非视域成像可对视域外场景进行重建成像。与传统成像不同，其将隐藏场景返回的间接信号导入重建算法实现目标场景重建，在**、生物医学、自动驾驶、航空航天及灾后搜救等领域具有重要的应用价值。总结近年来国内外对非视域成像技术的研究进展，依次介绍3种非视域成像模式，包括基于飞行时间的非视域成像、基于相干信息的非视域成像（含基于散斑图案和空间相干两种方法）、基于强度信息的非视域成像。基于相干信息和强度信息成像模式的硬件参数、重建算法、重建时间和图像分辨率等的特点和存在的局限性，分析并讨论非视域成像的发展趋势。

卷积神经网络（CNN）在新冠肺炎X射线图像分类中取得诸多成果，但卷积结构只能学习到特征图相邻空间位置的上下文信息。为了更好地结合胸部X射线图像全局信息，除了提高CNN的深度，所提网络通过设计主干网络ConvNeXt、聚合注意力模块、长短期记忆网络，更加关注全局与局部信息的交互性。对公开访问的COVID-19 Radiography Database数据集图像分类，所提网络在三分类实验中相较于基础模型ConvNeXt在准确率、精确率、召回率上分别提高1.60个百分点、1.23个百分点、1.76个百分点，且其在多项实验指标上优于Vision Transformer、Swin-Transformer，准确率、精确率、召回率、特异度分别提高到95.6%、96.03%、95.76%、97.53%。另外选用Chest X-ray数据集进一步验证所提网络泛化能力，采用Score-CAM算法验证其有效性。实验结果表明，所提网络对新冠肺炎X射线图像具有较好的分类效果。

鸟击作为影响机场安全的主要事故征候，需要准确、稳定的弱小运动目标检测方法用于机场飞鸟检测。应用光场涨落增强低信噪比的飞鸟运动特征信号，再结合局部高斯混合模型对图像增强区域进行前景分割处理，实现宽视场复杂背景下的机场飞鸟目标检测，并完成不同光照条件的机场飞鸟检测实验。实验结果表明：所提算法较传统算法能有效提高机场条件下的远距离、宽视场、低信噪比弱小目标检测率，且具有较好的光学稳定性。

由于光在水下传播时受到吸收、散射、衰减的影响，在水下场景中采集的图像退化明显，存在对比度低、蓝绿色偏严重等现象。基于此，提出一种基于图像分割和色适应变换白平衡的水下图像增强算法。将色适应变换引入水下颜色校正，将基于图像三通道反转去雾的低照度增强方法应用于水下图像增强，并提出基于图像分割的白平衡策略，同时将所提算法与经典算法进行比较。实验结果表明，所提算法处理后图像的underwater color image quality evaluation metric（UCIQE）指标平均值为0.5839，underwater image quality measures（UIQM）指标平均值为1.3689，中性色角度误差平均值为5.0972，均优于两种经典算法。所提算法在颜色校正效果和清晰度提升上具有一定的优越性。

数字图像相关法作为一种直接有效的非接触、全场光学测量方法，已广泛地应用于各个领域材料和结构的二维/三维位移和应变测量。结合先进的散斑制备技术，在显微镜下进行原位加载实验，可实现微尺度数字图像相关位移和应变测量。微尺度下试样加载过程中将不可避免地出现离面位移，由于光学显微镜景深限制，微小的离面位移将导致散斑图像失焦模糊，从而为变形测量带来相应的误差。为减小这种失焦模糊带来的误差，采用盲去卷积方法对散斑图像去模糊，并针对噪声问题采用高斯滤波的方法对散斑图像进行去噪，定量分析了图像复原对数字图像相关测量精度的影响，并对indium tin oxide（ITO）薄膜进行了拉伸实验。实验结果表明，图像复原后测量的弹性模量误差减小了13.91%，应变测量结果的精度与稳定性更高。

为解决现有多尺度变换方法在融合红外与可见光图像时出现对比度低和边缘轮廓不清晰问题，提出一种基于对比度和结构提取的方法。首先对可见光图像进行自适应增强，对红外图像进行线性归一化处理；然后分别利用稠密SIFT描述符和局部梯度能量算子提取图像的局部对比度和显著结构，结合局部对比度和显著结构的权重得到权重图，通过快速引导滤波器消除权重图的不连续性和噪声；最后利用金字塔分解方法对细化后的权重图和经过增强和线性归一化的源图像进行融合。在公共数据集上进行大量实验，使用6种评价指标对实验结果进行定量分析，并对所提方法与10种主流的图像融合算法进行定性对比。实验结果表明，所提方法可以有效保留源图像的对比度、边缘轮廓和细节信息，并在视觉感知和定量指标上取得更优的融合效果。

语义分割网络对图像进行像素级分类，相较于目标检测其对于目标的精准定位更有优势，因此在红外小目标检测中发挥着重要作用。针对红外小目标的特点，提出一种基于实时语义分割的红外小目标检测网络。该网络基于双分支特征提取结构，采用渐进式特征融合模块和改进的Dice损失函数，使红外小目标分割的速度与效果达到良好的平衡。实验结果表明，该算法在较小参数量和计算量的情况下相较于FCN、ICNet、BiSeNet V2、STDCNet、TopFormer等5种算法达到较高的精度，在实际采集的红外小目标数据集上，其推理帧率相较于传统的FCN提升44%，达到117 frame/s，且红外小目标的交并比相较于与其推理帧率相近的TopFormer提升49%，有利于语义分割在红外小目标检测的实际应用。

近年来，跨模态行人重识别逐渐成为了计算机视觉领域的热门研究方向之一。然而，在跨模态行人重识别任务中，高效地提取行人特征，进一步实现图像之间的交互融合、挖掘行人图像之间的潜在关系是至关重要的。为了解决这一问题，提出一种基于通道分组重组和注意力机制的双流网络来提取两种模态之间更加稳定且丰富的特征。具体地：首先在主干网络中嵌入模态内特征通道分组重组模块以提取跨模态图像的共享特征，实现模态信息的交互融合；然后，通过聚合特征注意力机制及跨模态自适应图结构来挖掘不同模态行人图像之间的潜在关系，提取更具判别力的局部特征。在主流数据集SYSU-MM01、RegDB上进行的大量实验结果表明，所提算法在多个数据集上具有较好的泛化能力，与现有的主要算法相比，跨模态行人重识别精度达到较高的水准。

针对儿童肺炎图像难以准确诊断的问题，提出一种基于改进Inception-ResNet-v2的分类识别方法，以提高对不同类型的儿童肺炎图像的识别准确率。以Inception-ResNet-v2为基础网络，引入多尺度通道注意力模块，促进网络识别和检测极端尺度变化下的目标。加大网络stem层的卷积核大小，增大模型初期的有效感受野。为避免模型出现过拟合，减少了激活函数的使用，并使用SiLU激活函数来代替ReLU激活函数。针对数据集Chest X-ray中数据量较少的问题，对输入图像进行一定角度的旋转和随机水平的翻转以增强原始数据。实验结果表明，所提方法在儿童肺炎数据的二分类中准确率达到97.9%，三分类中准确率达到85.8%，证明该方法能够有效提高儿童肺炎的识别精度。

弱光环境会导致图像采集设备拍摄的照片出现对比度低、亮度较暗、细节缺失等问题，为此提出一种基于同态频分聚合的低照度图像增强算法。首先，改进同态滤波的传递函数，将原始图像分解为高频和低频分量，在不损失亮区细节的同时，增强一部分暗区细节，改进后的同态滤波传递函数参数更少，且易于调整；然后，分别对两个分量进行增强，即设计细节增强网络完善高频部分的细节信息，采用low-light image enhancement via illumination map estimation（LIME）算法对低频部分进行亮度提升；最后，设计局部自适应网络对图像高频和低频分量进行联合微调，纠正融合过程中出现的失真。从主观视觉以及客观评价指标两个方面进行实验分析，结果表明，所提算法能有效平衡图像平滑区域与纹理分量的增强效果，提升图像视觉质量。

针对图像超分辨率重建网络因结构冗杂、参数量增加导致的计算量过大、训练时间过长等问题，提出一种注意力引导的轻量级图像超分辨率网络（LAGNet）。LAGNet将随机初始化的自适应权重引入深度残差网络结构，更大限度地利用浅层特征信息。其次，提出注意力引导（AG）模块，该模块使用高效通道注意力（ECA）模块和空间分组增强（SGE）模块双支路并联结构，结合通道间关系和空间位置信息特征，利用注意力引导层动态调整两个分支的权重占比，准确获取高频特征信息。最后，使用全局级联连接，减少网络参数量并加快信息流通速度。使用L1损失函数，在加快收敛速度的同时防止梯度爆炸。在三个基准数据集上的测试结果表明：相比其他网络，LAGNet的峰值信噪比平均提高0.39 dB，模型参数量平均减少24%，加法操作量和乘法操作量平均减少62%；在图像视觉效果上整体更为清晰，细节纹理更自然。

针对三维激光扫描设备实际采集的列车关键部件点云模型通常存在噪声点和采集误差等问题，提出一种高效的点云小尺度噪声滤波平滑算法。首先利用K-D树构建点与点之间的几何关系，设置中心点并利用K近邻算法查询邻域信息；然后假设输入点云与滤波后输出的点云之间存在线性关系，从而利用两片点云构造代价函数；最后通过求解代价函数最小值确定线性参数，从而得到平滑后的点云模型。代价函数构建过程中，根据点与其K近邻内点的欧氏距离的方差与整体欧氏距离方差的比值大小自适应地调节权重，达到动态调整线性模型参数的目的。实验结果表明，所提算法能够快速矫正小尺度噪声、平滑边界轮廓、提高质量，为点云识别、重建等后期任务奠定基础。

由于传统的微光图像增强算法泛化性较差，难以适应复杂多变的真实场景，提出一种基于多尺度融合卷积神经网络的图像增强方法，即通过学习微光图像与正常图像之间的映射关系实现微光图像增强。以微光图像为输入，首先利用预处理模块提取图像浅层信息，然后将选择性卷积核网络（SKNet）融合到局部路径构成特征提取网络，用通道注意模块对特征图进行权重学习得到局部特征，并对其与提取到的全局特征进行融合。由双边网格上采样还原图像尺寸，得到微光图像对应的映射函数，进而完成图像的增强。基于MIT-Adobe 5K数据集，对所提方法与其他9种先进方法进行对比。实验结果表明，所提方法可以较好地提升图像的亮度，丰富图像细节，在视觉效果和定量评价上均优于其他对比算法。

针对风云四号卫星图像近红外和短波红外波段空间分辨率远低于相应的可见光波段的问题，提出一种基于匹配提取和跨尺度特征融合网络的超分辨率方法，以高分辨率波段图像作为参考图像，辅助重建低分辨率的可见光与近红外波段。首先，使用匹配提取模块，利用高分辨率图像与低分辨率图像间的相似性，将高分辨率图像的细小纹理信息融合到低分辨率图像中。然后，使用跨尺度特征融合方法将仍存在亮度、颜色、结构等差异的参考图像特征图和低分辨率特征图融合。最后，结合空间-光谱总变异损失和L1损失保证重建结果的空间和光谱可信度。实验结果表明，所提方法在空间和光谱可信度方面取得了良好的结果。与Bicubic、RDN、RCAN、EDSR、Dsen2等方法相比，该方法取得了最优的质量评价指标，能有效提高风云四号卫星影像的空间分辨率。

针对实验室显微CT扫描过程会产生噪声，导致重建后CT图像质量下降的问题，提出一种深层多残差编解码卷积去噪网络。以原始的残差编解码网络为基础，首先通过增加网络的卷积层数，引入多残差映射，实现对实验室级显微CT图像中噪声分布特性的有效学习；其次设计了专用的混合损失函数，增强网络对图像细节信息的保留能力。实验结果表明，所提方法对CT图像中的噪声具有显著的抑制效果，同时能够极大程度地保留图像的结构信息和特征信息。

针对明场显微细胞图像存在边缘弱、背景非均匀和细胞形状不规则等特点导致细胞分割困难的问题，提出一种基于荧光细胞核引导的明场显微图像细胞分割方法。首先，利用荧光细胞核质心确定明场单细胞局部显微图像，对局部明场显微细胞图像进行双重高斯滤波，以减弱非均匀背景的影响，采用顶帽变换增加图像的对比度，并采用二维最大类间方差分割方法以增强算法的抗噪性；其次，对完整的明场显微细胞图像进行双重滤波和顶帽变换预处理后，采用二维最大类间方差法进行全局分割，以增强局部分割丢失的细胞轮廓信息，解决细胞形状不规则导致的分割不准确问题；最后，将局部和全局分割的结果融合后采用分水岭变换进行二次分割，以提高对粘连性细胞的分割精度。在Hela细胞图像集上进行验证实验，得到明场细胞分割的精确率、召回率和F值分别为0.960、0.984和0.971，优于现有相关算法，验证了所提方法的高准确性和鲁棒性。

多光谱遥感图像（MSIs）包含大量的地物信息，这些信息蕴含在图像的多个光谱波段中。不同波段或者同一波段不同空间位置所含信息量差异很大，如何从MSIs中捕获有效信息是遥感图像语义分割中一项具有挑战性的任务。基于此，提出一种基于波段-位置自适应选择的端到端语义分割网络（BLASeNet）。所提网络采用编码器-解码器结构，在编码阶段，提出波段-位置自适应选择机制来自适应学习不同波段和同一波段不同空间位置权重，增强有效特征表达。为了利用MSIs的波段相关性，进一步提出三维残差块编码图像的光谱-空间特征。在解码阶段，提出自适应特征融合模块，通过网络学习自适应调整低级细节特征与高级语义特征的融合比例，并探究加法（BLASeNet-A）、元素乘法（BLASeNet-M）和串联（BLASeNet-C）等3种融合策略对模型性能增益的影响。此外，将通道注意力扩展到三维数据上，对融合后的特征图在通道维度上进行特征重标定，得到更准确的多级交互特征图。在ISPRS Potsdam、Qinghai和Tibet Plateau等3个数据集上的实验结果证明了BLASeNet的有效性。

光场图像包含丰富的空间信息和角度信息，在三维重建、虚拟现实领域有广泛应用。但由于光场相机的内部限制，光场图像的低空间分辨率阻碍了其应用发展，具体表现为图像边缘区域的模糊。考虑到光场子孔径图像中空间信息包含着丰富的纹理和高频细节，而角度信息则对应不同视图之间的相关性，提出一种基于特征交互融合与注意力的光场图像超分辨率网络。通过特征提取和特征交互融合模块充分融合光场的空间角度信息；通过特征通道注意力模块自适应地学习有效信息，抑制冗余信息并细化图像的高频细节；通过光场结构一致性模块保持光场图像间的视差结构。在5个光场数据集上的实验结果表明，所提网络得到的超分辨率结果性能普遍优于所比较的超分辨率网络。

在基于生成对抗网络的红外与可见光图像融合中，针对融合结果中不同物体之间边缘模糊、源图像信息提取不足和融合信息不平衡等问题，提出一种基于自适应特征增强和生成器路径交互的深度融合方法。首先，自适应增强块根据权重图锐化源图像中不同物体的边缘信息，在自适应调整的特征增强损失与强度损失及梯度损失联合约束后，融合图像的对比度与纹理细节可以同时得到增强。其次，生成器路径交互结构在两条主路径之间增加交互卷积层以充分提取源图像信息，采用密集连接的卷积网络可以加强特征图的传输。此外，以主辅思想设计的内容损失函数和网络结构中引入的双鉴别器保证了融合结果中对比度与纹理细节的平衡。实验结果表明，所提方法的融合结果无论是在主观视觉评价还是客观定量评价方面都非常有竞争力，并且与其他方法相比，所提方法的运行速度最快。

遥感影像场景分类方法多基于传统机器学习或卷积神经网络，此类方法的特征提取能力极为有限，尤其在处理类间相似度大、空间信息复杂、几何结构繁多的光学遥感影像时更容易出现特征信息丢失、分类精度受限等问题。基于此，提出一种融合字典学习与视觉转换器（ViT）的高分辨率遥感影像场景分类方法。该方法不仅能够挖掘图像内部的长距离依赖关系，而且可以利用字典学习抓取图像的深层非线性结构信息，从而达到提升分类准确度的目的。在PyTorch深度学习框架上，在RSSCN7、NWPU-RESISC45和Aerial Image Data Set（AID）3个公开的遥感影像数据集上对所提方法和模型进行了广泛实验，验证了所提方法的可行性，其分类正确率比原始视觉转换器模型分别高出1.763个百分点、1.321个百分点和3.704个百分点。与其他先进的场景分类方法相比，所提方法实现了更加优异的分类性能。

当前咽喉反流疾病的筛查主要依靠电子喉镜图像通过反流体征评分（RFS）量表进行评分，尽管这种量化评估方式增强了筛查诊断的客观性，但误诊率、筛查效率仍有待进一步改进。通过深度学习算法实现基于RFS的咽喉反流量化辅助评估。首先，提出一种基于类平衡损失的咽喉反流语义分割与诊断（CBD-FCN）算法，通过RFS量表先验知识对电子喉镜图像进行喉部多区域语义分割，该算法有效解决了数据集样本类别不平衡和小目标检测的问题，平均交并比（IoU）提高6.38个百分点，声带沟、肉芽肿和黏液等小目标检出率分别提升4个百分点、18个百分点和75个百分点。其次，针对RFS量表中难量化评估的主观项，通过SE-ResNet和目标区域分割特征进行量化并实现评分。上述辅助评分结果可以有效快速地实现咽喉反流的筛查诊断，实验结果表明，所提方法的诊断正确率达到94.40%。该研究不仅提供了一种创新的计算机辅助咽喉反流量化评估方法，同时也为基于RFS量表的咽喉反流评估提供了诊断参考，有助于咽喉反流相关疾病的研究。

为了进一步提高重构算法的抗干扰能力和鲁棒性，提出了一种基于梯度下降法和牛顿法的全局法，并在此基础上，又提出了基于最优化理论的二分法与牛顿法两类变步长更新策略，使得迭代过程能够自主地选择最佳更新步长。为了充分利用顺序法和全局法各自的优势，制定终止判断准则使二者相结合。仿真和实验数据验证了所提算法的抗干扰能力优于各顺序法的结论，尤其当成像器件的噪声较大时，提出利用暗场图像信息来计算各阶梯度值的方法以减小噪声的影响。并且，上述方法只需要额外的3~5轮迭代过程即可得到满意的结果，时间仅增加了几秒钟。

图像采集时易受背景光的干扰，影响成像质量。激光锁定成像技术利用正弦调制的辅助激光实现了良好的背景光消除，但成本高和安全性不足，且要求图像传感器帧频足够高以满足调制速度。因此对该技术进行扩展，从理论上探讨除正弦波外的其他信号调制辅助光源的可行性和背景光消除机制。采用LED为辅助光源，并利用优化图像采集的控制方式降低对图像传感器帧频的要求。理论研究表明，锁定成像技术辅助光源的调制信号可扩展到一个周期内积分为零的任何波形信号。采用正弦波、方波、三角波、锯齿波调制LED光源的实验结果表明，在一个调制周期内，所提技术采用4种调制波形后在不同采样率下都取得较好的背景光消除效果，且该技术对辅助光源及图像传感器帧频的要求不高，验证了理论的可行性。

汉长安城遗址出土骨签数量庞大，基于数字图像技术的骨签尺寸自动测量方法能够提高工作效率。针对骨签纹理繁多、边缘对比度低导致测量精度不高的问题，提出一种基于分区域自适应阈值Zernike矩的骨签图像尺寸测量方法。首先，利用Canny算子进行像素级定位；然后，对称设定边缘有效分区域，以欧氏距离为比例系数计算各个分区域像素点与中心点的加权灰度值，作为各区域Zernike矩提取边缘的判定阈值，提取骨签亚像素级边缘；其次，引入边缘轮廓判别条件剔除无效纹理，获取骨签图像精确轮廓；最后，使用最小外接矩算法计算骨签不规则轮廓，结合相机标定完成骨签尺寸测量。实验结果表明，与其他方法相比，该方法测量的骨签长宽的均方根误差分别降低1.3 mm和1.2 mm，平均相对误差分别降低3%和6.3%，平均绝对误差分别降低1.23 mm和1.08 mm，能够有效提高复杂边缘轮廓的骨签尺寸测量精度。

在充分兼顾嵌入式三维测量系统对高效性、集成性、通用性以及灵活性等需求的基础上，设计了一种由3个异构核心构成的结构光三维测量系统架构。该多核异构架构层次清晰、结构灵活、通用性强，能兼容多种通用接口的光学器件（相机、投影仪等）。在此架构基础上，结合现场可编程门阵列并行流水优化方法，设计并实现了一种涵盖相位解调、解包裹以及相位深度映射等模块的全流程结构光三维测量系统。实验结果表明，所提方法在测量精度与传统PC平台相当的情况下，大大提高了测量效率，处理13幅1280×800分辨率的图像仅需12 ms，是同类算法在传统PC平台上的11倍。

针对太阳能电池存在的缺陷问题，通过电致发光成像得到相关图像数据集，采用深度学习图像检测算法进行识别。对YOLOv4目标检测算法进行改进，将原算法的主干网络替换为DenseNet121，利用DenseNet121中的密集块对特征图像信息进行密集连接，以提升检测精准度和检测速度；采用Softer-NMS改进原算法中的非极大值抑制（NMS），提高边界框定位精确度，减少误检、漏检数量。由结果分析可知，在使用改进型算法后，模型检测精准度提升5.94个百分点。同时，设置消融实验探究所提改进方法对模型性能的影响程度。在与其他相关算法的参数性能对比中，参数指标表现良好，证明了所提方法的有效性和可行性。

针对高通量荧光显微成像中高密度、低信噪比、亚衍射极限荧光斑点的自动化精准检测和定位问题，基于UNet提出一种轻量级神经网络方法。该方法采用挤压和激发通道层注意力机制和残差模块优化特征信息，构建密度图和偏移量多输出架构，直接执行检测和亚像素定位。在公开数据集和模拟数据集进行实验，所提方法对低信噪比和高密度的荧光点检测优于当前算法，尤其对于达到衍射极限的高密度荧光点，有很好的检测性能，比如在128×128像素具有1200个荧光点并且大部分点达到衍射极限的图像下。所提算法对斑点的识别精度F1分数超过97.6%，定位误差为0.115 pixel，相比最新deepBlink方法，F1提升16.2个百分点并且定位误差减小0.63 pixel。

为进一步提高事件传感器光流估计的精确度，解决平面拟合算法的拟合模型误差问题，提出一种事件传感器平面拟合光流估计改进算法。该算法采用Prim贪婪算法思想，从事件流中提取有效事件，获取最优局部邻近事件集，为后续光流估计奠定基础。同时，采用特征值算法代替传统最小二乘法，结合贪婪算法下事件集内数据的优劣排序，优化平面拟合模型的建立，提高光流估计算法的精确度。实验结果表明，相比于现有的基于平面拟合的事件传感器光流估计算法，该算法在平均端点误差和平均角度误差两个指标上分别约提升20%和11%，有效提升了事件传感器光流估计算法的精确度。

针对工业机器人绝对定位精度不高的现状，提出一种基于双目视觉辨识运动学参数的方法。首先，基于modified Denavit-Hartenberg参数建立机器人运动学模型；其次，规划机器人末端以多空间球形运动，采用双目视觉系统测量不同末端位置相对球心的实际距离，与理论距离对比构造相对距离误差函数；然后，使用粒子群算法迭代求解运动学参数误差，并利用正余弦策略和信赖域优化对粒子群算法进行优化，降低粒子群陷入局部寻优的可能性；最后，对运动学参数进行补偿并对比验证。实验结果表明：距离平均误差由1.1601 mm减少到0.2260 mm，精度提高了80.52%；标准差由0.6582 mm减少到0.1412 mm，精度提高了78.55%，验证了所提方法的高效性和实用性。

为了解决现有的深度学习点云分类方法对局部特征挖掘不充分的问题并提升不同层级特征融合的质量，提出一种基于图卷积和多层特征融合的点云分类方法。首先，构造K邻域图，在此基础上利用改进的边缘函数提取更细粒度的边特征，并使用基于注意力机制的聚合方法获取更具代表性的局部特征。然后，通过多层特征融合模块调整中间特征的通道权值，引入残差连接融合不同层级的特征，加深网络层之间的信息传递。在标准公开数据集ModelNet40上的实验结果表明，相比其他点云分类方法，所提方法的分类性能更好，总体分类精度为93.2%，并且具有较强的鲁棒性。

印刷电路板上连接PIN正位度检测是保证PCB电气可靠性的重要环节，其主要检测PIN缺针、共线度与高度。为满足生产实际需求，提出一种基于双目视觉的连接PIN正位度检测方法。首先，通过双目标定获取相机内外参数，实现图像立体校正；其次，根据先验的相对方位和给定的排列信息生成相应的栅格，基于栅格灰度阈值变化进行PIN缺失检测；然后，分别提取PIN在两个相机视野中对应的特征角点，基于视差原理进行针尖三维坐标计算，实现对PIN的排列共线度检测；最后，提出了基于特征提取的PIN相对高度检测方法，实现了对PIN的相对高度检测。实验结果验证了所提方法的有效性，PIN相对高度检测的平均耗时为125.4 ms，精度达99.535%，重复性精度在±0.05 mm内。

目前的自动光学检测技术受到以下两方面的挑战：难以获取足够数量的缺陷样本，且种类极不平衡；外观缺陷形态多样，种类复杂。上述问题严重影响偏光片外观缺陷的检测精度和效率。基于此，提出一种无需真实缺陷样本的深度对抗异常检测方法。采用编码器捕获条纹结构光缺陷图像的规律性特征，并通过解码器重建出无缺陷图像，再通过一个编码器模块构成无监督对抗网络，最后根据重建图像与样本图像的差异计算异常得分。在训练阶段加入合成缺陷，同时改进目标潜在损失函数，进一步提高检测精度。在一个考虑光照不均衡、噪声、相机畸变等因素的偏光片外观缺陷数据集上的实验结果表明，所提方法测试结果的area under curve达到97.9%，单张图像平均检测时间为19.2 ms，检测准确率为94.6%，均优于GANomaly等方法，验证了其有效性与鲁棒性。

糖尿病视网膜病变是糖尿病最常见也是最严重的并发症之一。为提高对糖尿病视网膜病变严重程度的诊断准确率，进一步为糖尿病视网膜病变治疗的精准用药提供依据，提出一种新型的特征融合网络模型。首先利用轻量化网络EfficientNet-B0提取眼底图像的不同层特征，使用高层特征结合三个不同空洞率的空洞卷积形成多尺度特征。然后引入多尺度通道注意力模块（MS-CAM），赋予高层特征和低层特征新的权重，对高低层特征进行融合，形成最终的特征表征，从而完成对糖尿病视网膜病变严重程度的分类。实验结果表明，所提模型的分类准确率达85.25%，表明其具有较好的可行性，在临床上给医生诊断起到了辅助作用，能更有效地预防糖尿病视网膜病变的进一步恶化。

光子计数激光雷达由于高灵敏度特性使得获取的回波数据存在大量噪声，对数据进行信号鉴别、相关噪声去除是后续进行三维点云数据应用的前提，因此快速提取信号光子具有很大的实际意义。上海技术物理研究所自主研发多通道光子计数激光雷达，对近海面进行数据采集。本实验对局部距离统计去噪算法进行改进，用于预处理后的数据去噪。将改进后算法与改进前算法和两种基于聚类的经典算法进行对比，实验结果表明，所提算法去噪精度为97.80%，运行时间为0.46 s，优于改进前算法和两种基于聚类的算法，满足多通道光子计数激光雷达信息快速提取的实际需求。

针对当前45°镜转扫模式的无人机机载激光雷达扫描效率低、视场角小的问题，提出一种四面塔镜扫描高精度三维成像方法。首先，设计一种面向无人机载激光雷达扫描的四面塔镜结构；其次，建立四面塔镜扫描成像模型，推导四面塔镜扫描坐标方程；再次，分析四面塔镜的轨迹特点和影响因素，并与45°镜的扫描轨迹进行对比；最后，通过实验对比四面塔镜和45°镜扫描无人机机载激光雷达获取的三维激光点云质量。结果表明，在相同转速下四面塔镜的扫描效率为45°镜的三倍以上，扫描点云密度高、厚度小、穿透性好，在高精度地形测绘中具有广泛应用前景。

为探索可靠的激光雷达回波处理方式及研究大气对回波相位的影响，进行了激光雷达回波相干性分析。首先通过建立激光雷达时域模型及搭建实验系统获取仿真和实验大气回波。为排除系统误差的干扰对实验回波提取相位并脉间对齐，再基于归一化协方差函数计算仿真回波和对齐后实验回波的相关系数，发现回波脉间不相干。在证明出射脉冲的高相干性的基础上，硬目标回波的脉间积累可以实现本征频率的增强，而对齐后的风场回波脉间积累的效果远差于非相干平均，表明硬目标的漫反射能保留本征信号的相干性，而风场这类软目标严重破坏回波的相干性。

为解决传统云检测算法难以区分薄云和厚云问题，提高遥感图像云检测准确度，提出一种融合双注意力机制的遥感图像云检测算法。首先，以DenseNet结构为基础构建双注意力模型，引入密集连接模块以降低特征通道数；其次，引入全局上下文模块获取全局上下文信息进一步改善系统性能；最后，引入级联的空洞卷积模块以增大感受野，获取更多的影像全局信息。实验结果表明，与F-CNN、self-contrast、RF、SVM以及Fmask等算法相比，所提算法在薄云和厚云检测中具有更好的检测性能，云像素的综合检测正确率为0.9340、错误率仅为0.0385、误报率为0.0693，并能够有效避免过度检测。

为提高红外图像中目标检测的精度，提出一种基于CenterNet与OMix增强的半监督红外图像目标检测算法（IRCC-OMix）。针对红外图像中锚框先验信息难以确定的问题，利用CenterNet作为主干模型，通过关键点检测红外图像中的目标。由于红外图像标注成本昂贵，引入基于教师学生网络互学习的半监督学习方法，设计基于CenterNet与基于一致性的半监督红外图像目标检测（IRCC）模型。IRCC模型中的随机擦除（cutout）增强可能导致红外图像中的小目标消失，影响模型检测性能，因此采用一种基于目标的图像混合增强方法，提升算法对小目标的检测能力。在公开数据集FLIR上的实验结果表明，IRCC模型的平均精度均值（mAP）达到55.3%，与仅使用有标签数据训练情况相比，mAP提升1.9个百分点，说明该模型能够充分利用无标签数据、提高模型的鲁棒性。基于OMix增强的IRCC模型的mAP为56.8%，与使用cutout增强的IRCC模型相比提高1.5个百分点，取得了良好的检测性能。

针对视觉和激光耦合simultaneous localization and mapping（SLAM）中存在的视觉特征丢失、雷达闭环轨迹矢量漂移和高程位姿偏差问题，提出一种通过扫描上下文回环检测的紧密耦合视觉和激光雷达SLAM方法。采用基于SIFT、ORB特征点检测器的视觉里程计解决特征点丢失和匹配失败问题；通过雷达里程计融合视觉里程计帧间估计消除雷达点云畸变和大幅度漂移；通过扫描上下文进行回环检测，引入因子图优化里程计矢量漂移，消除回环检测失败问题。在多个KITTI数据集中对所提算法进行验证，并与经典算法进行对比，实验结果表明，该算法具有高稳定性、较强鲁棒性、低漂移和高精度。

为解决靶场高速相机在野外大视场测量中标定的问题，提出基于机载标识目标的标定方法，采用机载精确定位标识目标来获取已知点集，并采用基于模拟退火麻雀搜索的方法解算高速相机内外参数。设计易于远距离辨识的机载标识目标，采用事后动态差分进行精确定位，并通过位置修正实现标识目标空间位置精确测量；研究基于模拟退火麻雀搜索标定法，实现高速相机内外参数解算，完成标定。在所设计的验证实验中，所提方法对高速相机内外参数解算的重投影误差为0.43 pixel，交会误差均值为2.5 cm，标定效果和交会精度优于Tsai两步标定法，提高了高速相机远距离标定精度和交会测量精度，解决了对空测量时高速相机的标定问题。

经典的迭代最近点算法对初始位置敏感并可能陷入局部最优解，而如果先进行粗配准调整位姿，又会出现计算时间长的问题。因此，提出一种基于主成分分析的高效点云配准算法。首先，利用主成分分析法得到两片点云的主轴方向；然后，通过两个主轴关系进行坐标系变换；最后，利用轴上轮廓点的距离进行校正，解决主轴反向问题，相较于原本的误差校正极大减小了计算量。实验结果表明：对包含2万多点的点云，基于轮廓距离改进的主成分分析配准算法平均可减少80%的运行时间，计算效率显著提高；同时还可有效处理点云初始位置较差的情况，实现两片点云任意位姿下的快速配准。该算法可实际应用于列车部件的三维点云配准，提高配准效率。

为解决地面点云占比过少、多条公路平面参数不同导致的地面点云移除效果差、运行时间长的问题，提出一种公路地面点云快速移除算法。该算法对传统的随机采样一致性（RANSAC）算法进行改进，通过循环计算高程最低点，并基于该点提取特定范围点云，提高地面点云占比、大幅缩短地面参数获取时间。改进后的算法能够快速移除多条公路地面点云，同时完整保留非地面点。实验结果表明：对于不同场景的公路地面，所提算法均能取得良好的地面移除效果。对于单公路场景，改进算法耗时8 ms，相比RANSAC算法缩短118 ms；对于多公路场景，改进算法耗时57 ms，相比RANSAC算法缩短180 ms。