数字光弹性应力分析中常用相移法确定等倾线和等差线，最广泛应用的是十步相移法，针对单色光入射引起的等倾线耦合等差线的问题，增加采集白光入射4幅图像，使用不同光弹图像集分别计算等倾线和等差线，测量精度更高但操作复杂、效率较低。本文提出一种优化的六步混合相移方法，将十步相移法的6+4测量方法缩减为3+3的六步测量方法。用仿真模拟实验对本文方法进行误差分析，验证了其具有良好的抗噪性能和相移误差抗干扰能力。真实实验结果表明：与传统六步相移法相比，本文方法有效解决了等倾线耦合等差线以及波片失配误差的问题；与十步相移法相比，本文方法与其等倾线平均偏差约为0.01 rad，等差线平均偏差约为0.09 rad，在提高40%采集效率的同时保证了测量精度。

图像增强可以分为全局增强和局部增强两种技术，当前基于局部的图像增强技术无法准确地对目标和背景进行分割且难以自适应地对分割区域进行增强。本文提出了一种区域自适应多尺度强光融合算法用于红外图像的增强处理。该算法首先使用语义分割技术完成目标区域和背景区域的划分，然后使用改进后的多尺度强光融合算法分别对各区域进行自适应增强。实验结果表明，所提算法的增强效果均优于当前主流算法，图像增强的视觉效果更真实。

基于卷积神经网络的图像超分辨率算法可以分为图像尺寸放大和图像细节恢复/增强两个步骤，在细节恢复过程中，卷积层直接从输入图像中学习特征并将该特征作为下一个卷积层的输入数据。为了加强输入图像和卷积层各通道图像的特征表达能力，提出了一种新的卷积神经网络算法，该算法对输入图像和通道图像进行选择性灰度变换而增强特征表达的能力。实验结果表明，在公共红外图像数据集和实验室采集的红外图像数据集上，所提方法的超分辨率重建效果均优于当前的几种典型算法，能够恢复的细节信息更多。

为快速准确根据测得的梯度场重建表面面形, 针对基于最小二乘全局积分的重建技术, 采用紧致差分算子建立全局最优化的代价函数以提高重建精度, 将代价函数表示为Sylvester方程, 利用Hessenberg-Schur算法求解, 将常用最小二乘全局积分技术的空间和时间复杂度分别从O(N2)和O(N3)降低到O(N)和O(N3/2)。实验结果表明: 采用四阶精度的紧致差分算子时, 文中算法重建精度比高阶截断误差最小二乘积分法(HFLI)和全局最小二乘法(GLS)提高了一个数量级, 采用六阶精度的紧致差分算子时重建精度比基于样条的最小二乘积分法(SLI)提高了一个数量级; 鲁棒性优于GLS, 弱于HFLI和SLI; 重建速度显著优于HFLI和SLI, 略优于GLS。

针对已有的相对角差法面形检测的原理验证装置,提出了一种具有更高稳健性的最小二乘积分面形重建算法。利用相对角差改写了经典最小二乘积分技术的代价函数,避免了积分重建中的测量误差累积的问题,空间复杂度和时间复杂度仍分别为O(N²)和O(N³)。仿真结果表明,本文算法的稳健性显著优于Zernike波前重建法与基于样条的最小二乘积分法(SLI);实验结果证明,本文算法可适用于大口径角差法面形检测。

针对现有的基于卷积神经网络的车辆目标检测算法不能有效地适应目标尺度变化、自身形变以及复杂背景等问题, 提出了一种融合多尺度上下文卷积特征的车辆目标检测算法。首先采用特征金字塔网络获取多个尺度下的特征图, 并在每个尺度的特征图中通过区域建议网络定位出候选目标区域, 然后引入候选目标区域的上下文信息, 与提取的目标多尺度特征进行融合, 最后通过多任务学习联合预测出车辆目标位置和类型。实验结果表明, 与多种主流检测算法相比, 本算法具有更强的鲁棒性和准确性。

针对红外与可见光双波段夜视图像增强提出了基于oRGB颜色空间的彩色融合算法。选择亮度与颜色分离的对立色颜色空间, 应用多尺度Top-hat变换方法将红外与可见光增强融合图像作为伪彩色图像的亮度分量, 根据双波段图像的差异性并结合参考图像色调构造颜色分量; 为避免线性变换的颜色传递方法容易造成灰度级压缩或过饱和情况, 在分析颜色传递机理的基础上, 使用非线性的直方图匹配方法实现颜色传递。实验结果表明, 融合图像的颜色分布更自然, 纹理细节、整体亮度和对比度等视觉特征表现更优。

针对旋翼式无人机视觉着陆过程中位姿估计精度低、适用距离小的问题，研究了一种基于分级合作目标的融合位姿估计方法。首先，通过分级合作目标的质心相同和固定面积比等属性确定目标区域，并利用LSD直线提取方法获取特征点坐标信息。然后，利用Tsai方法与快速四点方法的融合方法进行无人机位姿参数估计。实验结果表明，分级合作目标增大了无人机位姿估计的适用距离，且该融合方法提高了位姿参数估计精度。

针对视频序列的稳健性目标跟踪问题,提出一种基于卷积神经网络(CNN)与一致性预测器(CP)的视觉跟踪算法。该算法通过构建一个双路输入CNN模型,同步提取帧采样区域和目标模板的高层特征,利用逻辑回归方法区分目标与背景区域;将CNN嵌入至CP框架,利用算法随机性检验评估分类结果的可靠性,在指定风险水平下,以域的形式输出分类结果;选择高可信度区域作为候选目标区域,优化时空域全局能量函数获得目标轨迹。实验结果表明,该算法能够适应目标遮挡、外观变化以及背景干扰等复杂情况,与当前多种跟踪算法相比具有更强的稳健性和准确性。

针对线结构光三维形貌测量中大量噪声易干扰激光条纹中心提取准确度的问题, 提出了一种条纹亚像素中心提取方法。分析条纹图像中的噪声, 采用平均法和中值滤波预处理图像; 利用迭代阈值分割及形态学方法, 获取条纹目标, 引入距离变换提取条纹的像素级中心; 根据像素级中心、二值信息及光强灰度, 结合曲线拟合及重心法精确提取条纹的亚像素中心。仿真分析和实验验证下, 相邻行条纹中心列坐标最大偏差值像素小于2 , 平均偏差像素值约为0.3, 与传统方法相比, 2项指标值更小。实验结果表明, 算法有效利用条纹灰度分布规律, 可降低噪声对中心定位精度的影响, 更逼近条纹真实中心位置, 抗噪能力极强。