提出一种基于超分辨率结合组稀疏表示模型的多聚焦图像融合方法.首先, 使用双三次插值方法增强源图像的分辨率及源多聚焦图像信息; 然后采用自适应稀疏表示学习字典分别对没有明显主导方向和特定主导方向的图像块进行学习, 并采用组稀疏表示模型对源多聚焦图像进行稀疏系数表示; 最后采用最大l1范数来选择最终的表示系数向量.实验结果表明, 所提方法克服了多聚焦图像融合易出现的低空间分辨率和模糊效果的缺点, 具有更好的对比度和清晰度, 主观视觉效果和客观指标均优于传统多聚焦图像融合方法, 在三组图像融合结果的互信息指标上分别领先0.37、0.38和0.32.

分布式压缩感知是用尽可能少线性测量值来表示一个联合稀疏信号。分布式压缩感知联合重构算法是以信号集中的某个信号为边信息，根据信号集中信号之间的相关关系来重构信号的算法。为了解决已有重构算法的复杂性以及减少重构算法所需的测量值数，提出了两种新的分布式压缩感知联合重构算法。对提出的两种新算法在信号和图像处理上进行了实验，验证了其可行性与先进性。结果表示,这两种联合重建算法在获取相同的图像质量时需要测量值更少。

为了得到每个发光二极管(LED)灯点对某些目标位置的贡献量, 以便获得、记录或重现特定的LED照明模式, 本文对控制LED灯点的脉宽调制波形(PWM)的参数(振幅、频率偏移量、相位延迟)估计问题进行了研究。首先,将频率偏移-相位延迟空间离散化成网状格点空间, 根据测量到的数据在格点空间具有稀疏性的特点建立了稀疏模型。然后, 基于该稀疏模型, 利用正交匹配追踪算法(OMP)用很少的采样点快速地重建出未知参数。最后, 采用逐级迭代细分网格技术优化稀疏模型以便有效地抑制估计误差。实验结果表明, 本文方法仅使用相当于奈奎斯特采样定理要求的27.5%的采样点即可准确地重建未知参数, 从而快速估计LED灯点的参数。在理想情况下, 本文算法的均方根误差小于0.68%。另外, 不同噪声条件下的对比实验说明该算法在信噪比大于20 db时鲁棒性较好。

在LED照明应用中，为了能够获得、记录或重现特定的照明模式，要求检测装置可以测量出每个LED灯点照明空间中某一位置时的独立"贡献量"，这可以归结为对驱动LED工作的脉宽调制波形(PWM)的参数(振幅、频率偏移量、相位延迟)估计问题。为了达到参数估计的目的，首先将频率偏移空间和相位延迟空间离散化成二维网状格点，然后根据检测装置测量得到的数据在格点空间具有稀疏性的特点建立稀疏模型。接着，采用正交匹配追踪算法(OMP)，用很少的采样点快速有效地重建未知参数。最后，为了有效抑制估计误差，本文使用了一种逐级迭代细分网格的技术作为前面稀疏模型的补充。实验结果表明，本文方法仅使用相当于奈奎斯特采样定理要求的27.5%的少量采样点就完成了快速估计的任务，同时，不同噪声条件下的对比试验说明算法在信噪比大于20dB时鲁棒性较好。

形态成分分析是一种基于稀疏模型的图像分析算法, 其中心思想是根据信号组成成分的形态差异性选择两个合适的字典分别用来表示纹理部分和边缘卡通部分, 具有良好的图像修复特性。传统上字典的选择需要由使用者根据图像内容人为确定。提出一种基于图像内容的自适应字典选择方法, 根据最小能量在字典集合中选择最适合当前图像的字典并对图像进行修复。实验证明, 该方法具有良好的图像修复性能。

为了加快在旋转及缩放情况下基于Hausdorff 距离的图符匹配方法的速度，提出了一种基于缩略模型的Hausdorff 距离形状匹配方法.该方法分为两个阶段，首先利用模型的稀疏版本在较大的距离阈值下进行粗匹配，然后再利用全模型在稍小的距离阈值和较大的重合率门限进行双阈值精确匹配.利用地图上叠加的图形符号进行了匹配实验.实验结果表明，该方法获得了较低漏检和虚警以及较短的匹配时间,同时该方法已被用于地图中的军标识别，效果良好.