由于表面微细结构的随机分布，实际使用的金属在光反射或热辐射时存在明显的遮蔽阴影效应。现有的双向反射分布函数模型采用分段型几何衰减因子进行表征，难以获得较高的精度。首先，分析了金属表面相邻微面元倾角差异对入射光与出射光产生的遮蔽与阴影效应。然后，基于微面元倾斜角与光线的几何关系对现有积分型遮蔽函数进行修正，用柯西分布表征金属表面微面元的分布，并提出了一种基于遮蔽函数修正的金属表面自发辐射偏振模型。最后，通过实验获取不同金属材料在加热条件下的自发辐射偏振度，以验证修正模型的效果。结果表明，相比现有模型，基于遮蔽函数修正的自发辐射模型仿真结果与实验测量数据更吻合。

热红外成像在人脸识别中具有重要的应用价值，但存在分辨率低、细节不清、边界模糊等不足。通过分析人脸长波红外偏振图像的特征，研究偏振探测技术对人脸热红外成像纹理细节的增强效果；基于高斯差分（DoG）边缘特征图像修正色域通道映射权重，提出一种人脸偏振热像RGB空间融合框架；利用方向梯度直方图（HOG）获取红外偏振人脸特征，提出一种基于支持向量机（SVM）的人脸识别方法。实验结果表明，偏振探测能够增强人脸红外热像的纹理和细节，RGB色域融合可以提高人脸长波红外热像的结构相似性，偏振红外人脸热像的质量指标整体优于普通红外热像；利用偏振红外人脸热像进行人脸识别时，所提框架的精度可达到75.6%。

通过选区激光熔化技术制备316L不锈钢样件，利用扫描电子显微镜和光学显微镜分析了试样的微观组织，研究了激光功率和线能量密度（LED）对成形试样上表面形貌的影响，并以激光功率、扫描速度为输入，基于遗传算法优化反向传播（GA-BP）神经网络对成形样件上表面的粗糙度进行预测。实验结果表明，LED对试样表面形貌和成形缺陷的影响较大，当LED为240 J/m时，熔道平整且连续，GA-BP神经网络预测模型的平均绝对百分误差为6.34%。

红外热像法是检测金属疲劳损伤状况有效的方法，但是忽略了疲劳损伤过程中表面显微结构对自发辐射的影响，难以从微观角度对红外热像特征进行完整解释。金属疲劳是一个复杂的能量耗散过程，自发辐射具有偏振特性。在红外热像法中引入偏振探测，不仅能够获取温度场信息，而且能够获得包含发射率变化的表面纹理信息。基于此，搭建拉伸疲劳实验平台和偏振热像采集平台，以Q235低碳钢材料为研究对象，获取循环载荷作用下金属材料表面的热红外偏振图像，利用灰度共生矩阵（GLCM）提取偏振方位角、偏振度以及斯托克斯（Stokes）参量等热像纹理信息，分析金属疲劳损伤过程中金属材料的表面形貌的演化过程。实验结果表明，金属构件偏振热像纹理特征随着疲劳损伤周次不断变化，共生矩阵统计量呈现一定规律性。

为了研究金属表面的偏振特性,分析光与物体相互作用的物理机理。首先,根据微面元散射特性,将目标表面的反射分为镜面反射、漫反射和体散射,并建立了三分量偏振双向反射分布函数模型。然后,利用非线性最小二乘法对模型参数进行优化。基于开源数据的仿真实验结果表明,相比其他函数,该函数拟合的曲线与实测结果更吻合;且描述不同金属表面偏振特性时的精度更高,能准确反映金属材料表面的反射信息,为研究金属表面的偏振特性提供了新思路。

为克服红外热像法的不足,提出一种基于表面红外偏振热像特征的金属疲劳损伤评估方法。首先给出金属疲劳损伤评估偏振热成像的理论基础,然后通过实验说明疲劳损伤过程表面微观形貌的变化规律,再基于Tsalis熵进行目标图像分割并分析其特征,最后通过主成分分析进行特征选择并构建基于BP(back propagation)神经网络的非线性预测模型。结果表明,模型训练、验证、测试结果与实际实验测量值具有较好的相关性,Q235平板试件的拉-拉疲劳损伤预测平均误差小于20%。

理想光滑表面具有很强的偏振特性,但实际表面通常较为粗糙,造成遮蔽效应明显和漫反射严重。为准确表征粗糙表面偏振特性,基于微面元模型,综合考虑遮蔽效应和漫反射情况下,建立一种改进的六参量偏振双向反射分布函数(pBRDF)模型,在此基础上推导出粗糙表面光学反射偏振度表达式。对铝和黑漆材料的偏振度进行模型仿真,反演其复折射率。结果表明,所提模型仿真值与实验测量值更加吻合,复折射率反演精度更高。对45#钢材料开展pBRDF测量,分析了不同入射角、反射角、粗糙度下偏振度的分布。实验结果表明,六参量模型仿真值与实验测量值均能较好地吻合,通过对漫反射部分建模增加了模型的准确性。该研究可为粗糙表面的探测和分析提供理论基础和方法。

利用非线性扩散滤波构造尺度空间,将Hessian矩阵的弱边缘检测能力与Laplace算子的强边缘检测能力相结合,以Hessian矩阵行列式与Laplace算子之比作为特征判据,提出了一种基于非线性扩散滤波的图像特征检测算法,并对点和线仿真图像、Mikolajczyk标准数据库、SALSA偏振相机获取的真实场景图像进行了性能验证。结果表明,所提算法能够检测出图像的强边缘、弱边缘和角点特征,受光照、对比度影响较小,稳健性好。

为了使融合后的多聚焦图像细节特征丰富且边缘清晰,提出一种基于快速有限剪切波变换(FFST)与引导滤波的图像融合算法。利用FFST将源图像分解为低频系数和高频系数。在融合低频系数时,定义一种改进的拉普拉斯能量和(NSML),并设计一种基于区域NSML的低频系数选择方案;针对高频系数富含细节信息的特点,提出一种基于引导滤波的区域能量加权融合算法。然后,通过逆FFST获取最终的融合图像。对比实验结果表明,所提算法在主观视觉效果与客观评价指标方面都取得了较好的结果。

KAZE特征检测与描述算法在图像匹配方面具有较好的性能。然而, KAZE算法中Perona-Malik(P-M)模型的解不具有唯一性, 而且图像弱边缘在尺度空间中易被平滑。为此, 提出一种改进的KAZE特征检测描述算法(CKAZE)。首先, 基于KAZE原理与能量泛函构建自适应扩散滤波函数; 然后, 研究解的唯一性及图像滤波过程中的边缘保持能力; 最后, 提出CKAZE算法, 利用Mikolajczyk标准数据库图像进行特征匹配实验, 对其性能进行验证。结果表明, 对高斯模糊、光照、旋转缩放、视觉变换而言, CKAZE算法的特征匹配正确率分别较KAZE算法高4.555%、2.138%、0.656%、1.981%, 特征检测和描述的精度提高。