针对水下照明图像存在不均匀色偏、对比度低和细节模糊等问题, 提出了一种基于颜色校正的水下照明图像融合方法。首先利用图像通道间的像素相关性, 对红通道进行补偿; 然后基于颜色校正图像, 利用非线性反锐化掩蔽(Nonlinear unsharp masking)技术获得锐度增强图像, 采用具有瑞利分布的限制直方图获得全局拉伸图; 最后通过多尺度融合策略生成融合图像。在自建数据集(Real underwater lighting image, RULI)上的实验结果表明: 本文方法能够去除混合光照在成像过程中的不均匀散射干扰, 并大幅度提高图像的细节清晰度。其图像质量评估指标(Underwater image quality measures, UIQM)和(Image entropy, IE)的平均值分别为 4.7399和 7.7617, 优于现有文献涉及的相关算法。

超快激光X射线单发照相技术具有高时空分辨能力，是观测高速运动物体形态参数如内部结构、平面性等的重要手段。但由于激光X射线脉宽在皮秒或飞秒量级、X射线能谱宽、成像环境复杂等原因，导致X射线图像背景干扰噪声大、对比度低，物体形态结构准确识别和测量难度大。在传统对比度限制直方图均衡化（CLAHE）图像增强算法的基础上，提出了一种多尺度融合的改进直方图均衡化（IHEMF）算法。该算法增加自适应裁剪阈值以适应每个区域特征，并利用亮度和梯度幅值信息将增强后图像与原始图像全局融合，最后对融合后图像去噪得到最终图像。该算法既能提高感兴趣区域的对比度噪声比（CNR），又具有很好的保边界特征的能力。对高速飞片的静态、动态、终态等典型状态下X射线图像进行处理，CNR分别提升50.97%、90.43%和96.84%。实验结果表明所提算法在噪声抑制和结构保真方面优于其他算法，可为准确解读高速运动物体形态表征参数信息提供重要技术支撑。

针对红外图像船舶目标检测方法的准确性和实时性还不能满足海防场景需求的问题，提出一种基于改进YOLOv7算法的轻量级船舶检测算法。该算法首先在Backbone网络中引入MobileNetv3主干网络，实现模型轻量化处理。然后在Neck网络引入注意力机制抑制噪声与干扰，以提高网络的特征提取能力，并采用双向加权特征金字塔，以提升特征融合能力。最后引入Wise IoU优化损失函数，提高模型的收敛速度与精度。在艾睿数据集上的实验结果表明，相较于YOLOv7，所提改进算法的精确率、召回率、平均精度均值（mAP）@0.5与mAP@0.5∶0.95分别提升0.9个百分点、2.5个百分点、1.2个百分点和1.2个百分点，模型参数量降低了约38.4%，浮点运算数（FLOPs）降低了约65.5%。所提改进算法在满足检测速度要求的同时得到了更优的检测精度，有效地实现了高速、高精度的船舶检测。

近红外光谱分析技术依赖于表征光谱向量和预测目标之间关系的化学计量学方法。 然而, 样品的光谱由信号和各种噪声组成, 传统化学计量学方法较难直接提取光谱的有效特征, 并为复杂的预测任务建立具有较强泛用性的校正模型。 进一步地, 受限于仪器间的差异, 在一台仪器上建立的模型应用于另一台仪器时, 难以取得相同的定量分析结果。 为此, 提出了一种基于卷积神经网络和迁移学习的定量分析建模及模型传递方案, 以提高模型在单仪器和跨仪器上的预测性能。 在卷积神经网络的基础上, 一种结合多尺度特征融合和残差结构, 名为MSRCNN的先进模型被设计, 并在主仪器上展现了卓越的预测能力。 然后, 设计了四种的基于fine-tune模型迁移策略, 将在主仪器上建立的MSRCNN模型迁移到从仪器。 在药品和小麦的公开数据集上的实验结果表明, MSRCNN在主仪器上的RMSE和R2分别为2.587, 0.981和0.309, 0.977, 优于PLS, SVM和CNN。 在利用30个从仪器的样本微调主仪器建立的模型后, 迁移MSRCNN中的卷积层和全连接层的方案取得了最好效果, 其RMSE和R2可分别达到2.289, 0.982和0.379, 0.965。 增加参与模型微调的从仪器样本, 可进一步提高性能。

针对海洋复杂成像环境导致的水下图像出现颜色衰退、对比度低等问题, 提出一种改进的带色彩恢复的多尺度视网膜(Multi-Scale Retinex with Color Restore, MSRCR)与限制对比度自适应直方图均衡化(Contrast Limited Adaptive Histogram Equalization, CLAHE)多尺度融合的水下图像增强算法。首先, 采用带有导向滤波的 MSRCR算法解决水下图像颜色衰退的问题; 其次, 采用带有 Gamma校正的 CLAHE算法以提高水下图像的对比度; 最后, 对经过改进的 MSRCR和 CLAHE处理后的图像进行多尺度融合以获得细节增强后的水下图像。实验结果表明, 和其他算法相比, 文中算法的峰值信噪比(Peak Signal to Noise Ratio, PSNR)平均提高了 9.3914、结构相似性(Structural Similarity Index Measure, SSIM)平均提高了 0.3013、水下图像评价指标(Underwater Image Quality Evaluation, UIQE)平均提高了 4.7047, 能实现水下图像的有效增强。

在图像的语义分割任务中，不同对象之间像素值存在差异，导致现有的网络模型在图像语义分割过程中丢失图像局部细节信息。针对上述问题，提出一种图像语义分割方法（DECANet）。首先，引入通道注意力网络模块，通过对所有通道的依赖关系进行建模提高网络的表达能力，选择性地学习并强化通道特征，提取有用信息，抑制无用信息。其次，利用改进的空洞空间金字塔池化（ASPP）结构，对提取到的图像卷积特征进行多尺度融合，减少图像细节信息丢失，且在权重参数不改变的情况下提取语义像素位置信息，加快模型的收敛速度。最后，DECANet在PASCAL VOC2012和Cityscapes数据集上的平均交并比分别达81.08%和76%，与现有的先进网络模型相比，检测性能更优，可以有效地捕获局部细节信息，减少图像语义像素分类错误。

锈蚀覆盖的古铜镜在非接触探伤检测中，因镜缘与镜心厚度各异，X光成像无法呈现完整的病害信息。以古铜镜X光信号为输入，搭建生成对抗融合网络。针对L2损失和梯度算子所导致的重构模糊、纹饰和裂痕等多尺度特征细节表达等问题，设计了能够增强古铜镜X光信息融合效果的优化策略。通过添加L2,12损失正则化生成器的特征学习过程，改善L2损失生成信息平滑的现象；定义拉普拉斯Ltex纹饰损失，加强训练网络对纹饰和病害的抽取效果；在训练网络中加入多尺度特征融合模块，提高细节信息生成质量。通过与7种融合方法进行实验对比，所提算法在5组对照数据中仅2组的交叉熵值略差，其余信息熵、平均梯度、空间频率、联合熵和非参考特征互信息值均取得最优，可有效呈现古铜镜X光探伤检测信息。