的影响, 对SAR图像的边缘检测是可行、有效的.

提出了NSA多尺度模型。该模型摒弃了LSA模型中不同尺度的图像间具有线性映射关系的假设。首先利用神经网络建立不同尺度图像间的映射关系；其次使用反向传播算法训练神经网络确定这种映射关系；最后根据该映射关系由低分辨率图像估计高分辨率图像。利用对比度相似性量化估计图像与目标图像间的相似程度。将该模型用于人脸识别，提出利用梯度算子进行图像分割提高识别的准确性。实验结果表明，以该模型分析得到的对比度相似性为95．3634%；以该模型为基础的人脸识别系统对光照具有很好的鲁棒性。

针对传统算法存在噪声过增强的问题,提出了基于小波分析的图像增强算法.在小波变换多尺度分析的基础上,算法对图像多尺度分解得到的小波系数进行缩减去噪,然后在不同尺度上对各分解系数进行不同程度的增强;对同一尺度的系数进行非线性处理以增加对比度;增强低频子带图像的对比度以保证整体的增强效果.实验表明,该算法能有效地增强低对比度图像,减小了噪声的增强幅度,使结果图像具有很好的视觉效果.

根据被测图像纹理背景和目标区域在小波变换域内图像能量分布的不同，以及经过多尺度分解后在各子空间信息分布的不同，提出与背景纹理的方向无关，把目标的变化具有旋转、平移以及尺度不变性的能量特征作为检测的依据。实验证明该方法具有较好的适应性。

研究了小波图像边缘检测技术在荧光寿命显微像分析中的应用,利用小波分析的多尺度特性进行了荧光寿命显微像的边缘提取。结果表明,这种方法非常有效。