提出了一种使用多线阵相机、双光源频闪照明成像和分布式并行图像处理技术的锂电池极片涂布涂层缺陷检测方法。该方法使用明、暗光源频闪交替照明，两台高速线扫相机在同一个位置交替分别拍摄明场和暗场图像，既提高了对缺陷的检测分辨能力，也提高了检测效率。在处理环节，该方法使用主从分布式处理架构，使用两台子处理工控机多线程并行处理各自相机的图像数据，并将获得的缺陷数据通过TCP/IP传输至上位处理工控机，进行数据融合与缺陷分类处理。实验表明，使用该方法的锂电池极片涂布检测系统可以实现在线检测，具有极高的实用价值。

针对单光束激光加工QR二维码效率的不足，提出了基于空间光调制器的QR二维码并行加工方法。利用GS反馈算法生成了高均匀性的QR二维码多光束全息图，结合空间光调制器以及飞秒激光在不锈钢表面标刻出能被有效识别的QR二维码。研究了单脉冲能量、脉冲数量、离焦量以及光束均匀性对QR二维码加工质量的影响，通过试验得到了最优QR二维码并行加工工艺参数。

针对激光器单光束加工二维码输出能量大部分被浪费且加工效率低的问题，本文采用了一种多光束并行加工的方法来提高加工效率。仿真研究了QR码加工填充率和对比度对识别率和识别时间的影响，得到了一个二维码可识别范围。然后使用飞秒激光器基于空间光调制器的并行加工技术进行试验，对实验结果的对比度和加工填充率展开分析。分析结果表明，在二维码的识读评价标准范围内，加工填充率越大，识别率越低，识别时间越长；同样，对比度越低，识别率越低，识别时间越长。同时，对单束激光加工二维码进行了实验，分析了并行加工与单光束加工的加工时间等参数的对比，得到并行加工要比单激光束加工提高约10倍的效率。

针对传统GS算法在计算阵列多光束全息图时, 光束均匀性往往只能达到70%左右, 达不到激光并行微加工领域需求的问题, 提出并实现了基于实时图像反馈的GS改进算法。本文分析了计算傅里叶全息图原理并介绍了GS反馈算法, 将该算法产生的阵列光束图样的相位全息图加载到纯相位液晶空间光调制器上, 在远场成功地再现了期望图样, 且光束均匀性均在91%以上, 证明了算法的有效性。该算法实现了任意尤其是阵列位置多光束的高均匀性, 在并行微加工领域有重要意义。

近年来，CPU-GPU异构系统在光学遥感影像数据处理领域的应用得到了广泛关注。首先介绍CPU-GPU异构系统的体系架构及发展历程。其次，介绍光学遥感影像数据处理流程。接下来，对CPU-GPU异构系统在光学遥感影像预处理、后续处理领域应用现状进行介绍。最后对CPU-GPU异构系统在光学遥感影像数据处理系统中的应用进行分析和总结，分析可知，CPU-GPU异构系统在光学遥感影像数据处理领域应用具有可行性且前景广阔，但仍需解决算法并行化设计、优化及CPU和GPU负载平衡等关键问题，这对推动CPU-GPU异构系统在光学遥感影像数据处理中的应用具有重要意义。

飞秒激光凭借其超短脉宽和极高峰值功率,在微纳加工中发挥了重要的优势,而飞秒激光的加工效率制约其在工业领域的应用。近年来,研究者成功将空间光调制器应用于飞秒激光加工,实现飞秒激光加工效率和灵活性的进一步提高。本文综述了近年来硅基液晶空间光调制器在飞秒激光加工领域的研究进展,主要包括多焦点并行加工、结构光场并行加工和矢量光场加工,分析了三种方法的优势和不足。并从光场均匀性和衍射效率两个方面,讨论了近年来对光场质量的研究。最后探讨了该领域目前存在的问题,并对未来提出了展望。

针对相位敏感光时域反射计(Φ-OTDR)信号处理复杂、计算量大、实时性要求高的特点,提出一种基于现场可编程门阵列(FPGA)异构加速计算技术的Φ-OTDR实时信号处理系统。对外差探测式Φ-OTDR信号处理流程进行分析与分解,提出基于FPGA的滑动窗数据帧分割、多通道并行快速傅里叶变换(FFT)计算、频域滤波、短时能量求和等一系列加速计算方法。该系统最终实现在40 km光纤传感距离、2 kHz重复频率与1 m采样间隔下的长时间、实时扰动信号解调与显示,并且具有80%的帧重叠率。该FPGA系统作为异构加速器,能够减轻计算机数据处理压力,保证传感系统高重复频率下的运算实时性,为系统可靠性和稳定性提供了有效保障。

针对传统眼轴长度测量需要分段检测且测量误差较大的问题, 设计了一种具有大探测范围的扫频光学相干层析系统, 实现了对眼轴长度的单次完整测量.提出了自适应峰值点提取与自适应误差校正相结合的算法,实现了大深度干涉信号的重构; 利用CPU-GPU协同加速技术实现了系统的实时测量, 解决了大范围探测数据量大、处理速度慢的问题.对光学眼模型进行实验, 结果表明：该系统对眼轴长度的测量误差为0.01 mm, 优于传统分段测量系统, 系统单次测量时间为0.10 s, 满足实时测量要求.

机载激光雷达(LiDAR)点云数据滤波是目前点云数据处理领域研究的重点。针对目前点云数据滤波的难点,提出了一种基于多尺度虚拟格网和并行计算的改进滤波方法。该方法通过点云数据构建多级虚拟格网,对格网进行多尺度分解,剔除LiDAR数据中的粗差点,获取初始地面点及地物点;根据双向阈值滤波原理,以网格尺度由大到小的顺序逐层进行滤波处理,得到较为精细的地面点,并结合点云数据的并行编程处理,减少了滤波算法的误差积累。实验结果表明:改进算法与其他经典滤波算法相比,滤波精度有了较大的提高,在不同的地形条件下能有效地控制第II类误差,同时减少了总误差,提高了滤波处理的效率和数字高程模型(DEM)的可靠性。

Canny算法在PC机上的执行速度较慢, 这极大地限制了其实用性。本文在前人的研究基础上对算法进行更深的优化和改进。首先在VS2012开发环境下利用数字图像处理技术对原算法进行原理上的改进, 再利用GPU流处理器数量众多的优势以及强大的多线程并发执行能力对Canny算法进行并行加速。在500 pixel×500 pixel的图片上, 对本文算法和原Canny算法进行了实验验证。实验结果表明, 在4 096 pixel×4 096 pixel大小的图片上采用本文的GPU移植算法处理后, 执行速度从80 ms降到了6 ms以内。在不影响边缘检测效果的前提下极大地提高了算法的实用性。