夜间图像去雾技术已经成为图像处理技术领域的重要研究内容，在目标跟踪探测、视频监控、遥感等方面有着重要的意义。夜间有雾图像通常具有对比度低、光照不均匀、颜色偏移等特点，这些特点使得夜间图像去雾面临着极大的挑战。通过调研近年来夜间图像去雾算法的国内外研究现状，从物理模型、非物理模型和深度学习的角度对其中比较经典的算法进行了归纳总结，详细阐述了算法的流程以及优缺点。最后，对夜间去雾算法的未来研究方向进行了展望。

太赫兹技术因具有透视性、低能性、光谱分辨和时间分辨等特性而广泛应用于无损检测领域。对于珍贵的文物来说，太赫兹技术具有很高的实用价值。太赫兹技术不仅能够探测组成文物材料的光谱信息，也能够通过成像的方式探测文物的内部结构，这些结果能够为后续的文物修复提供数据支撑。归纳总结了太赫兹光谱技术和太赫兹成像技术在国内外的一些研究成果，这些结果表明太赫兹技术在无损和原位检测方面有着广阔的应用前景。太赫兹技术与国家文物保护的需求相契合，有助于切实解决国内文物修复的问题，具有一定的推广价值，对国家文物保护具有重要意义。

生物体内元素的微小变化可以直接影响生物的代谢和生理过程。快速、精准的生物体内元素定性定量分析，是新陈代谢检测以及临床疾病诊断中不可或缺的部分。随着医学检测技术的不断发展和临床需求的不断增加，寻找一种更新、更快、适应性更强的临床分析和诊断技术成为当前的研究热点。在生物医学研究中，激光诱导击穿光谱（LIBS）技术凭借着快速、实时、多元素同步检测的优势，在血液、病理组织检测和元素分布成像等方面展现出了极大的应用价值。本综述回顾了近年来LIBS技术在生物医学应用中的研究状况和最新进展，基于目前的研究状况，评估了LIBS技术在血液检测、生物组织分析、元素成像应用领域的挑战和机遇，还为进一步促进LIBS技术在生物医学领域的应用提供了建议。

光声成像技术结合光学的高对比度、高分辨率和声学的高穿透深度，已经发展成为一项独具优势的无损检测与成像技术。光声成像技术利用光声效应产生的超声信号解析深度信息，从而在三维空间对被测对象进行定位。在文物保护领域，制作文物的各种材料具有不同的光学吸收特性，在激光的激励下，产生并向外辐射幅值和频率不同的超声信号。超声信号的典型特征兼具鉴别材料类型和识别表面缺陷的功能，因此光声成像技术在文物保护领域具有应用价值。分类概述了现有的光声成像技术，阐述了光声成像技术在文物保护领域的发展现状及局限性，最后总结展望了光声成像技术在该领域的发展前景。

各种天气现象的变化都伴随着云的运动，气象卫星获取的连续卫星云图含大量的时空序列信息，即连续卫星云图具有显著的时序特征，可作为云图预测的基本信息。云图预测本质上是一种处理云图时空序列特性的视频预测问题，为了准确预测云的位置变化，针对云的不稳定、非线性运动特性，基于CrevNet视频预测模型提出SmartCrevNet云图预测算法。在该算法中设计了一种时空注意力门控循环预测单元（STA-GRU），同时在CrevNet原有的双向自编码模块中引入轻量型注意力模块（SGE），可在不增加计算量的情况下增强云图语义信息，提高特征提取能力。将该算法分别在公共数据集MovingMNIST数据集及FY-4A卫星云图数据集上进行实验，结果表明，在FY-4A卫星云图数据集和MovingMNIST数据集上，SmartCrevNet的均方误差（MSE）分别比CrevNet降低了7.3%和6.1%，结构相似性（SSIM）分别提升了7.9%和1.2%，预测效果优于CrevNet和传统的视频预测算法。

非侵入式负荷监测作为家庭用电精细化管理的重要手段，对推进节能减排、实现“双碳”目标具有积极作用。然而，利用原始电压-电流轨迹图像特征很难实现高精度负荷识别。因此，提出了一种基于格拉姆角差场（GADF）图像编码的非侵入式负荷识别方法。首先，对设备采集到的高频稳态数据进行预处理，获得一个完整基波周期电流和电压信号。然后，利用GADF分别对一维电压和电流信号进行图像编码，生成相对应的二维图像。最后，通过叠加融合输入到卷积块注意力模型中完成负荷识别。为了验证所提方法的有效性，利用公共数据集PLAID和WHITED进行实验分析。结果表明，该方法具有很高的识别精度，PLAID数据集平均识别准确率达到99.45%，WHITED数据集平均识别准确率达到99.24%。

针对红外与可见光图像融合方法存在的对源图像特征分离不充分、可解释性低且融合规则难以准确设计等问题，提出基于互信息特征分离表达的红外与可见光图像融合方法，有效分离特征的同时保留源图像的典型信息。首先，采用互信息约束的编码网络提取特征，最大化源图像与特征间互信息来保留源图像的特征表示，同时通过最小化私有和公有特征的互信息来达到分离表达的目的；其次，特征融合阶段设计了层级特征自适应融合模块来有效融合不同层级的特征信息，减小语义差距并调整感受野，增强网络对特征的学习能力；此外，损失函数采用软加权强度损失来平衡红外与可见光特征分布；最后，对比实验的主客观评价结果表明，所提方法能有效融合红外与可见光图像的重要信息，具有良好的视觉感知。

随着深度学习的发展，基于卷积神经网络（CNN）的目标检测方法取得巨大成功。现有的基于CNN的目标检测模型通常采用单一模态的RGB图像进行训练和测试，但在低光照环境下，检测性能显著下降。为解决此问题，提出了一种基于YOLOv5构建的多模态目标检测网络模型，将RGB图像和热红外图像相结合，以充分利用多模态特征融合信息，从而提升目标检测精度。为了实现多模态特征信息的有效融合，提出了一种多模态自适应特征融合（MAFF）模块。该模块通过自适应地选择不同模态特征并利用各模态间的互补信息，实现多模态特征融合。实验结果表明：所提算法能有效融合不同模态的特征信息，从而显著提高检测精度。

针对当前红外场景下多尺度车辆检测精度欠佳且算法模型复杂度高的问题，提出了基于Shuffle-RetinaNet的红外车辆检测算法。该算法以RetinaNet网络为基础，并选用ShuffleNetV2作为特征提取网络。提出双分支注意力模块，通过双分支结构和自适应融合方法增强网络对红外图像中目标关键特征的提取能力；优化特征融合网络，集成双向交叉尺度连接和快速归一化融合，增强目标多尺度特征的表达能力；设置校准因子增强分类和回归之间的任务交互，提高目标分类和定位的准确性。该算法在自建红外车辆数据集上的检测精度达到92.9%，参数量为11.74×10⁶，浮点计算量为24.35×10⁹，同时在公开红外数据集FLIR ADAS上也展现出较好的检测性能。实验结果表明：该算法具有较高的检测精度，且模型复杂度低，在红外车辆检测领域具有较高的应用价值。

针对低照度图像存在识别度不高、亮度低、信噪比低和细节模糊等问题，提出了一种非下采样剪切波变换（NSST）域结合生成对抗网络（GAN）的低照度图像增强方法。首先，收集弱光图像和正常光图像数据集，将图像进行RGB颜色空间到HSV颜色空间的变换处理，保持色度、饱和度分量不变，对亮度分量进行NSST多尺度分解，利用分解得到的低通子带图像构建训练集；其次，构建基于GAN的低频子带图像增强模型，并利用低频子带图像训练集对模型进行训练；然后，对待处理的低照度图像进行NSST分解，利用训练的模型增强低频子带图像，利用尺度相关系数去除各高频方向子带噪声，并通过非线性增益函数增强边缘系数；最后，将增强处理后的低频、高频子带图像进行NSST重构，并将重构图像恢复至RGB颜色空间。所提方法与常见的方法相比，就低照度图像增强而言，结构相似度平均提升了3.89%，均方误差平均降低了1.03%，且在对噪声图像增强时，峰值信噪比和连续边缘像素比保持在21 dB和88%以上。实验结果表明，所提方法不论从视觉效果还是图像质量客观评价指标上较常见方法都有较大提升，能有效改善低照度图像的低质问题，为后续的图像处理分析奠定基础。

红外热成像系统采集的数据大都是高动态范围，为了实现高动态红外图像的可视化，动态范围压缩和细节增强技术的研究至关重要。针对传统方法存在的梯度反转伪影、低对比度细节丢失、背景噪声过增强等问题，提出一种基于边窗滤波的高动态红外图像压缩增强方法。首先，采用边窗滤波将原始红外图像分解为基础分量和细节分量；然后，根据基础分量的灰度级分布情况，设计一种自适应阈值的平台直方图算法，对基础分量进行压缩；接着，利用双边滤波器核权重分布特点，生成自适应增益系数，对细节分量进行增强；最后，对基础分量和细节分量进行加权融合，并将结果量化到8位动态范围。实验结果表明，与经典的压缩增强方法相比，所提方法对强边缘具有更好的保边效果，可以有效避免梯度反转伪影和光晕问题，细节信息更丰富，背景噪声抑制效果更好，对不同场景的适应性更强。

为解决面向复杂地形区域的断裂带提取问题，提出了一种基于三维卷积神经网络（3D-CNN）结合PointSIFT的断裂带提取方法。该方法首先通过PointSIFT模块对原始点云数据的空间方位信息进行编码，以实现对点云特征的聚合，从而得到带有不同尺度特征的重构点云数据。其次，以构建的三维卷积模块为核心搭建3D-CNN模型，以此对重构的点云数据进行深层次特征提取。然后，将所提取的点云特征输入到全连接层以完成点云类别的判断，从而解决断裂带提取问题。最后，将所提方法与张量分解方法、深度神经网络方法在两套数据集上进行对比实验，结果表明：所提方法能够获得更低的分类误差，从而证实了该方法在点云断裂带提取方面的优越性。

对于分布在曲面物体表面的纹理图案，为方便全面展示和后续使用，常需要将其从曲面表面提取出来并展平。因此，提出基于光场相机的曲面纹理展平方案，利用聚焦型光场相机获得高分辨曲面纹理图像和无需额外配准的深度图，并针对此方案设计曲面纹理展平算法。该算法将曲面纹理图像划分为多个有重叠的局部纹理图像，基于拟合平面法向量对局部纹理失真进行校正，最后将校正后的局部纹理图像拼接为完整的展平纹理图像。经仿真实验和真实实验验证，所提曲面纹理展平算法可以有效展平不同曲面上分布的多种纹理，并且在纹理图像质量差异和深度测量误差方面具备一定的鲁棒性。

基于深度学习的图像融合方法实现了良好的图像融合性能，近年来经过快速发展，被广泛应用于生物特征识别、自动驾驶和目标追踪等方面。深度学习网络在提取图像的重要纹理细节和保存重要信息等方面依然存在许多挑战。因此，提出了一种适用于红外与可见光图像融合网络的损失函数，在损失函数中引入了梯度方向直方图（HOG）损失，HOG特征可以反映图像局部的梯度方向和梯度大小，用HOG特征作损失函数可以提升网络提取图像细节信息的能力。将HOG损失与多尺度结构相似性损失相结合，用设计的损失函数训练了NestFuse、Res2Fusion和UNFusion 3个红外与可见光图像融合网络。在TNO数据集上，所提模型将融合图像的标准差（SD）分别提高2.1476%、1.2273%和1.4444%，将融合图像的视觉信息保真度（VIF）分别提高1.6529%、1.4936%和1.2902%；在RoadScene数据集上，所提模型将融合图像的SD分别提高1.0083%、1.1669%和0.7214%，将融合图像的VIF分别提高1.8093%、1.8063%和1.0406%。实验结果表明，所提损失函数可以从源图像中提取更多有效信息。

海上溢油事故的发生不仅给人类造成了巨大的财产经济损失，而且严重破坏了海洋生态环境。极化合成孔径雷达（PolSAR）通过利用多种极化通道能够更综合地记录地物后向散射信息，从而广泛应用于海上溢油检测中。为了更加准确地进行海上溢油检测，提出一种基于Dual Encoder-Decoder Net（Dual-EndNet）的极化SAR海上溢油检测算法。首先提取出目前常用的30种用于溢油检测的极化特征，并利用随机森林算法选出区分溢油重要性较好的前10个特征；然后以编码器-解码器为基本框架，设计两个分支，分别输入PauliRGB图像和优选的10个极化特征图像，用于提取溢油极化SAR图像的空间信息和极化信息，进而对两分支信息进行融合，以提高溢油检测算法性能。在两景Radarsat-2全极化SAR溢油数据集上的实验结果表明，所提方法不仅具有较强的溢油检测能力，而且能够有效地区分原油、植物油、乳化油不同类型的油膜。

针对钢材表面缺陷尺度不一，现有检测算法多尺度特征处理能力较差、精度有待提高的问题，提出了一种面向钢材表面缺陷检测的改进型YOLOv5算法。首先，在骨干网络的特征输出层后添加感受野模块以增强特征的判别性与鲁棒性，可以更好地感知不同尺度的特征信息；然后，利用对齐的特征聚合模块替换传统的特征融合结构，解决了高低分辨率特征图在融合过程中存在的特征错位问题；最后，采用带有高效通道注意力机制的解耦头输出检测结果，注意力机制可以自适应地校准通道响应，解耦头使得分类与回归任务可以独立执行。在NEU-DET数据集上的实验结果显示，所提出方法的平均精度均值为80.51%，相比基准模型提升了4.48%，检测速度为31.96 frame/s。相比其他主流的目标检测算法，在保持一定检测速度的前提下，所提算法具有更高的精度，能够实现高效的钢材表面缺陷检测。

目前利用无人机获取光伏组件红外影像数据越来越多地应用于光伏组件故障检测中。但光伏组件红外影像数据各类别样本相似度较高，现有深度学习模型的光伏组件红外影像特征提取能力较低，导致光伏组件多故障类型分类精度偏低。针对以上问题，基于ResNet（residual network）模型构建ResPNet（residual photovoltaic network）模型进行光伏组件红外影像故障检测。ResPNet模型在ResNet模型基础上，加入了底层特征信息增强模块、多尺度特征信息增强模块、全局特征信息增强模块，用于提升模型的光伏组件红外影像特征提取能力。在公开的光伏组件红外影像数据集Infrared Solar Modules上进行实验，ResPNet模型的12类光伏组件红外影像分类精度达到84.6%，不但优于ResNet-50模型，而且优于其他的光伏组件红外影像分类模型。通过级联多个ResPNet模型，取得了该数据集目前已知最高的12类光伏组件红外影像分类检测精度（85.9%）。

工件的表面质量对零件可靠性、质量和使用寿命的影响至关重要。尽管各种基于计算机视觉的目标检测框架已经被广泛应用于工业表面缺陷检测场景，但由于面型的影响以及缺陷之间的混叠性，超精加工工件表面缺陷检测仍然具有挑战性。因此，提出了一种频率嵌入双分支参数预测网络来预测滤波参数，滤除掉型面信息从而使得缺陷特征更加显著。基于智能型面分析的预处理后，提出了一种基于级联区域神经网络感受野增强缺陷检测网络，将可变形卷积间隔地替换到高效网络的卷积模块中，有效地提高了主干网络特征提取的能力，然后重新选择特征图组成新的特征金字塔网络以提高效率，进一步提高网络性能。此外，还构建了具有滤波参数标注信息的滤波参数数据集UPP-CLS和具有缺陷类别及位置的缺陷检测数据集UPP-DET。模型在UPP-CLS上达到了85.36%的准确性，相较于现有网络提升3~5个百分点；在UPP-DET上达到了0.862的平均精度，相较于现有网络提升5.3%~7.8%。模型整体性能优于主流网络结构。源代码将在https：//gitee.com/zihaodl/detect_app上开源。

针对无人机检测缺陷绝缘子时，存在目标特征不明显、小目标检测效果差、无法同时满足检测速度和精度的问题，提出一种基于改进YOLOv5的绝缘子缺陷检测算法。首先，针对目标特征不明显的问题，将ConvNeXt网络应用到YOLOv5主干网络中，以加强网络特征提取能力；其次，针对图像中的小目标特征，在主干网络中引入坐标注意力机制，提高对小目标的检测精度；然后，对改进模型进行剪枝操作，剪去模型中冗余的通道，从而减少模型参数量，使模型更加轻量化。实验结果表明：所提算法在绝缘子缺陷数据集IDID上的平均精度均值达到93.84%，较原始算法提升了3.4个百分点；检测速率达到166 frame/s，较原算法速率提升了69.4%，可以满足对输电线路实时检测的要求。

车轮是铁路列车走行部的重要部件，车轮踏面上产生的缺陷严重危害着铁路列车的安全运行。由于实际中车轮踏面缺陷样本有限，有监督检测模型对缺陷的检测不具有鲁棒性。针对此问题，提出使用无监督的知识蒸馏异常检测模型实现对车轮踏面的异常检测任务。首先，使用UNet对踏面区域进行分割，减少非踏面区域对异常检测模型的影响；然后，在多尺度特征聚合之后添加一个注意力机制，提升反向知识蒸馏结构中学生网络对正常特征的重建能力，增强学生网络对正常特征重建的效果。实验结果表明：在铁路车轮踏面数据集上，改进后的模型能够达到93.8%的受试者工作特性曲线下的面积、82.3%的精准率、95.4%的召回率、87.0%的准确率。与原模型相比，改进后的模型检测性能得到提升。

针对现有的基于点的网络平等地对待所有的点从而无法有效关注重要特征的问题，在激光雷达点云处理领域引入注意力机制，即CSA模块，其中CA表示通道注意力，SA表示空间注意力。两个模块以数据驱动的方式自动学习不同特征通道信息和不同空间位置信息的重要性，从而提升网络在点云分类和分割任务上的表现。在基于点的网络中引入了上述两个模块，提出了CSA-PointNet++结构。实验结果表明：所提方法在ModelNet40数据集上的分类准确率达93.20%，在ShapeNetPart数据集上的部件分割实验的平均交并比（mIoU）为82.62%，优于其他对比方法，验证了所提网络的有效性；同时，在真实世界自建数据集上，所提方法的分类准确率达92.14%，证明了网络在真实世界的数据上具有良好的泛化能力。

光刻热点检测是实现集成电路可制造性设计，保障集成电路芯片最终良率的关键。鉴于传统基于深度学习的光刻热点检测方法难以满足先进集成电路制造对检测精度的要求，提出了一种基于改进Yolov5s的检测算法，用于光刻版图热点缺陷的精确检测。通过将坐标注意力机制引入骨干网络，提高了Yolov5s模型对版图图形区域的关注度，进而极大地改善了基于Yolov5s的检测算法的光刻热点检测性能。与此同时，采用Sigmoid线性单元激活函数进一步完善整个神经网络的非线性表达，利用Scylla交并比损失函数更快速地定量评估边界框回归损失，提高了热点检测算法的收敛速度和精度。将ICCAD（The International Conference on Computer-Aided Design）2012竞赛基准、经光学邻近校正优化后的光刻图形作为数据集对所提算法开展性能测试实验，验证了热点检测算法的优异检测精度。实验结果表明，该算法的平均准确率、平均召回率、平均F1-score和均值平均精度分别达到97.7%、98.0%、97.8%和98.4%，显著优于其他光刻热点检测算法，展示了良好的应用前景。

目前常用的屈光不正的矫正方式都是针对人眼像差的某一静态值进行矫正，无法对人眼像差的动态变化进行有效矫正。为了解决这一问题，开发了一种基于图像处理的人眼离焦量的动态补偿系统，其以红外相机和图像处理程序组成的瞳孔大小动态测量系统、透射式变形镜和控制程序组成的屈光力动态矫正系统为核心。在光学实验平台上搭建出系统原型，并展开实验。实验结果表明，所提系统能够在不同光强条件下实现对人眼瞳孔大小的准确测量及对应离焦像差的准确、快速、平滑的矫正，初步证实了所提系统的有效性。

针对固态激光雷达视场小导致建图过程中回环检测困难的问题，提出了一种基于单帧-子地图描述子匹配的回环检测算法。首先，利用前端里程计提供的位姿将若干帧点云拼接得到子地图后获取描述子，并将其位置加入K维树中。其次，对于每一个当前帧，利用K维树搜索候选子地图，依次按照里程计位姿投影至子地图坐标系后获取描述子，以实现描述子旋转、平移不变性。然后，利用二进制描述子进行对齐，并利用掩模方法计算当前帧描述子和子地图描述子的相似度。最后，对于符合条件的回环对，使用CFB-ICP算法进行配准获得回环因子，并执行因子图优化。在公开数据集以及真实室外环境中分别进行实验测试，结果显示此算法在满足实时性的前提下，可以减小长程建图时的累积误差，提高定位与建图精度。

针对单一传感器难以解决激光雷达在运动场景中因为点云畸变和误差累积产生的运动失真与定位精度差的问题，提出一种融合惯性测量单元数据和轮速计数据的激光雷达点云畸变矫正与定位方法。首先，以激光雷达数据为时刻基准，利用积分的方法对惯性测量单元和轮速计的数据进行预处理；之后，将融合数据与激光雷达数据融合，以矫正产生畸变的激光点云；最后，利用线性插值的方式来保证传感器间数据的时间同步，并将计算的位姿作为里程计迭代计算的初值，降低计算复杂度并提高里程计的定位精度。实验结果表明，相比没有采用多传感器融合的传统方案（LOAM、F-LOAM），在公开数据集实验中，所提方法的定位均方根误差分别降低了81.11%和21.54%，在自测数据集实验中，定位均方根误差分别降低了52.76%和24.29%。

为得到空间目标高质量仿真图像，正确仿真目标包覆温控材料形成的褶皱表面十分重要。采用反向光线跟踪方法建立辐射传输模型，针对常用温控材料聚酰亚胺的褶皱表面引发的二次反射和材料的菲涅耳反射现象，采用余弦权重重要性采样对二次反射计算时的光线区间进行优化，改进了可描述菲涅耳反射现象的双向反射分布函数（BRDF）模型。利用3D建模软件生成并量化褶皱平面，在严重褶皱上重要性采样的均方根误差比均匀采样减小了63.42%，通过与实测BRDF值对比，改进BRDF模型能更好地描述菲涅耳反射，从褶皱平面仿真图像中可看到离散的强镜反亮斑。仿真的卫星图像褶皱表面细节纹理展示良好，阴影效果逼真，可为空间目标视觉导航算法研究提供图像数据。

针对无人机航摄图像中目标尺寸差异大导致的感受野难以同时兼顾不同尺寸物体分割效果的问题，提出了利用两路分支分别提取浅层和深层信息的双路特征融合网络（DSFA-Net）。在编码器中，浅层分支利用三个串行ConvNeXt模块提取高通道数的浅层特征以保留更多空间细节；深层分支利用坐标注意力空洞空间金字塔池化（CA-ASPP）模块为特征图重新分配权重，使网络更加关注尺寸各异的分割目标，获得深层多尺度特征。在解码过程中，网络利用双边引导融合模块为两层特征建立通信以进行分辨率融合，提高层级特征的利用率。所提方法在AeroScapes和Semantic Drone航摄图像数据集上进行了实验，其平均交并比分别达到83.16%和72.09%、平均像素准确率分别达到90.75%和80.34%。与主流的语义分割方法相比，所提方法对于具有较大尺寸差异的目标，分割能力更强，更适用于无人机航摄图像场景下的语义分割任务。

中红外衰减全反射光谱技术在人体血糖检测方面具有快速、绿色的天然优势。但人体血液中其他组分的存在会影响葡萄糖含量检测的准确度。因此，研究了人体血液中胆固醇、白蛋白以及尿素的存在对红外光谱法血糖检测的干扰程度。以117份含有不同干扰物以及不同质量浓度的葡萄糖仿体溶液为研究对象，对原始光谱进行SG（Savitzky-Golay）平滑处理后构建偏最小二乘回归模型，并构建Clarke Error Grid以及预测值与真实值对比图进行进一步分析。结果表明：全干扰物模型预测集相关系数（R_p）以及预测集均方根误差（RMSEP）分别为0.9785和40.0187，有85.7%的预测结果落在Clarke Error Grid可靠区（A区）；缺失胆固醇模型的R_p以及RMSEP分别为0.9042和175.7292，有40%的预测结果落在A区；缺失白蛋白模型的R_p以及RMSEP分别为0.9616和103.6627，有42.9%的预测结果落在A区；缺失尿素模型的R_p以及RMSEP分别为0.9742和38.6716，所有预测结果都落在A区。由此可以看出，胆固醇的干扰程度最大，白蛋白次之，尿素产生的干扰较小。本研究对提高红外光谱法葡萄糖检测的准确度具有一定帮助以及参考价值。