无衍射光束近年来广受关注，其无衍射、自修复和自加速的传播特性在微观成像应用中显示出潜在的优势。无衍射特性可抑制光束在传播过程中的衍射，有助于提升成像的分辨率。自修复特性可使光束在透过强散射介质后快速恢复波前，提高成像景深和信噪比。自加速特性可增加光场信息的有效探测维度，实现多维重构成像。本综述结合几类生物显微成像技术特点，介绍以贝塞尔光束、艾里光束为代表的无衍射光束在高分辨生物显微成像中的应用研究进展。

智能手机构成的生物医学成像系统的应用范围不断拓展，通过设计光学附件适配器，可以扩展系统的成像功能，从而进行医疗临床辅助诊断。智能手机成像系统已在皮肤科、眼科、口腔科及耳鼻喉科、妇科等有广泛应用，并取得良好效果。综述当前基于智能手机的医疗设备成像系统在临床辅助诊断领域的应用情况，分析其成像技术原理和特点，依据在不同科室的应用分析并总结了成像系统的特点，并对其未来发展趋势进行展望，旨在为后续研究和开发基于智能手机的医疗成像系统提供参考。

卫星载荷在海洋上探测温室气体时，为获得高精度的气体浓度数据，采用海洋耀斑观测模式，因此实时耀斑位置的准确计算是获得高精度有效数据的必要前提。提出了基于最优线搜索的改进海洋耀斑计算模型，根据WGS-84椭球模型，在二分法搜索满足镜面反射耀斑点要求的基础上，采用最优化中线搜索的思想对算法进行改进，使其更好地符合耀斑点共面条件。经仿真分析，与卫星工具包（STK）仿真结果对比，所提改进模型计算的耀斑位置距离误差显著降低至90 m。

针对表面网格重建算法难以得到较好的纹理细节这一问题，提出一种融合自阴影重建（SFS）的表面网格优化算法。以表面网格模型作为初值。然后将该网格顶点投影至可视影像上获得其对应的SFS深度值。进而使用光度一致性约束算法融合SFS约束算法作为数据项、模型自身的曲率约束算法作为平滑项，共同组成网格顶点优化能量函数。最后通过梯度下降法最小化能量对网格顶点进行调整，达到优化网格模型的目的。所提算法在DTU数据集中，相比输入的网格模型精度提高了14.5%，相比现有主流表面网格优化模型算法精度提高了1.12%。实验结果表明，所提算法可以有效修正表面网格模型的纹理细节、提高网格模型精度，从而改善重建模型效果。

针对猕猴桃硬度品质无损检测分类困难的问题，提出了结合高光谱成像技术和卷积神经网络的分类模型。该模型融合Haar小波核提取的空间特征信息和三维卷积核提取的空谱联合信息，采用分解数据通道连接的方式确保所有特征能够流到模型末尾，提升了网络特征提取的能力。通过自制的猕猴桃硬度品质Kiwi_seed数据集上的实验表明，Haar小波变换模块可以显著提升网络的特征提取能力；通过消融实验表明，在增加Haar小波变换模块后模型的分类准确率提升了7.4%，最优可达97.3%，优于经典的图像分类网络，可以很好地解决猕猴桃硬度品质的无损检测分类问题。

现实中存在大量对称物体，利用三维激光扫描设备可获得对称物体的三维点云，但由于遮挡及设备本身等因素，三维点云会产生缺损。针对该问题，提出一种基于物体对称性的非完备激光三维点云分类补全方法。根据单幅二维图像中的对称关键点，建立对称平面的映射关系，根据对称平面在点云中的位置对非完备点云进行分类。针对半残缺点云，直接进行对称平面检测，然后做镜像补全；针对残缺未过半点云，与镜像点云融合后去除镜像点云中的重复数据点，完成补全；针对残缺过半点云，与镜像点云融合后利用孔洞直接修复方法补全缺失信息；针对极度残缺点云，考虑到缺失信息过多，将输入点云与镜像点云融合后再与完整的相似点云进行融合，去除冗余点完成缺失信息弥补。非完备三维点云的实际采集点云与公共数据库中点云的实验结果显示，所提补全方法能将不同类型的非完备点云补全为与完整点云极为相似的点云，验证了所提分类补全方法的有效性和可行性。

目前中华传统刺绣工艺传承保护问题中的修复任务主要以人工为主，修复过程需要大量的人力、物力。随着深度学习的高速发展，不同类型的刺绣文物损伤可以利用生成对抗网络进行修复。针对上述问题，提出一种基于改进深度卷积生成对抗网络（DCGAN）的刺绣图像修复方法。首先，在生成器部分引入空洞卷积层扩大感受野，并添加卷积注意力机制模块，在通道与空间2个维度增强重要特征的指导作用；在判别器部分增加全连接层数提升网络解决非线性问题的能力；在损失函数部分联合均方误差损失与对抗损失通过网络训练相互博弈的过程实现刺绣图像修复。实验结果表明：引入空洞卷积层与注意力机制提升了网络性能与修复效果，最终得到修复图像的结构相似性高达0.955，能够得到较为自然的刺绣图像修复效果，可以为专家提供纹理、色彩等信息作为参考辅助后续的修复。

针对计算鬼成像采样过程中由于外界影响而出现的物体信息缺失问题，将小波分析应用于计算鬼成像系统中，同时在此系统中引入图像融合方法，构建一种基于图像融合的计算鬼成像系统，对此问题进行了仿真模拟与实验研究。并对结果进行了分析，结果显示此系统可以有效恢复待测物体信息、提高成像质量，相较于传统的计算鬼成像系统更加适用于实际应用环境。

小肠肠道发病原因隐匿并且小肠存在大量褶皱，大景深光学系统有利于在诊断过程中获得更多的病理信息，而目前市面上的胶囊内窥镜光学系统景深较小。所提胶囊内窥镜光学系统在保证一定分辨率的同时，还可在7~100 mm大景深范围内有效成像。该系统视场角为100°，F数为5，在全视场范围内调制传递函数均大于0.35（在125 lp/mm频率处），在与之搭配的OV9734成像芯片上能够满足成像要求。并对该光学系统进行了公差分析，结果表明其在可加工范围内能满足常规生产与装调。

在非视域成像场景中，有效的回波光子大量减少，泊松噪声对非视域成像的质量影响较大。传统图像泊松降噪算法存在迭代时间长、模式固定和手动设置参数等问题。为提高非视域成像质量，设计一种基于深度学习的单光子非视域成像泊松降噪方法。为解决训练样本不足的问题，利用几何光学近似和蒙特卡罗方法对非视域场景下的光子运动轨迹进行追踪建模，对非视域成像过程进行仿真，利用仿真数据重建的泊松噪声图像制作数据集。设计基于注意力机制的特征增强降噪网络（AEF-Net），利用仿真数据对网络进行优化训练。最后，搭建一套非视域成像系统对网络的泊松降噪性能进行验证。实验结果表明所提AEF-Net去除非视域场景下的泊松噪声效果优于传统降噪算法。

针对传统显微镜结构复杂且视场角小等问题，提出一种两路低电压驱动的液晶微透镜阵列结构，透镜的焦距由3个电极控制，中间电极为圆孔阵列图案电极，作为孔径光阑以阻止微透镜外的杂散光。对该阵列的波前和光焦度进行了测试，搭建了一套简易液晶微透镜阵列直接成像系统，每个微透镜都对待观察物体的不同区域成像，通过近平行光照明减小相邻微透镜间的串扰，拼接所有单元图像得到完整图像。该系统无需额外的光学器件，结构简单紧凑。液晶微透镜阵列具有大视场，成像区域具备可扩展性，为实现大视场下的简易显微成像提供了新思路。

光学多孔径共相综合是获得高分辨率成像的有效方法。针对子孔径间的活塞误差，提出一种基于干涉图像清晰化的校正方法。在理论分析的基础上，建立数值仿真模型，分析所提方法的校正范围和误差。结果表明，在复色光情况下，对于小于相干长度的活塞误差，以远场干涉图像的清晰度为目标函数、0.5个中心波长的整数倍为扰动步长，采用双边扰动梯度下降算法进行迭代优化，能够实现活塞误差的高精度闭环校正。

针对如何快速且准确地获取模具内部完整三维点云数据的问题，提出一种机械臂与三维视觉设备结合的三维点云拼接算法。在初拼接阶段，采用手眼标定方式获取手眼矩阵，并将各幅点云转换到机器人基坐标系，完成初步拼接，得到良好的配准初始位置。在此基础上，提出改进的迭代最近点（ICP）算法，通过结合内部形体描述子（ISS）特征获得关键点，并用随机一致性算法剔除错误匹配点，在点的匹配过程中采用点到面的方式进行匹配，最终得到完整的拼接点云。实验结果表明，所提算法在与ICP算法及其他改进的ICP算法的配准性能对比中具有良好的稳健性，算法耗时及配准误差明显下降，完整的拼接点云误差为0.12 mm，具有较高的工程实践价值。

近年来，三维点云语义分割方法取得了很大的进展，代表性的方法为基于稀疏卷积的方法，但是稀疏卷积会带来全局上下文信息丢失的问题。基于此，提出一种基于稀疏卷积和注意力机制的点云语义分割方法。将注意力机制引入稀疏卷积网络，增强网络对全局上下文信息的获取能力。但是注意力机制计算量较大，限制了所提方法的适用场景。进一步将空间金字塔采样引入注意力机制中，在减少计算量的同时扩展其使用场景。实验结果表明，所提方法在Scannet V2数据集上取得了71.825%的平均交并比（MIOU），在S3DIS数据集上的MIOU达到70.5%，优于对比方法，验证了其有效性。

随着工业机器视觉的深入发展，大视野高精度视觉系统的需求越来越多。针对大视野导致的精度过低问题，提出一种基于多个低像素相机联合标定的方法。在多相机中选择一个相机作为主相机，求取其他相机的像素坐标系与主相机像素坐标系的映射矩阵，使得主相机的视野无限扩展。同时，为了更精确地得到标定板图像中的圆心像素坐标位置，采用两步标定法提升标定精度。提取标定板圆心像素坐标进行第1次粗标定，获取相机内参以及标定板位姿，从而获取图像平面与世界坐标系的平面Z=0之间的映射关系。对其进行透视偏差矫正，提取矫正后标定板的圆心，再利用逆映射变换把相应的圆心转换回原始位置，用转换后圆心像素坐标位置对主相机进行第2次精标定。最后通过Levenberg-Marquardt算法进行非线性优化获取全局最优解。实验结果表明，所提标定方法的重投影误差在0.005 pixel~0.01 pixel之间。

针对传统图像处理算法在检测隐形眼镜表面缺陷时存在精度低、耗时长、算法鲁棒性差、漏检多等问题，提出一种基于改进Faster R-CNN的隐形眼镜表面缺陷检测算法。首先，对比了3种特征提取网络的性能，选取ResNet50作为骨干网络；然后，引入特征金字塔网络（FPN），通过融合多层次的特征信息，提高Faster R-CNN的多尺度检测能力；最后，基于构建的隐形眼镜表面缺陷数据集，使用K-means++算法改进锚框的尺度和数量。实验结果表明：改进后的Faster R-CNN算法在测试集上的平均精度均值（mAP）达到了86.95%，相比于改进前的Faster R-CNN算法，提高了9.45个百分点，可以有效地检测出气泡、车削亮点、划痕、模具亮点等多种隐形眼镜典型缺陷。

电致发光（EL）检测技术作为太阳电池和组件缺陷检测的重要手段被广泛运用，但是EL检查中的缺陷筛查仍然需要持续完善。为了克服以往研究中可识别缺陷的种类少、无法对缺陷进行定位、模型参数多体积大及检测速度慢的局限性，使用改进的YOLOv5网络对电致发光图片中常见的隐裂、断栅、裂片和黑斑4类主要缺陷进行检测和分类。使用Ghost模块代替YOLOv5骨干提取网络中的普通卷积模块，减少网络模型的参数量；为了保证良好的检测性能，在骨干网络尾端加入Squeeze-and-Excitation（SE）注意力模块，提升算法的目标检测能力；在特征融合网络中引入双向特征金字塔网络（BiFPN）结构，进一步加强网络的特征融合能力。结果表明，所提模型成功地识别和定位了4类常见的缺陷，与YOLOv5算法相比，模型体积减小了21%，在没有GPU加速的情况下，单张图片的检测速度提升了17.4%。

随着深度学习和结构光条纹投影三维成像技术的发展，直接从单幅条纹图中恢复物体的三维形状的研究近年来受到了多个领域的关注。提出改进的全局引导路径网络MultiResHNet，实现对单幅条纹图的3D形状重建，将现有结构光学三维成像方案与深度卷积神经网络结合，对仿真数据和实验数据分别进行了验证。实验结果表明，所提方法预测的3D形状比已有的U-Net神经网络预测的3D形状更加准确，误差更小，精度更高。实验结果证明了所提技术的有效性和鲁棒性，为后续的3D形状重建技术的提高提供了科学依据，具有一定的参考和应用价值。

针对金属化陶瓷环缺陷面积小、可利用信息少的特点和缺陷检测精度低的问题，提出一种目标检测与图像分类网络融合的金属化陶瓷环缺陷检测方法。首先，使用针对小面积目标检测特点改进的Faster-RCNN目标检测网络实现对缺陷的初步识别与定位。接着，使用插值方法将定位到的缺陷区域放大，利用图像相邻像素之间的信息关联，增加缺陷检测的特征信息量。然后，使用ResNet图像分类网络对放大后的区域进行缺陷类别判断。最后，融合目标检测网络和图像分类网络的结果，获得最终的缺陷检测结果。实验结果表明，所提方法能在保障缺陷检测查全率的同时有效提升查准率，且能准确定位缺陷区域。

傅里叶叠层成像（FPM）受硬件和算法等因素的限制，成像的整体性能有待提高。为解决传统FPM技术成像速度慢、成像质量低的问题，融入深度学习的FPM图像重建方法得到广泛关注。基于此，提出一种基于超分辨率对抗生成网络的FPM模型，在原有网络基础上通过增加密集块连接实现全局特征融合并且使用一种加权损失函数提高图像重建质量。分辨率板图像重构结果表明，所提深度学习方法较传统方法重建效果显著、重建速度更快。

为了实现可见/短波红外镜头的小型化设计，参考环形多反射结构的光学系统，针对单片多反射系统难以校正色差的问题，设计了一个130万像素的紧凑型双片结构的环形多反射式光学镜头。通过分析遮拦比和光学参数对系统的光学传递函数的影响，确定了系统的最佳遮拦比和光学参数。优化后的光学镜头包含两片透镜，材料选用氟化钙，两片透镜之间产生4次反射，各反射面均为偶次非球面。镜头的工作波段为400~1700 nm，焦距为75 mm，直径为50 mm，遮拦比为0.75，全视场角为6.2°，系统总长为22.7 mm，系统长度与焦距比为0.302。优化后镜头光学传递函数曲线平滑，100 lp/mm处大于0.35，倍率色差小于0.9 μm，成像质量良好。

为了充分利用高光谱图像的空间和光谱信息，同时缓解训练样本不足的问题，提出一种融合空谱特征的半监督高光谱异常检测模型。首先使用无监督聚类自动构建空谱背景数据集用于网络的训练。然后构建基于自动编码器和生成对抗网络的空谱双路模型分别用于背景光谱特征的学习和波段信息的重建，空间支路同时使用滤波器增大背景和异常间的差异，两路分别得到光谱异常分数和波段异常值。最后融合空谱特征得到异常检测图。在真实高光谱图像上验证该方法的有效性，实验结果表明，该方法优于传统的异常检测方法，平均检测精度达到99.55%。

针对从高分遥感影像中提取建筑物易受阴影和植被等遮挡而导致错误检测的问题，提出一种建筑物轮廓双向驱动自适应分割重构的规则化方法。首先采用基于最小外接矩形（MBR）的平直旋转变换算法，旋转建筑物轮廓至水平或竖直状态，减少轮廓图形学显示上的锯齿表征；然后设计MBR和Shi-Tomasi联合双向驱动建筑物轮廓自适应分割算法，将轮廓化整为零精准分割形成局部片段；最后提出基于局部最优权拟合的轮廓重构算法，依次对局部片段进行属性分配、约束重组、最优权拟合与坐标重组，实现建筑物轮廓的规则化。实验结果表明，与初始提取结果相比，经所提方法规则化的轮廓视觉效果更好。与同类基于栅格填充、角点校正、最优外接矩形拟合和主方向的4种轮廓规则化方法相比，所提方法在保证规则化效率的同时，精度也更高，具有更广泛的适用性，对常见包含不同角度变化的复杂建筑物均能得到更加规整的轮廓，可作为建筑物提取后处理规则化的参考手段。

光学相控阵激光雷达系统具有体积小、扫描速度快等特点，但栅瓣问题很大程度上限制了它的性能。采用不等间距光学相控阵方法破坏光学相控阵周期性从而抑制栅瓣的生成。提出一种改进的粒子群算法，引入自适应参数优化、扰动策略和最优保留策略改善传统粒子群算法寻优效果，不断优化光学相控阵最优阵元分布，最终得到使栅瓣降至低水平的阵元间距值。对所提基于改进粒子群算法的栅瓣优化算法进行模拟实验，测试结果表明最大栅瓣值降低至0.0968，有效改善了栅瓣问题。最后使用所提算法对二维矩阵平面阵列进行研究，提出了二维非均匀光学相控阵的优化设计方法。

随着遥感图像分辨率的不断提高，遥感图像目标检测技术获得了更广泛的关注。针对遥感图像中背景复杂噪声多、目标方向任意且目标尺寸变化大等问题，提出一种基于多层级局部自注意力增强的遥感目标检测算法。首先，在Oriented R-CNN骨干网络中引入Swin Transformer特征提取模块，使用具有移位窗口操作和层次设计的Transformer模块对特征提取的语义信息进行多层级局部信息建模。其次，使用Oriented RPN生成高质量的有向候选框。最后，将高斯分布之间的Kullback-Leibler divergence（KLD）作为回归损失函数，使得参数梯度能够根据对象的特征得到动态调整，更加准确地进行检测框的回归。所提算法在DOTA数据集和HRSC2016数据集上的平均精度均值（mAP）分别达77.2%和90.6%，和Oriented R-CNN算法相比，mAP分别提高了1.8个百分点和0.5个百分点。实验结果表明，所提算法能够有效地提高遥感图像目标检测精度。

针对初始点云离群点噪声大、冗余性高导致三维重建效率低、重建曲面表面粗糙等问题，提出一种自适应精简点云改进预处理算法。首先使用统计滤波消除离群点噪声，并在基于体素重心邻近特征点下采样中引入双曲正切函数，在保持点云特征不变的情况下精简点云数据；然后建立移动最小二乘法拟合函数，确定其二次基函数和高斯权函数，完成点云数据平滑优化；最后使用投影三角化算法完成点云曲面重建。实验结果表明，所提算法在有效去除离群点的同时，还能精简点云数据、提升曲面重建效率，且重建后的模型表面光滑、孔洞减少。

为解决高分辨率遥感图像所具有的类内差异大而类间差异小的特性导致的图像难分类问题，提出一种基于深度学习中卷积神经网络与Transformer优点的混合结构。对卷积层提取的特征信息使用两个带有空间位置信息的注意力机制，分别沿水平方向和垂直方向对每个通道进行特征聚集，以减少遥感场景特征的冗余映射，使网络能够提取更多与任务目标相关的信息。然后利用Transformer编码器结构对捕获的特征图进行编码操作，赋予特征图中感兴趣区域较大的权重。实验结果表明，与现有的基于深度学习的遥感图像分类方法相比，所提方法既降低了模型参数量，又提升了分类准确率，在遥感图像分类数据集AID、NWPU-RESISC45及VGoogle上均达到了最高的平均分类准确率，分别为98.95%、96.00%和95.01%。

同时定位与建图（SLAM）是自动驾驶的基本要求之一。多传感器融合，尤其是激光雷达和相机的融合，对于自动驾驶来说是必不可少的。其中，如何针对各种场景调整不同传感器的置信度是关键问题，基于此，提出一种自适应紧耦合的激光雷达相机融合的SLAM（AVLS）算法。首先，所提AVLS算法建立在基于滑动窗口的因子图上，包含提升整体算法精度和鲁棒性的灵活深度关联和弹性初始化等模块。其次，为了充分探索激光雷达和相机在不同环境中的性能，采用一种基于先验知识的动态加权方案。最后，将所提AVLS算法在两个公开的大规模自动驾驶数据集上进行了全面实验，包括与经典算法的对比及消融实验，实验结果表明，AVLS算法的鲁棒性和精确度可以达到目前领先水平。

由于大范围三维激光扫描易受到采集车的多频率振动噪声的干扰，获取的路面三维形貌精度低。传统滤波和图像处理技术存在无法进行分量分析和过程复杂等缺陷。针对此问题，提出一种基于改进的哈里斯鹰优化（AMHHO）算法的变分模态分解（VMD）算法来对路面分量进行分析，精确剥离多频率振动信息。对车载3D激光相机获取的路面点云数据进行降维得到路面纵剖面信号，用所提AMHHO-VMD算法进行分解，对分解得到的本征模态函数（IMF）进行傅里叶变换并结合采集单元振动状态判定多频率振动信息。最后将筛选后的有效分量重构，得到精确的路面三维形貌。实验结果表明：与经验模式分解（EMD）算法和小波包分解算法相比，所提AMHHO-VMD算法能将多频率振动分量从原始路面点云中剥离，获得精确的路面三维形貌。

针对激光雷达信号中含有的噪声，提出一种将数据分区使用小波包变换分解和重构算法的信号降噪方法，该方法能为下一级消光系数反演提供高质量数据。为了验证该方法的有效性，比较雷达原始数据、小波包处理后反演的消光系数、分区小波包处理后反演的消光系数的差异，并进一步使用Bump、Block测试信号进行数值模拟，定量分析了分区小波包算法的去噪效果。分区小波包算法处理的Bump、Block测试信号评价函数的均方误差（MSE）和R值均优于一般小波包结果。结果表明，分区小波包降噪方法能通过降噪改善下一级反演消光系数结果，有效保护低空的激光雷达消光廓线的细节结构并抑制高空的信号噪声。空气气溶胶消光系数随时间和空间变化的伪彩图表明了所提方法的可行性和实用性。