针对移动机器人在进行传统2D环境的定位时所存在的定位精度低且定位实时性差等问题，提出一种改进的迭代近邻点（ICP）算法的定位方法。首先，建立位姿搜索空间，采用由低到高的分辨率对搜索空间进行逐层搜索，并结合多点云密度进行部分点云扫描匹配，排除非最优位姿，加速搜索过程；在进行点云匹配中，采用帧对图的方式，有效地利用了历史帧信息；对得到的最优位姿进行稀疏矩阵位姿优化，进一步提高定位精度。在SLAM Benchmark数据集上进行测试，结果表明所提方法的算法效率是现流行的Cartographer算法的1.8倍到4.9倍之间，同时平移误差较小。并利用Turtlebot2机器人进行实际测试，结果表明所提方法的定位误差相比Cartographer和Gmapping均有明显的降低，且实时性较好；与传统的自适应蒙特卡罗重定位（AMCL）相比，平移误差均值降低了0.035 m，旋转误差均值降低了0.001 rad，具有较高的重定位精度。

针对现有的去雨方法无法彻底去除雨纹并且去雨后图像存在细节丢失问题, 提出一种多分辨率融合密集网络的图像去雨方法。网络主体由多个多分辨并行融合模块构成, 始终保持空间精确的高分辨率并从低分辨率中接收大量的上下文信息。使用一种基于选择性卷积核机制SKNet的多尺度特征融合模块, 通过非线性的方法有效聚合来自不同分辨率流的特征。在不同的分辨率流中使用一种改进的残差模块, 采用相邻层次的多种尺度的卷积来获取丰富的雨纹信息。模块间使用密集连接, 加强不同模块之间的特征传播。实验表明, 所提方法在合成及真实雨像数据集上的评价指标与其他去雨方法相比有所提高, 去除雨纹的同时能够保留更多的细节信息。

红外与可见光图像融合一直是图像领域研究的热点, 融合技术能弥补单一传感器的不足, 为图像理解与分析提供良好的成像基础。 因生产工艺以及成本的限制, 红外探测器的分辨率远低于可见光探测器, 并在一定程度上因源图像分辨率的差异阻碍了实际应用。 针对红外与可见光图像分辨率不一致的问题, 提出了用于红外图像超分辨率重建与融合的多任务卷积网络框架, 应用于多分辨率图像融合。 在网络结构方面, 首先设计了双通道网络分别提取红外与可见光特征, 使算法不受源图像分辨率的限制; 其次提出了特征上采样模块, 先用双线性插值方法增加像素个数, 再通过多层感知器精细化拟合像素平滑空间与高频空间的映射关系, 无需重新训练模型即可实现任意尺度的红外图像上采样; 接着将线性注意力引入网络, 学习特征空间位置间的非线性关系, 抑制无关信息并增强网络对全局信息的表达。 在损失函数方面, 提出了梯度损失, 保留红外与可见光图像中绝对值较大的滤波器响应值, 并计算该值与重建的融合图像响应值的Frobenius范数, 无需理想的融合图像作为真值监督网络学习就能生成融合图像; 此外, 在梯度损失、 像素损失的共同作用下对多任务模型进行优化, 可以同时重建融合图像和高分辨率红外图像。 算法在RoadScene数据集上进行训练, 与其他4种相关算法在TNO数据集上进行对比, 主观性能上该方法可以输入任意分辨率的源图像, 融合图像红外目标突出、 可见光细节纹理丰富, 在源图像分辨率相差较大时能重建特征清晰的高分辨率红外图像, 模型泛化性能强; 客观性能上在信息熵、 差异相关性总量、 空间频率等多个评价指标上表现优异, 结果表明重建的融合图像信息丰富、 信息转化率高、 清晰度高, 验证了算法的有效性。

提出了一种液晶透镜与玻璃镜头组合的新型局部变倍成像系统，以解决传统变倍成像系统中机械结构体积较大、非线性运动设计难度较大、变倍数离散等问题。首先对所提出系统进行了说明，给出了系统各参数间的关系。对实验装置进行了介绍，重点介绍了液晶透镜结构及双偏振结构。对所提系统进行了实验验证，通过改变液晶透镜组所加电压调节孔径区域内成像变倍比。这说明在系统组件无机械移动的条件下可通过调节液晶透镜组所加电压实现局部变倍成像，且变倍比连续可调。此系统不仅简化了传统变倍成像系统的机械结构，使变倍系统轻量化、小型化成为可能，还为图像细节信息的获取与分辨提供了新方法。

旋转双棱镜系统可以通过光束控制来扩大成像视场、增大棱镜顶角,可提高视场角扩大倍率,但同时加剧成像畸变的问题。为了实现大视场实时成像的目的,针对大顶角双棱镜系统提出了一种快速畸变校正和视频拼接的方法。所提方法采用多次相机预标定、建立查表插值重投影算法,配合图像尺度变换及基于搜寻最佳缝合线的多分辨率融合算法,实现对两路旋转双棱镜成像系统的实时畸变校正和拼接。针对视场扩大情况,提出一种基于矢量形式折射定律的视场扩大评价方法,并以视场角扩大因子作为评价指标。仿真结果表明拼接视场水平视场角扩大因子可达1.50,垂直视场角扩大因子可达1.30。实验结果验证了该扩大视场方法的可行性,且可达到30 frame/s的实时畸变校正及拼接。

字典学习是图像表示的一种有效手段且在图像识别任务中具有出色的表现。大部分传统字典学习算法在多分辨率人脸图像识别中存在不同分辨率下字典判别性不强的问题。为了解决这一问题,提出一种新的带判别性局部结构约束的多分辨率字典学习算法。首先,通过分析字典原子与轮廓向量之间的一一对应关系,采用字典原子的局部几何结构,分别构造了轮廓向量的类内局部约束项与类间局部约束项;然后将这两个约束项统一在同一个正则项中,并将其增加到字典学习目标函数中进行联合优化,从而实现判别性局部几何结构的编码。该算法促使类内编码系数保持相似的局部一致性,而且能有效提高类间编码系数的局部结构的差异性。最后,在多个多分辨率人脸图像数据集上验证了本文算法的有效性,实验结果表明,与同类字典学习算法相比,本文学习的多分辨率字典能保持训练样本中的判别性局部结构,在不同分辨率的人脸图像上获得了更好的识别性能。

提出一种基于Fourier变换对称性和随机多分辨率奇异值分解(R-MRSVD)的彩色图像加密算法。首先计算归一化明文图像的平均值作为logistic-exponent-sine映射的初值,并生成随机矩阵和位置索引;然后对每个颜色通道分别进行二维离散Fourier变换,根据共轭对称性仅保留一半的频谱系数,并提取实部分量和虚部分量构建实数矩阵;最后对实数矩阵进行R-MRSVD和Josephus置乱操作,得到密文图像。将明文图像的像素特征作为混沌序列的初值,保证算法具有高敏感性和高安全性,同时实值的密文便于存储和传输。对算法的解密图像质量、统计特性、密钥敏感性、抗选择明文攻击、鲁棒性等性能进行测试,仿真结果表明,所提加密算法具有可行性和安全性。