光波作为信息载体具有高速并行处理二维信息的能力及天然优势。光波的波长、振幅、相位、偏振等为光波的调制提供不同的维度和多种可能，也使得光学加密技术和光学密码系统展现出巨大的应用价值。随着加密数据传输量的急剧增长，在进行加密的同时实现信息的压缩变得愈加重要，因为这将缩短处理这些数据所需的时间并有效节约存储空间。提出广义的光学图像压缩加密的概念，并将压缩策略分为明文压缩、密文压缩和明文密文同步压缩。在此基础上，介绍适合每种策略的具体压缩方法，并通过阐述这些压缩方法在一些实例中的应用，综述了光学图像压缩加密技术的研究进展，也对未来的研究方向进行了展望。

目前，关于荧光流式细胞仪的计量和溯源方面的资料相对有限。为了研究基于荧光检测的流式细胞仪的技术发展并加快其标准化进程，对国内外文献资料进行整合，并总结了荧光流式细胞仪的类别、应用、相关标准化研究进展和关键参数的详细信息，主要包括仪器分辨率、散射光和荧光灵敏度、荧光线性相关系数、检出限、准确性、可重复性和稳定性等。国内外对广泛使用的几种评价荧光流式细胞仪性能的计量方法具有基本一致的标准。各个研究组织与应用领域对于流式细胞仪的性能具有不同的需求，一套完整可溯源的表征流式细胞术的计量标准及其评价方法能够方便实验室之间进行可重复和可比较的研究交流与讨论。

地基大口径望远镜观测时会受到大气湍流的影响，分辨能力严重下降。为应对此问题，成像系统中需要配备自适应光学系统以校正波前相差。然而，自适应光学系统仅能实现部分校正，残余波前畸变导致的图像退化需要通过后续图像复原算法恢复。提出了一种针对泊松噪声天文图像的盲复原算法以提高自适应光学系统校正后的图像质量，该算法在图像梯度域中使用自适应L1范数项精确估计点扩散函数，并使用Richardson-Lucy算法与低通去噪声滤波相结合对图像进行复原。在模拟和真实天文图像上的实验结果表明，与其他算法相比，所提算法能够获得更准确的点扩散函数和更真实的复原图像，并且可在不需要额外信息的情况下显著提高自适应光学校正后天文图像的质量。

提取遥感影像中的建筑物对智慧城市建设有着重要意义。针对传统方法提取背景复杂遥感影像时出现的精度低等问题，提出一种基于U-Net的遥感影像建筑物提取方法（MA-Unet）。该方法主要由编码器和解码器组成。在编码器中，引入卷积块注意力模块，其中通道注意力模块用来筛选更重要的特征，抑制无效特征，空间注意力模块用来筛选更深层次的语义特征，引入空洞空间金字塔池化模块提取不同尺度的特征。在解码器中，为了融合不同尺度大小的物体特征，将解码器中的特征图上采样后进行串联，这种信息聚合在某种程度上解决了不同尺度物体检测困难的问题。实验结果表明：MA-Unet方法在Massachusetts建筑物数据集上的准确率、精度、交并比（IoU）分别优于U-Net网络1.7个百分点、2.1个百分点、1.6个百分点，在WHU建筑物数据集上的准确率、精度、IoU分别优于U-Net网络1.1个百分点、1.4个百分点、2.3个百分点，是一种更为有效且具有一定实际应用价值的目标提取方法。

为了解决水下图像在复杂水体中表现的画面模糊和颜色失真的问题，提出了一种基于HSV分类、CIELAB均衡与最小卷积区域暗通道先验（DCP）的水下图像恢复算法。基于H与S阈值将水下图像分为高饱和度失真图像、低饱和度失真图像及浅水图像等3类。分类后的水下图像分别经CIELAB均衡及自适应图像增强恢复，其中水下成像系统参数通过最小卷积区域DCP估计。实验结果表明，所提算法在图像恢复效果、评价质量和实时性指标上均优于对比算法，其中峰值信噪比和结构相似指数值分别平均提升了26.88%和17.3%，水下彩色图像质量评价值提升了4.3%。

针对低光照环境下现有的目标检测算法普遍存在检测精度较低的问题，提出一种改进YOLOv5的双通道低光照图像目标检测算法（YOLOv5_DC）。首先，通过伽马变换和叠加高斯噪声的方法合成低光照图像，扩充数据集，提高模型的泛化能力；其次，提出特征增强模块，引入通道注意力机制，融合增强图像和原始图像的低级特征，抑制噪声特征的影响，改善网络的特征提取能力；最后，在颈部网络中加入特征定位模块，增加特征图在目标区域的响应值，使网络更关注目标区域，提高网络的检测能力。实验结果表明：所提YOLOv5_DC算法实现了更高的检测精度，在低光照图像目标检测数据集ExDark^*上的平均精度均值（mAP）@0.5达71.85%，较原始的YOLOv5算法，提高了1.28个百分点。

针对局部对比度方法对红外目标进行检测时难以提升目标的显著性及抑制背景困难的问题，提出一种基于特殊预处理的增强局部对比度方法来检测目标。通过快速中值滤波去除高频噪声，通过改进的形态学梯度来抑制背景，通过增强的局部对比度来提高目标的显著性，最后通过自适应阈值来获取需要检测的真实目标。结果表明，同经典人类视觉系统的检测方法相比，所提方法在检测红外弱小目标时具有优越性，在高亮度背景情况下效果更为显著。

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。

基于分块压缩感知理论和随机卷积理论，提出了一种基于混沌卷积的光学图像分块加密方法。首先将图像分为大小相同的分块子图像，针对每个子图像，利用级联混沌系统生成混沌相位模板和混沌振幅模板，将子图像与混沌相位模板进行混沌卷积；然后利用混沌振幅模板进行混沌下采样，获得加密压缩后的分块图像；最后将各分块加密图像复原为最终的加密图像。该方法每个分块子图像具有不同的加密密钥，以提高算法的安全性，混沌卷积过程中采用分数傅里叶变换替代傅里叶变换，以增大密钥空间。对加密方法的抗噪声攻击性、抗裁剪攻击性、统计特性、密钥敏感性等进行仿真实验，结果表明了该方法的可行性和安全性。

鉴别野生菌的种类是预防误食有毒野生菌的重要途径。因此，为了提高野生菌细粒度识别分类的准确率，对卷积模块的注意力机制模块（CBAM）进行改进，提出了一种并行相加卷积模块的注意力机制模块PA_CBAM，将CBAM中的通道注意力模块和空间注意力模块从原来的串行连接改为并行连接并相加，解决了2种注意力模块因串行连接带来的互相干扰问题。另外，参考特征金字塔的思想改进ResNet50，其Top-1和Top-5准确率达到86.03%和97.19%，较原来提升0.86和0.73个百分点；其添加PA_CBAM后在Top-1和Top-5准确率达到88.52%、97.58%，较CBAM模块提高了3.03和0.69个百分点。此外，为了将模型移植到移动端，结合迁移学习，提出了MobileNet_v2+PA_CBAM的识别方法，准确率达到94.87%，较之前提升0.66个百分点。研究表明：提出的注意力机制模块PA_CBAM在野生菌细粒度识别研究中具有更好的识别效果，具有一定的泛用性，并且MobileNet_v2+PA_CBAM训练后模型大小仅为27.8 MB，识别图片的平均耗时仅为1.3 ms，是在移动端部署野生菌识别的理想模型。

针对传统基于暗通道先验的去雾方法容易导致边缘区域和天空区域分别出现伪影和颜色失真的问题，提出了一种基于区域透射率融合的暗通道图像去雾方法。首先，将含雾图像分为非天空、天空及过渡边缘等3个区域。其次，在暗通道结合块透射率估计和点透射率估计分别对非天空区域和过渡边缘区域进行融合，并利用梯度域引导滤波进行平滑处理，得到融合后的暗通道透射率。然后，合成天空区域的亮度透射率和暗通道融合透射率，以获得最终的透射率。最后，利用得到的透射率和改进后的大气光值对图像进行复原，得到去雾结果图像。实验结果表明，与传统暗通道方法相比，所提方法明显更优，其在有效抑制边缘伪影的同时能够较好地保留含雾图像的颜色特征。所提方法得到的去雾图像在主观评价和客观评价方面均能取得更好的结果。

素描行人重识别旨在从可见光行人图像库中查找与给定素描行人图像身份相同的图像。虽然已经有较多的跨模态检索算法可以应用于该类问题，但这些算法的背景设定较为单一，没有考虑到训练集中部分身份的行人仅有一个模态样本，即跨模态身份不一致，这极大限制了算法在实际场景下的应用。为此，提出了基于交叉分类的素描行人重识别网络。该网络包括交叉分类和基于距离的身份信息对齐两部分。其中，交叉分类利用单一模态数据训练的分类器引导编码器从另一模态提取到模态不变的信息。而基于距离的身份信息对齐能够将同身份不同模态间的特征距离减小，同时抑制跨模态身份不一致的影响，进而强化了特征的判别性和鲁棒性。为验证跨模态身份不一致时模型的性能表现，基于Matket-1501数据集生成了新的素描行人重识别数据集S-Market1501，并在该数据集上将Rank-1指标提升了11.0个百分点。同时模型在公开数据集Sketch Re-ID上Rank-1指标达到了60%，所设计的数据集将开源在“https：//github.com/huangdaichui/Sketch_dataset”。

随着人工智能技术的迅速发展与广泛应用，智能化勘查方法正成为刑事科学技术领域新的研究热点，而实现现场勘查照片自动识别与分类是智能化勘查的重要研究内容。面向公安机关实战应用需求，提出了一种基于卷积神经网络的现场勘查照片自动分类算法。基于真实案件照片，建立了现场勘查照片数据集，包含现场勘查照片13164张，负类照片4008张。根据现场勘查照片数据特性，设计了现场勘查照片分类网络（CriSNet），通过对卷积层增加归一化处理以及改进bottleneck模块，实现对现场勘查照片的精确分类。实验结果表明：CriSNet模型的分类精度优于基准网络1个百分点，具有较好的鲁棒性，同时在分辨率低、品质较差的情况下，仍能保持较好的分类性能。

针对雾天图像对比度低、细节模糊的问题，提出了一种自适应动态范围CLAHE的雾天图像增强算法。引入自适应参数T₁和T₂自动调整图像重分配的范围，对传统的CLAHE进行改进，结合同态滤波改善图像过亮、过暗区域；原始图像通过多尺度细节增强算法进行细节增强处理；将处理后的细节图像与同态滤波处理后的结果相结合，达到图像对比度和细节增强的目的。通过信息熵、局部对比度、平均梯度和运行时间4种客观评价指标对图像结果进行对比分析，主观与客观测试结果表明，所提算法可有效增强图像对比度、凸显细节信息，便于雾天图像信息的提取。

目前基于图像级注释信息的主流弱监督目标检测算法常常出现局部定位问题，仅仅关注图像中局部高辨别性的区域，却忽略了完整的目标。为了解决这种问题，提出了一种端对端的基于特征自蒸馏的弱监督目标检测网络（FSD-Net），其中可拆卸的特征自蒸馏模块充分利用不同层级特征表示中的细节信息和语义信息，并通过特征自蒸馏损失约束网络训练，在未增加测试期计算代价的前提下增强了检测器综合性能；同时构造回归分支简单却有效地提取并利用特征中隐性位置信息，并通过改善监督信息生成算法、平衡优化损失等策略进一步改善了弱监督目标检测器的局部定位问题。在Pascal VOC 2007、VOC 2012、MS-COCO等大规模公开数据集上的实验结果表明，FSD-Net拥有比Baseline及近年主流方法更好的检测性能，有效地缓解了局部定位问题。

在复杂动态背景下的运动目标检测往往会产生前景目标提取不完全、将动态背景误检为前景等问题。针对上述问题，提出了一种结合非凸秩近似函数和三维全变分正则项的运动目标检测模型。该模型在原始鲁棒主成分分析模型的基础上，引入非凸秩近似函数来刻画视频背景部分的低秩性，并利用三维全变分正则项在时间和空间上对前景部分进行约束，最后采用交替方向乘子法对该模型进行求解。实验结果表明，所提模型在处理动态背景、恶劣天气等复杂场景时能有效提高运动目标检测的准确性，并且比现有方法具有更好的视觉效果。

现有的青铜器铭文变体种类较少，利用深度学习网络训练容易出现过拟合现象，且深层卷积网络对青铜器铭文细节形态特征提取能力不足，导致铭文分类准确率较低。针对该问题，提出一种融合形态特征的小样本青铜器铭文分类算法。首先，引入形态学算法对铭文进行孔洞填充预处理，降低孔洞对铭文形态结构的影响；其次，调整AlexNet结构，并在各卷积层中引入批量归一化，控制每批随机输入值的分布情况，使输入数据符合正态分布标准，避免网络向单一方向过度学习，抑制过拟合现象；最后，使用speeded-up robust features（SURF）算子提取铭文细节形态特征，并将其与卷积神经网络提取的抽象信息融合，增强分类器的表达能力。在自制青铜器铭文数据集上的实验结果表明，所提算法的分类准确率高达98.86%，优于LeNet5、Vgg13、Vgg16、ResNet、AlexNet 等传统算法，说明改进后的算法能有效解决小样本铭文分类准确率低的问题。

在雨雪纷飞、不停波动的湖面等自然背景下，运动目标检测的准确性会受到巨大影响。因此，在动态背景中将前景目标准确地提取出来是复杂场景下运动目标检测的首要任务。针对现有visual background extractor（Vibe）算法在复杂背景下检测效果较差且易受光照变化影响的问题，提出了一种将Vibe算法与改进局部二值模式（LBP）特征算子结合的运动目标检测算法。首先，计算并保存每一帧的LBP值图像，采用相邻帧补偿策略稳定图像，减少光照对灰度值的影响。然后，使用Vibe算法建立背景模型，用改进的LBP值代替灰度值来进行前景检测。最后，进行形态学操作得到最终的前景目标。实验结果表明，所提算法和其他传统算法相比，对动态背景的抑制效果好，对比原始Vibe算法召回率平均提升25.6%，准确率平均提升12.5%，误检率平均降低22.6%。

为改善基层医疗机构儿童肺炎诊疗水平，提高基层医生分析临床医学影像的效率和质量，提出了一种基于Vision Transformer（ViT）的小儿肺炎辅助诊断模型。首先利用ResUNet对儿童胸片进行肺区域分割，将左右肺区域从胸片中分割出来以降低其他组织对肺炎诊断的干扰。然后，将分割后的图像输入改进的混合ViT模型进行诊断，该模型使用传统卷积神经网络的特征映射作为Transformer的输入，并在卷积神经网络中引入自注意力机制，增强卷积以加强其获取全局相关性的能力。最后，对卷积神经网络的骨干网络和Transformer模型进行端到端的训练，使模型能够达到良好的图像分类结果。在Chest X-Ray Images肺炎标准数据集上进行了实验，实验结果表明，所提模型的肺炎识别准确率、精确率和召回率分别达到97.27%、97.69%和98.60%。即该模型具有较好的可行性，可使基层儿童肺炎的临床诊断准确率得到很大提升。

即时定位与建图（SLAM）应用的场景多样但受限于计算成本。基于此，提出了一种基于自适应特征及闭环优化的激光SLAM算法（FAST-SAM）。采用自适应特征提取方法Better Feature在不同的距离下保证特征提取的准确性，再通过基于随机一致性采样优化的地面特征滤除方法去除不可靠的特征并使特征数量保持稳定，在帧间匹配和闭环检测模块分别采用正态分布变换粗配准与最近点迭代精配准结合的匹配算法及所提两段式闭环检测算法，最终输出激光惯性里程计并建立全局点云地图。在LIO-SAM、KITTI开源数据集及广西大学实测数据集上的实验结果表明，与主流的SLAM算法相比，所提算法在提升精度的同时，将各环节的计算效率提升25.6%以上。

针对人为无法及时从医学图像发现病理特征，最终导致病情恶化的问题，提出一种二次特征提取方法（ω-net），用来对肺、肝脏、细胞及脑质瘤进行分割。首先，将全尺寸的Unet网络作为一次特征提取路径，再将上采样路径的第三层作为起始层，用来扩展二次特征提取路径，以加强特征提取能力。其次，为了建立长期的通道依赖关系以及增强特征的位置信息，在不同的阶段引入两种新型注意力机制进行针对性优化。最后，复现了10种经典网络，在医学图像领域与基准网络Unet对比，所提网络的常用指标平均交并比、敏感性、精确度和准确率最高分别提升了0.0787、0.1287、0.1216、0.0201。经过在4种数据集上的指标数值和可视化结果比较，ω-net的多项性能指标均优于其他网络，证明了该网络的有效性与优越性。

图像去雨指通过去除图像中的雨痕来重构出高清背景图像的过程。目前最广泛应用于图像去雨任务的是深度卷积神经网络。卷积操作的核心是参数共享，这大大减少了计算量并提升了算法的泛化能力，然而这也导致卷积操作无法有效考虑到局部之间的联系和较远的像素点对所操作区域的影响，出现图像去雨中的过平滑现象。结合图网络的思想和机制，提出一个改进卷积方式。首先将所有像素点视为一个图节点，计算相邻像素点之间的相似度，根据设定的阈值判断有无边联系，完成图结构构建后，所得到的邻接矩阵与相似度矩阵会在卷积操作时对卷积核参数进行调整，充分考虑像素点之间的联系与提取拓扑信息。在图像去雨领域若干公开数据集上对多个最新算法进行对比，实验结果显示所提改进卷积的有效性，可以在不增加许多计算资源的前提下有效提升算法的性能。

艺术家创作卡通是一项具有挑战性和耗时的任务。将真实照片自动转换为高质量卡通风格图像的自动技术具有很高价值。提出一种基于生成对抗网络的轻量级图像卡通风格化方法。通过观察卡通绘画行为，将卡通图像风格解耦为平滑表面、稀疏色块、高频纹理3种表示方法。运用生成对抗网络框架学习提取的表示，进而学习卡通图像风格，在生成网络中采用深度可分离卷积和反向残差块来减少网络的参数量与计算成本。为验证所提方法的有效性，进行定性比较和定量分析。结果显示，所提方法能够快速地将真实世界的照片转换为高质量的卡通图像，在时间效率和转换质量方面与已有方法相比有一定优势。

为保证大型光学模块装校装置在装校过程的稳定性和准确性，需要对导向模块进行监测跟踪。针对传统模板匹配跟踪算法在工业应用中存在无法应对目标尺度变化、缺少有效的模板更新策略等问题，提出一种基于动态模板匹配的自适应尺度目标跟踪算法。首先对第一帧图像检测运动目标区域，提取目标模板中心点，生成模板图像金字塔；在之后的每一帧中，先计算各尺度下模板图像和目标图像的相似性，取相似度最大的尺度因子作为尺度变化量，借助动态模板更新策略更新模板；最后融合卡尔曼滤波算法，预测出候选目标范围。在OTB数据集上进行实验，结果表明，所提算法在满足实时性要求的同时，相较于传统算法，重合率提高约21个百分点。

三维扫描获取待测对象点云时，不可避免地会出现噪声点和异常值，严重影响点云平面参数估计和平面拟合精度。随机抽样一致性（RANSAC）和主成分分析（PCA）结合的算法可以有效估计点云平面参数并拟合平面，具有一定鲁棒性，但RANSAC算法每次迭代时都需要判断以区分内点与外点，具有冗余性，对运行效率有一定影响，同时其估计结果也会受到迭代次数的影响。针对以上问题，提出了一种结合最小平方中值（LMedS）和PCA的算法拟合点云平面，并选取3种点云模型进行实验，分别为Semantic3D户外场景点云数据库、线激光传感器获取的零件表面点云及普林斯顿大学的室内数据集。实验结果表明，在十万数量级点云中，LMedS算法可以有效估计点云平面参数，与RANSAC算法相比，LMedS算法不仅可以有效估计平面模型，且运行速度有一定提高，耗时少，两者的精度相当，是一种具有较强鲁棒性和优势性的点云平面拟合算法。

针对多目标位姿估计过程中点云局部特征存在类间错误匹配的问题，提出了基于点云实例分割的鲁棒多目标位姿估计算法。首先，基于密度聚类对场景点云进行分割得到点云簇，并用快速点特征直方图（FPFH）描述子对分割后的点云簇进行局部特征提取；然后利用随机森林算法对聚合后的点云簇的局部特征进行分类，完成点云实例分割；之后对于场景中每一个分割后的实例，采用近似近邻快速库（FLANN）匹配算法对场景实例和模型进行特征匹配，得到实例分割后的点在对应类别模型上的匹配点，利用随机采样一致（RANSAC）算法以及最小二乘算法计算初始位姿；最后经过点到平面迭代闭合点（ICP）算法得到每个实例的精确位姿。在CV-Lab 3D合成数据集以及UWA真实采集数据集下的实验结果表明，相比直接匹配模型和全部场景点的局部特征进行多目标位姿估计，所提算法能够有效提升局部特征匹配阶段的内点概率，从而提升复杂场景下位姿估计的鲁棒性和准确率，尤其适用于场景中具有多个实例的位姿估计应用。

纳米颗粒成像过程中，离焦位置的粒子团簇和大颗粒杂质产生明亮的弥散斑，导致现有的对焦算法无法实现自动对焦功能。利用基于大津算法的二值化分割和形态学开闭方法，使离散的弥散斑聚合为一个区域，并利用连通域标记方法筛选剔除大面积的光斑区域，构造四邻域水平-对角平方函数和阈值四邻域水平-对角开方函数，将函数分别作为粗对焦和精对焦的评价指标，提高了自动对焦搜索的准确性和可靠性。实拍离焦序列图，并与5种常用的评价算法进行对比，结果表明所提自动对焦评价算法具有良好的鲁棒性、无偏性和单峰性。

为了能够在图像质量评价领域实现自监督学习，提出一种基于半监督学习的双分支网络训练的无参考图像质量评价算法。它是具有两个分支的训练过程，其中在一个分支使用少量手工标记数据样本来进行有监督学习，在另一个分支进行自监督学习来辅助前者训练同一个特征提取器，自监督学习部分采用几种传统的全参考方法联合为训练样本打上软标签。在6个公开的图像数据库中进行大量实验，结果表明所提算法不仅在合成失真图像数据集上优于目前大多数方法，而且在真实失真图像数据集上具有良好的泛化性能，预测结果与人类主观感知表现一致。

针对轻量化网络在目标检测中检测精度低的问题，提出了一种以MobileNet为基础网络的轻量级目标检测网络MobileNet-RFB-ECA。针对目标多尺度特性，采用基于轻量化扩充感受野模块（RFB）的特征金字塔网络结构增强网络对目标多尺度特性的适应性。与此同时，针对复杂注意力模块导致计算量大的问题，在主干特征提取网络添加有效通道注意力机制模块（ECA），提高卷积神经网络的性能。实验结果表明，相较于MobileNet，所提MobileNet-RFB-ECA在PASCAL VOC数据集和KITTI数据集上检测精度分别提高了4.2个百分点和15.4个百分点，模型大小分别为50.3 MB和48.5 MB，平均检测速度为34 frame·s^-1。

为了减少X射线的辐射剂量，提出了一种基于全广义变分约束加权最小二乘的低剂量计算机断层（CT）重建方法。首先对投影数据进行统计建模，然后将全广义变分正则化作为先验信息引入到投影数据恢复过程中，从而达到抑制噪声的目的，最后使用传统的滤波反投影算法进行CT图像重建。在Shepp-Logan体模实验中，提出方法的重建结果与Gibbs先验约束的惩罚加权最小二乘（Gibbs-WLS）、字典学习先验约束的惩罚加权最小二乘（DL-WLS）和全变分先验约束的惩罚加权最小二乘（TV-WLS）方法的重建结果相比，均方根误差分别降低了25.06%、1.50%和15.21%，信噪比分别提高了10.29%、0.53%和5.68%。在Clock体模实验中，提出方法的重建结果与Gibbs-WLS、DL-WLS和TV-WLS方法的重建结果相比，均方根误差分别降低了42.72%、23.45%和34.63%，信噪比分别提高了27.04%、11.42%和15.49%。实验结果表明，该方法在有效抑制低剂量CT图像的伪影和噪声的同时可以很好地保持图像的边缘信息和结构细节特征。

现有的图像超分辨率重建算法大多具有极深的网络结构导致参数量过大，并且不能充分提取特征。为了解决以上问题，提出了一种基于增强型多尺度残差网络（EMSRN）的图像超分辨率重建算法。该网络主要由多个增强型多尺度残差块（EMSRB）组成，通过使用残差块和并行的多空洞率的空洞卷积组构建该模块的骨干结构，获取了图像的局部和全局多尺度特征的同时有效减小了网络参数量。在模块最后使用通道注意力机制自适应地对提取到的特征进行加权，使网络更多地关注高频信息。实验结果表明，比起基础的多尺度残差网络，所提算法将峰值信噪比（PSNR）提升了0.53 dB，结构相似性（SSIM）达到了0.9782。相比于增强型深度超分辨率网络，参数量仅为其31.7%，却取得了近似的重建表现。

针对显微镜观测动态平面目标时的自动对焦需求，提出一种基于图像清晰度评价的显微镜静/动态自动对焦方法。首先，根据对聚焦-失焦图像特征的分析，建立加权Tenengrad评价函数评估方法和图像分块对焦窗口模式。其次，针对搜索过程中的局部极大值问题，利用模拟退火理论建立对焦搜索模型。最后，为了对动态图像进行评价，利用图像模糊法来判断动态无参考图像失焦水平。在此基础上，形成了静态调焦模型，动态失焦检测与实时对焦模型。通过搭建显微镜自动对焦实验平台，结果表明：该静态调焦模型能够使显微镜快速准确地静态自动调焦，动态失焦检测和实时对焦模型能够使显微镜满足在动态观测下离焦检测和实时调焦的要求。

针对多传感器管道缺陷检测数据融合精度不高的问题，提出了一种改进鸟群算法（IBSN）与加权正则化极限学习机（WRELM）相结合的多传感器检测管道缺陷数据融合方法。首先，利用电磁超声导波、漏磁以及涡流检测设备采集管道缺陷数据，将高斯核函数样本权重矩阵和正则化参数引入极限学习机中，建立WRELM数据融合模型；而后，通过引入混沌变量和高斯扰动、优化警惕行为以及改变飞行行为中步长因子来优化鸟群算法，采用IBSA优化WRELM输入层到隐含层的连接权值和隐含层的偏置；最后，利用多仪器检测管道缺陷数据融合平台进行实验分析。实验结果表明：采用IBSA-WRELM的多仪器检测管道缺陷数据融合模型的误差最小，仅为2.33%，有效提高了多仪器检测管道缺陷数据的融合精度。

针对现有的高斯噪声去除方法的边缘保持能力差、去噪图像对比度低等缺陷，提出一种带边缘增强的双树复小波阈值去噪方法。充分利用双树复小波的平移不变性和多方向选择性等优秀特性，根据高斯噪声的数学模型，由假设推导出一种自适应的双树复小波阈值去噪模型；提出一种多向梯度算子，对由阈值去噪模型得出的去噪图像进行边缘提取；最后对边缘图像与去噪图像进行线性有参叠加，得到边缘增强的去噪图像。实验结果证明，所提方法具有良好的去噪性能、边缘保持能力和快速的计算效率。

尽管传统的立体匹配模型在精度和鲁棒性方面都表现出了良好的性能，但在弱纹理和深度不连续区域的视差精度问题依然存在。针对上述问题，提出了一种基于改进匹配代价和均值分割的最小生成树立体匹配算法。首先，在匹配代价计算阶段，通过Census变换进行初始匹配代价计算，利用Sobel算子对输入图像进行边缘信息提取，将提取后的图像边缘信息与Census变换后的匹配代价值进行融合，并将其与基于图像亮度信息的代价值进行非线性融合，以提高匹配代价的精度；然后，使用最小生成树代价聚合模型进行聚合操作并利用赢者通吃策略估计图像的初始视差；最后，在视差优化阶段，采用MeanShift算法对图像进行分割，结合图像的轮廓信息对误匹配点进行修正，进一步提高在弱纹理及边缘区域的视差精度。实验结果表明，与一些传统算法相比，所提算法具有更高的视差精度，且视差图的边缘、纹理较其他算法更为平滑，具有更强的鲁棒性。

相机链式路基沉降监测系统通过图像式测量的方法可以实现高精度、非接触的铁路路基沉降监测。图像式测量的精密性和灵敏性对准确快速评估系统性能提出了要求，需要变定期维护为动态维护，提出了利用光斑图像质量反映系统性能的策略。引入了边缘清晰度、相对亮度、图像信息熵、光线垂直程度4个参数用以评估光斑质量，应用层次分析法和熵权法确定上述参数所占权重，构建了光斑质量综合评价模型，完成了模拟实验和现场实验。模拟实验结果表明，该模型能很好地跟踪光斑图像质量分数变化，具有较好的灵敏性；现场实验结果表明，该模型评价光斑质量结果准确，分析得出设置质量分数阈值为0.95，定位误差小于1 mm（沉降测量规范中允许误差范围）。当光斑图像质量分数持续未达到阈值且超过静置时间时，系统需要维护，实现了系统状态实时监测以及动态维护功能。

针对单样本目标检测样本量较少的问题，提出了一种基于跨域学习的方法。该方法从数据增强的角度出发，增加其他域的数据集作为辅助，增强网络学习能力，同时为解决不同域间存在差异的问题，提出了一种基于图片尺度和实例尺度的跨域学习算法，分别对输入的图片特征与检测网络的候选特征增加域分类器模型，用于增强网络对跨域数据的背景和目标的域适应能力。在两个不同的跨域场景进行实验，其中在PASCAL VOC数据集上与目前主流的单样本目标检测算法进行比较，超过目前最好算法2.8个百分点，从而证明了本文方法可以有效提高单样本目标的检测性能。

针对X光行李图像安全检测过程中存在物品高度重叠遮挡及复杂背景干扰等问题，提出了一种融合注意力机制、数据增强策略与加权边框融合算法的改进YOLOv5网络模型用于X光违禁品检测。模型在Neck部分引入卷积注意力模块加强网络对违禁品深层重要特征的提取，抑制背景干扰；训练阶段采用Mixup数据增强策略模拟带有高度重叠及遮挡物品的检测场景，加强模型复杂样本的学习能力；测试阶段采用加权边框融合算法对冗余预测框进行优化，提高模型精准预测能力。所提模型在3个大型复杂数据集SIXray、HiXray、OPIXray进行了测试，平均精度均值分别达到了89.6%、83.1%和91.6%。结果表明：所提模型能够有效提高YOLOv5检测复杂违禁品的能力，与现有诸多先进算法相比，具有较高的准确率和稳健性。

针对传统表面缺陷检测无法适应工业复杂背景等问题，提出一种基于特征金字塔匹配和自监督的表面缺陷检测算法。首先，将两个基于通道注意力的残差网络提取的特征构成金字塔，根据网络各层输出的差异找到缺陷。其次，网络预训练的方式上采用了自我引导潜能（BYOL）自监督学习，经过自监督学习的网络可以提取通用特征，并提高缺陷检测方法的泛化性。最后，在遇到模糊图像时，采用基于不同分辨率的蒸馏训练来让学生网络充分学会提取图像的深度特征。对所提算法在3个数据集上进行了测试，实验结果证明，所提方法好于对照组，具有更高的缺陷检测精度。

针对跟踪运动目标过程中网络对目标被遮挡或目标周围存在干扰物敏感，从而导致不可靠的响应位置和错误跟踪框的问题，提出一种基于深度学习的免锚框孪生卷积网络跟踪方法。首先，通过非局部感知网络来学习目标引导的特征权重，该权重用于细化目标模板分支和搜索分支的深度特征，以监督的方式利用两个分支特征的远程依赖性，从而有效抑制噪声干扰。其次，进一步开发一个包围框感知块将多维回归特征与跟踪质量相关联，这个模块加强目标模板分支和搜索分支之间的相互作用，提高网络定位准确性。在标准数据集上的实验结果表明，所提方法能实时跟踪目标，并在准确度上获得提升。

针对通用的目标检测算法在检测生活场景下的多类目标时检测精度低、速度较慢的问题，提出了一种基于注意力机制改进的轻量级目标检测算法YOLOv4s。该算法以CSPDarknet53-s作为主干特征提取网络提取图像特征，通过注意力模块进行特征选择，再利用特征金字塔网络对特征进行融合，最后通过检测头分别处理特征融合后的两个输出，进而提高对生活场景下多类目标检测的能力。实验结果表明：相比改进前的算法，YOLOv4s算法在PASCAL VOC数据集上的平均均值精度（mAP）及MS COCO数据集上的平均精度（AP）都有一定程度的提升；相较于轻量级算法Efficientdet，YOLOv4s算法在MS COCO数据集上的AP也有一定提高，并且实现了有效的显著目标检测。

针对传统方式检测钢板表面缺陷存在检测精度低、检测速度慢的问题，提出一种改进YOLOv5s算法。首先，使用基于交并比（IoU）度量距离的K-means算法对钢铁数据集进行重新聚类，获得多组锚框，通过遗传算法对其进行变异运算，得到与全体标注框更匹配的多组锚框；其次，在Mosaic数据增强上融合MixUp，抑制过拟合，提升模型的泛化能力；然后，对网络结构进行改进，融入注意力模块，进一步提高了网络的特征提取能力；最后，针对难识别样本，在损失函数中融入Focal loss，提高网络的收敛速度与检测精度。实验结果表明，改进后的YOLOv5s算法在测试集上的平均精度均值（mAP）可达78.4%，比原始的YOLOv5s算法提高了3.0个百分点，速度上与原始YOLOv5s基本持平。所提算法在保持高检测速度的基础上，检测性能也优于DDN、Faster R-CNN和YOLOv3。

CT图像肺结节大小、形状和纹理的多样性，导致肺结节的良恶性诊断十分困难。在三维卷积神经网络的基础上，提出了一种基于多深度残差注意力机制的网络（MDRA-net），用于良恶性肺结节分类。MDRA-net通过在残差分支上使用特征融合及迭代分层融合的方法，提升了网络对结节位置特征及全局特征的感知能力；此外，结合注意力机制，引入projection and excitation模块，利用空间和通道信息进行校准，进一步提升了网络提取特征的能力。在LUNA16数据集上的实验结果表明，MDRA-net分类模型的肺结节检测准确率达96.52%，灵敏度和特异性分别为93.01%和97.77%，较现有的基于深度学习的肺结节良恶性分类模型有较大提升。

光学相干层析技术（OCT）作为一种实时、无创的高分辨率成像手段，能够使用特征提取算法获得丰富的图像信息，为疾病的诊断提供客观依据。利用OCT对17例甲状腺正常组织与乳头状癌组织进行成像。针对甲状腺组织图像的特点，使用灰度共生矩阵（GLCM）、灰度直方图（GH）、中心对称自相关（CSAC）和Laws纹理测度（LM）4种算法提取图像特征值，并结合支持向量机（SVM）算法定量地评估不同特征组合的识别性能。结果显示，GLCM-GH-LM组合性能最优，能够从多个方面获得图像的纹理和灰度特征信息，灵敏度、特异性和准确度分别高达96.3%、92.2%和94.3%。研究表明，基于特征提取和机器学习的算法对甲状腺乳头状癌OCT图像进行量化分析及识别时不仅可以提供实时的监测图像，还对甲状腺恶性肿瘤临床诊断具有重要的参考价值。

近年来，遥感图像场景在监测环境、勘探地球资源及预测自然灾害等方面有着越来越广泛的应用，大量的数据需求推动了遥感图像场景分类的快速发展。尽管基于深度学习的方法已经在场景分类方面取得了比较好的性能，但如何对背景复杂、尺度变化剧烈的遥感场景进行有效识别仍然是分类任务中的一个巨大挑战。为了解决这一问题，提出一种细粒度方法来检测显著区域，并使用全局分支和局部分支将整体和局部联合起来，分别从整幅图像和关键区域提取全局特征和局部关键信息。为了验证所提方法的有效性，基于ResNet18模型在三个公共遥感图像场景分类数据集上对不同方法进行对比实验，实验结果表明所提方法的准确率优于大多数先进方法。

为了从高分辨率遥感图像中准确地分割出地物目标，提出了一种多级特征优化融合的遥感图像分割网络（MRFNet），着重将特征提取骨架网络中不同层级的特征图进行融合，通过融合网络特征图中不同种类的信息来对输出特征图信息进行合理有效的提取和分析。同时使用了逐层的多尺度编码解码模块来细化与高层特征图进行融合的浅层特征图，将不同种类的信息经过优化以后汇聚到高层特征图。然后采用空洞卷积金字塔对高层特征图提取不同感受野的信息，优化了语义分割的输出特征图。通过在ISPRS Vaihingen数据集上进行实验，该网络算法的总体精度达到了90.34%，与经典语义分割网络相比，有效提升了遥感图像目标的检测精度。同时为了证明算法的泛化性，在ISPRS Potsdam数据集上进行了泛化实验取得了91.47%的总体精度，证明了该算法的有效性。

针对遥感图像的运动模糊问题，提出一种基于局部最大和最小强度先验的遥感图像盲去模糊方法。该方法利用遥感图像局部像素强度的稀疏性作为先验条件，使用简单的迭代阈值收缩方法求解潜像和模糊核，再由非盲反卷积算法得到去模糊图像。实验结果表明，所提方法能提高计算效率，对于可见、红外遥感图像，均能有效恢复图像的纹理细节，抑制伪影，提升了复原图像的主观效果与客观评价指标。

为了提高影像阴影去除的效果，提出一种基于最小噪声分离（MNF）和生成对抗网络（GAN）的影像阴影去除算法。它以GAN作为基本框架，在生成器和判别器中分别引入条件信息，采用端到端共同学习的多任务模式。生成网络采用编码解码结构，判别网络采用马尔可夫判别器结构。此外，此算法使用MNF，将消除噪声的影像灰度化后与阴影影像一起训练，进而恢复无阴影的影像。这样的网络在训练时可以专注于MNF变换后的单独特征嵌入，而非传统的跨任务共享嵌入。实验结果表明，在指定数据集上，所提算法的结构相似性（SSIM）的平均值达0.9780，像素均方根误差（RMSE）的平均值减小到9.8717。在主观感知和客观评价指标上，所提算法的实验结果均优于对比算法。

转炉炼钢终点温度的精确控制能够提高最终出钢的质量。为了提高终点钢水温度的预测精度，使用一种修正的比色测温法计算炉口火焰温度，通过改进的竞争性自适应重加权算法提取火焰光谱特征波长，最后将图像和光谱特征融合分析，建立炼钢终点温度预测模型。模型预测结果的均方根误差为15.8556 K，预测误差在±20 K内的准确率为87.50%，±30 K内的准确率为95.00%。与单独使用图像特征或光谱特征建立的模型相比，所提模型的预测误差最小，准确率最高。所提模型能够有效地预测转炉炼钢终点温度，满足炼钢生产的现场要求。

通过寄递渠道传播的含有非法添加成分的减肥药物是公安机关侦办食药环犯罪的重点打击对象。为快速鉴别此类药物，本研究采用分子光谱分析技术，对含艾司唑仑、西地那非、西布曲明、氟硝西泮、唑吡坦等5种精神管制类药物成分的“减肥药”进行检验，获取了145组光谱数据。采用主成分分析提取主成分因子对数据降维。基于所提取的20维数据，建立FDA模型、KNN模型、SVM模型并进行对比。在模型1中构建3个Fisher判别函数对5类样品进行判别，准确度达到100%；在模型2中K值的变化会影响分类器精度，通过对K值的调整能够快速对5类样品进行分类，准确率达到100%；在模型3中选用RBF核函数，分别对比唑吡坦与其他4类减肥药物分类效果，准确率均达到100%。通过实验中的数据集对唑吡坦不同品牌的样本进行识别和对实际案件进行分析，对公安机关侦办此类案件具有一定参考。