The laser-induced damage detection images used in high-power laser facilities have a dark background, few textures with sparse and small-sized damage sites, and slight degradation caused by slight defocus and optical diffraction, which make the image superresolution (SR) reconstruction challenging. We propose a non-blind SR reconstruction method by using an exquisite mixing of high-, intermediate-, and low-frequency information at each stage of pixel reconstruction based on UNet. We simplify the channel attention mechanism and activation function to focus on the useful channels and keep the global information in the features. We pay more attention on the damage area in the loss function of our end-to-end deep neural network. For constructing a high-low resolution image pairs data set, we precisely measure the point spread function (PSF) of a low-resolution imaging system by using a Bernoulli calibration pattern; the influence of different distance and lateral position on PSFs is also considered. A high-resolution camera is used to acquire the ground-truth images, which is used to create a low-resolution image pairs data set by convolving with the measured PSFs. Trained on the data set, our network has achieved better results, which proves the effectiveness of our method.

由于卷积操作的局限性，现有的皮肤病变图像分割网络无法对图像中的全局上下文信息建模，导致其无法有效捕获图像的目标结构信息，本文设计了一个融入交叉自注意力编码的U型混合网络，用于皮肤病变图像分割。首先，将设计的多头门控位置交叉自注意力编码器引入到U型网络的最后两个层级中，使其能够在图像中学习语义信息的长期依赖关系，弥补卷积操作全局建模能力的不足；其次，在跳跃连接部分引入一个新的位置通道注意力机制，用于编码融合特征的通道信息并保留位置信息，提高网络捕获目标结构的能力；最后，设计一个正则化Dice损失函数，使网络能够在假阳性和假阴性之间权衡，提高网络的分割结果。基于ISBI2017和ISIC2018数据集的对比实验结果表明，本文网络的Dice分别为91.48%和91.30%，IoU分别为84.42%和84.12%，分割精度在整体上优于其他网络，且具有较低的参数量和计算复杂度，即本文网络能够高效地分割皮肤病变图像的目标区域，可为皮肤疾病辅助诊断提供帮助。

U型网络结构的脑肿瘤自动分割方法由于多次卷积和采样操作会造成信息损失，导致分割效果不佳。为解决这一问题，提出了能够利用语义信息流引导上采样特征恢复的特征对齐单元，并在此基础上设计轻量级的双重注意力特征对齐网络（DAFANet）。首先，将特征对齐单元分别引入3D UNet、DMFNet和HDCNet三个经典网络，以验证其有效性和泛化性。其次，在DMFNet基础上构造轻量级的双重注意力特征对齐网络DAFANet，利用特征对齐单元强化上采样过程中的特征恢复，3D期望最大化注意力机制同时作用于特征对齐路径和级联路径，用于重点获取上下文的全程依赖关系。同时使用广义Dice损失函数提升数据不平衡时的分割精度并加快模型收敛。最后，在BraTS2018和BraTS2019公开数据集进行验证，文中所提算法在ET，WT和TC区域的分割精度分别达到80.44%，90.07%，84.57%和78.11%，90.10%，82.21%。相较于当前流行的分割网络，具有对增强肿瘤区域更好的分割效果，更擅长处理细节和边缘信息。

伪装目标分割的任务是使用像素级分割掩码将与背景高度相似的目标进行准确分类和定位，与传统的目标分割任务相比更具挑战性。针对目标与周围环境高度相似、边界模糊、对比度低等问题，构建了一种基于边缘增强和特征融合的伪装目标分割方法。首先，设计了一组边缘提取模块，能够更准确地分割有效的边缘先验。之后，引入了多尺度特征增强模块和跨层级特征聚合模块，分别挖掘层内与层间的多尺度上下文信息。提出了一种简单的层间注意力模块，利用相邻层级间的差异有效滤除融合后存在的干扰信息。最后，通过将各级特征图与边缘先验逐级结合的方式，获得准确的预测结果。实验结果表明，在4个伪装目标基准数据集上，该模型的表现都优于其他算法。其中加权F值提升了2.4%，平均绝对误差减少了7.2%，在RTX 2080Ti硬件环境下分割速度达到了44.2 FPS。与现有方法相比，该算法能够更准确地分割伪装目标。

尽管纹身的人数在增加，但希望祛除纹身的需求量也在增加。现在纹身祛除大多采用激光进行治疗，但仅凭肉眼观察的单次疗效不够理想，往往需要重复治疗。因此，研究了基于图像技术量化评价治疗的效果。使用皮秒激光对猪皮的不同颜色的纹身进行照射，采集治疗部位与正常皮肤组织的图像，再标准化提取部位，并对此部位的图像进行特征提取后，量化照射前后的纹身所占面积比，进而得到祛除率。为了验证量化算法的可靠性，设计了不同对比度的标准图像来计算色素占比，得到的误差均小于0.01%，证明该算法是可靠的。对于色素祛除的量化评价能客观反映激光祛除色素的效果，避免了因医师的主观判断所造成的疗效偏差，为治疗参数的选择及疗效的提高等提供了帮助。