数字全息显微镜（DHM）可以对生物样本的复杂波前进行数值重建，但是物体波前存在二次相位畸变和高阶像差，使得成像物体存在一定的相位像差。基于此，提出一种基于径向基神经网络（RBF）的相位畸变补偿算法。使用RBF网络构建非线性函数，最小化损失函数来估算物体的实际相位，损失函数考虑了全息面和RBF网络的输出。在仿真中以原模型为基准计算全局的均方误差，所提算法的均方误差为0.0374，主成分分析法（PCA）的为0.0470，频谱质心法（SCM）的为0.3303。搭建DHM系统用于HL60细胞的成像幅度和相位对比度观察，结果显示，所提算法能够更好地消除载波频率和相位畸变。所提算法无需了解光学参数，且可以通过调整采样点数量控制计算时间和插值精度，在弱散射物体或微纳结构三维形态测量中具有潜在的应用前景。

为了在多种环境条件下进行快速、高效的运动目标检测，提出一种基于新型背景提取的运动目标检测算法。首先，从视频中读取N帧连续图像，对任一像素位置，将每帧图像与其余图像对应位置依次作差，得到N组包含N个差值的差值序列；然后，基于矩形径向基函数，统计每个差值序列中属于矩形宽度内的差值个数；最后，将最大频率的差值序列所对应的像素值作为背景，通过背景减法提取运动目标。实验结果表明，在数据量一定的条件下，所提方法建立背景与真实背景的结构相似性值比ViBe算法高0.162，运动目标检测结果的precision、recall、F1-measure、假正率指标均优于ViBe算法和GMM算法。即所提算法是一种具有较高的精确性和抗干扰能力的运动目标检测算法。

以凡纳滨对虾为研究对象, 探索一种高效快速无损的新鲜度检测方法。 挥发性盐基氮(TVB-N)是判断虾新鲜度的重要化学指标, 然而传统方法耗时耗力, 限制了大批量的实时检测。 高光谱技术是一种集成图像和光谱信息的分析技术, 高光谱图像上的每个像素包含整个波段的光谱信息, 近年来, 该技术已经被应用于肉类新鲜度检测。 连续8 d采集了样品的860~1 700 nm高光谱数据, 在去除异常样本后确定150组试验样本, 每组采集254维光谱数据, 对原始的高光谱图像进行黑白校正, 并从高光谱图像中提取光谱数据。 为确保所提取的光谱数据和TVB-N指数之间有对应关系, 所选择的感兴趣区域的位置保持固定在虾样本的第二和第四肢。 计算了感兴趣区域的平均光谱以获得光谱数据矩阵, 该矩阵被转换成ASCII码并保存。 同时, 通过凯氏定氮法获得TVB-N真实值含量。 为减少环境和虾表面的高含水量的干扰, 有效地消除不相关的信息和噪声, 预处理方法是多元散射校正(MSC)算法, 并选择出7个敏感波段, 分别为875, 894, 919, 953, 983, 1 024和1 094 nm。 最后, 以120组训练集样本, 建立了凡纳滨对虾TVB-N总量的定量预测模型, 以30组验证集样本, 对比BP神经网络、 径向基神经网络、 主成分分析三种预测模型算法。 BPNN算法预测模型的相关系数(r)和归一化均方根误差(NRMSE)分别为0.902 1和0.214 0, RBFNN算法的预测模型为0.868 3和0.223 0, PCR算法预测模型为0.757 6和0.390 0。 结果表明, MSC-BPNN模型的预测效果最佳, 凡纳滨对虾的高光谱反射率与新鲜度间存在较密切的相关性, 为基于光谱的虾类新鲜度检测提供了支持。

互相关光流混合算法是目前粒子图像测速的主流算法，但是重建速度场精度不高。利用高斯径向基函数插值替换互相关光流混合算法中的双三次插值，减小了重建角度误差。进行朗肯涡流仿真实验，使用高斯径向基函数插值混合算法进行粒子速度场重建，其均方根误差和平均角度误差比传统混合算法分别降低了27.36%和38.32%，并分析了位移和粒径大小对重建误差的影响。搭建了二维粒子图像测速技术（PIV）实验系统，采用粒径为100 μm的聚酰胺粒子作为示踪粒子，进行旋转实验和注水实验，分别模拟涡流场和射流场。采用高斯径向基函数插值混合算法进行速度场重建，可以获得与传统混合算法相近的粒子速度场。

利用基于主成分分析 (PCA) 算法的径向基 (RBF) 神经网络对大气中 SO2 浓度进行滚动预测。以北京大兴地区 2019 年 9 月 1 日至 2020 年 10 月 31 日的气象数据和空气质量参数为基础, 结合逐步回归法筛选出与 SO2 线性相关的参数作为输入样本, 构建 PCA-RBF 预测模型。利用该模型预测北京大兴地区某天的 SO2 浓度, 将预测值保留并作为下一天预测模型的输入参数。以此将预测值不断地向前延伸并进行分析和预测, 从而实现 SO2 浓度的滚动预测。对比 RBF 网络和 PCA-RBF 网络两种模型的预测结果, 其中 PCA-RBF 模型期望值和预测值的误差及相关系数分别为 0.03 μg·m-3 和 0.9989。表明 PCA-RBF 网络模型能精准预测 SO2 浓度变化趋势, 为进一步解决大气污染问题提供技术支持。

基于深度学习的目标检测方法是当前计算机视觉领域的研究热点,但在小目标的检测问题上,基于深度学习的检测器存在较多的漏检。高光谱图像的每个像元包含了物质的光谱信息,能够提升小目标的检测率。然而,高光谱图像的相邻波段相关性高,需要从中选取具备代表性的波段以降低计算冗余。为此,提出了一种高光谱小目标检测模型,使用径向基激活函数(RBAF)进行光谱筛选与目标检测。具体而言,针对高光谱图像波段冗余的特点,利用RBAF设计注意力机制进行光谱维的特征筛选;针对小目标纹理模糊,相对于背景不显著的特点,先对输入图像进行分辨率重建,随后利用RBAF构建径向基目标输出子网络(RBOON),以加强目标分类。为了简化模型,将光谱筛选与分辨率重建整合为注意力分辨率重建子网络(ABRRN),配合径RBOON,检测模型能够筛选特定光谱,抑制虚警,从而提高小目标检测的正确率。高光谱小目标检测实验表明,本研究方法可以使两种检测精度评价指标AP50和AP50:95分别提升5.4%和0.2%,相较其他方法更具备优势。

为了实现对墙面涂料物证的无损鉴别, 提出了显微共聚焦喇曼光谱技术结合多元建模分析的无损鉴别墙面涂料方法。采用不同Savitzky-Golay(SG)平滑多项式次数及平滑点数对分类模型准确率的影响进行预处理, 同时比较了不同分类模型的区分能力。结果表明, 相较于径向基函数神经网络模型, 多层感知器神经网络模型对各样本的区分能力更强, 且经过SG平滑1次多项式结合平滑点数27点预处理后, 多层感知器神经网络模型能够实现对梅菲特等3种不同品牌墙面涂料样本, 以及梅菲特3种不同类型墙面涂料样本100%的准确区分。该方法提高了检验鉴定效率, 降低了检验鉴定成本, 具有一定的普适性。