单像素成像使用一系列空间光调制掩模对目标场景进行单像素亚采样，再根据掩模与测量值之间的关联重构出物体图像。这种间接获取图像的方式之所以能保证重建质量，除了有重构算法的功劳，更关键的是测量掩模的构造。随着压缩感知理论的引入，随机掩模进入人们视野，但它让测量变得盲目，缺乏针对性，而且这种掩模不便于存储和计算，极大限制了空间像素分辨率。哈达玛基掩模因其结构化特征使快速计算成为可能，且方便存储和提取，近年来得到广泛关注，已发展出诸多哈达玛基掩模优化排序方法，这些方法已被证明能大幅降低采样率。本综述系统地梳理了这类方法的设计框架和前沿进展，展望了确定性掩模构造的未来发展趋势，可为后续的研究工作提供有益的借鉴和指导。

提出了一种使用多线阵相机、双光源频闪照明成像和分布式并行图像处理技术的锂电池极片涂布涂层缺陷检测方法。该方法使用明、暗光源频闪交替照明，两台高速线扫相机在同一个位置交替分别拍摄明场和暗场图像，既提高了对缺陷的检测分辨能力，也提高了检测效率。在处理环节，该方法使用主从分布式处理架构，使用两台子处理工控机多线程并行处理各自相机的图像数据，并将获得的缺陷数据通过TCP/IP传输至上位处理工控机，进行数据融合与缺陷分类处理。实验表明，使用该方法的锂电池极片涂布检测系统可以实现在线检测，具有极高的实用价值。

基于深度学习的目标检测方法是当前计算机视觉领域的研究热点,但在小目标的检测问题上,基于深度学习的检测器存在较多的漏检。高光谱图像的每个像元包含了物质的光谱信息,能够提升小目标的检测率。然而,高光谱图像的相邻波段相关性高,需要从中选取具备代表性的波段以降低计算冗余。为此,提出了一种高光谱小目标检测模型,使用径向基激活函数(RBAF)进行光谱筛选与目标检测。具体而言,针对高光谱图像波段冗余的特点,利用RBAF设计注意力机制进行光谱维的特征筛选;针对小目标纹理模糊,相对于背景不显著的特点,先对输入图像进行分辨率重建,随后利用RBAF构建径向基目标输出子网络(RBOON),以加强目标分类。为了简化模型,将光谱筛选与分辨率重建整合为注意力分辨率重建子网络(ABRRN),配合径RBOON,检测模型能够筛选特定光谱,抑制虚警,从而提高小目标检测的正确率。高光谱小目标检测实验表明,本研究方法可以使两种检测精度评价指标AP50和AP50:95分别提升5.4%和0.2%,相较其他方法更具备优势。

单像素成像借助多次掩模调制和单像素测量值计算获得目标物体的多维光场信息,其降维亚采样、高灵敏探测、谱型适应性等特点为非可视波段成像、极弱光探测、激光雷达等领域带来了福音。当面向动态场景时,单运动帧内多次单像素测量与物体的运动之间存在矛盾,引发图像模糊和噪声问题。针对上述问题,介绍了单像素成像的数学模型及其成像机理,综述了动态单像素成像的发展历程及应用现状,尤其是研究人员在提高成像帧频、改进成像方案或者成像机理方面取得的长足进展;讨论了动态单像素成像目前存在的问题,思考和展望了未来的发展趋势,以期为该领域进一步的科学研究提供有益参考。