为了实现对跨尺度零件微小结构的尺寸精度和定位精度的同时测量，提出一种基于宏微复合标定的测量方法。建立不同尺度传感器组合式测量的标定模型，利用变焦扫描显微系统测量零件微尺度特征，利用双目系统测量定位显微设备，从控制坐标转换精度的角度设计加工特殊的标定块，将其作为跨尺度中转坐标系，标定变焦扫描显微重建点云坐标系与测头坐标系的空间转换关系，从而将局部测量点云统一至一个数据集中以完成所有局部区域的整体拼接。与理论模型对比分析，所提测量方法的各孔圆心坐标分布圆度误差为0.0438 mm，平面度误差为0.0252 mm，对喷注器各孔位姿的点误差值小于0.029 mm，孔轴向误差小于0.1140°。与面结构光传感器重建结果对比分析，所提模型能够在保证高精度重建三维形貌的情况下，更加正确地获取跨尺度零件的尺寸和位置。

视网膜血管的自动分割技术有助于早期诊断和治疗与视网膜相关的疾病。由于视网膜血管结构复杂且精细, 眼底图像存在着低对比度、光照不均以及病理性渗出物等因素的干扰, 导致该任务仍然具有挑战性。针对该任务主流框架U-Net中未考虑全局语义依赖关系以及编码器和解码器之间的语义鸿沟问题, 提出了一种同尺度和跨尺度增强的U-Net模型。从两个角度对该模型进行设计: 对于同一尺度的编码-解码层, 一种空间增强的自注意力机制被嵌入到每个编码层中以增强模型的全局空间聚合能力, 并进一步将其拓展到解码端来缓解解码过程中上采样操作带来的信息丢失等问题; 对于不同尺度的编码-解码层, 引入了一种新颖的跨尺度融合模块, 通过动态地选择最深层中丰富的特征信息来增强与其它层之间的语义交互, 从而进一步弥合编码器和解码器之间的语义鸿沟。在DRIVE、CHASE_DB1和STARE三个视网膜标准数据集上进行了实验验证, 实验结果表明I2A-Net能有效地分割出视网膜血管结构, 相比与基线模型, 在各项评价指标上均取得了较高的提升。

针对风云四号卫星图像近红外和短波红外波段空间分辨率远低于相应的可见光波段的问题，提出一种基于匹配提取和跨尺度特征融合网络的超分辨率方法，以高分辨率波段图像作为参考图像，辅助重建低分辨率的可见光与近红外波段。首先，使用匹配提取模块，利用高分辨率图像与低分辨率图像间的相似性，将高分辨率图像的细小纹理信息融合到低分辨率图像中。然后，使用跨尺度特征融合方法将仍存在亮度、颜色、结构等差异的参考图像特征图和低分辨率特征图融合。最后，结合空间-光谱总变异损失和L1损失保证重建结果的空间和光谱可信度。实验结果表明，所提方法在空间和光谱可信度方面取得了良好的结果。与Bicubic、RDN、RCAN、EDSR、Dsen2等方法相比，该方法取得了最优的质量评价指标，能有效提高风云四号卫星影像的空间分辨率。

为了解决传统非局部立体匹配算法在纹理丰富区域匹配误差较大的问题,提出基于颜色和边缘信息的非局部立体匹配算法。代价计算阶段,结合灰度和梯度信息求得匹配代价。代价聚合阶段,为降低相似背景下的误匹配率,利用最小生成树进行代价聚合,结合颜色和边缘信息重新定义权重函数。再利用胜者为王(WTA)策略求得最佳视差,通过左右一致性检验和中值滤波等后处理操作对视差图作精细化处理。最后在Middlebury数据平台上对算法进行可行性验证,实验结果表明,图像的平均误匹配率由原算法的6.02%降低到5.10%。