随着农业机器人技术的不断进步和发展，利用机器人采集和处理特定农作物图像信息在农业应用领域中越来越重要，针对传统图像处理方法提取的玉米植株轮廓不完整甚至是缺失的问题，提出一种改进的玉米植株轮廓提取方法。采用HSV颜色空间对玉米植株的绿色叶部分进行图像提取，同时使用RGB通道分离方式对红色的根部分进行图像提取，在得到叶部、根部图像后使用F-B算法选取特征点并对特征点进行描述和匹配，并利用随机抽样一致性算法剔除错误的匹配点，最后用加权融合方式对图像进行拼接并选用Sobel算子提取植株轮廓。实验结果表明，F-B算法相比于传统scale-invariant feature transform（SIFT）、speeded up robust features（SURF）、oriented FAST and rotated BRIEF（ORB）算法在匹配速度、精确度上有所提升且匹配准确度高于80%，使用Sobel算子提取植株图像轮廓，获得的图像清晰度和完整度较好。该方法能够在较快速度和较高的精准度下实现对玉米植株的轮廓提取。

针对红外与可见光图像配准中特征点匹配难的问题, 提出了NSCT轮廓提取与主方向一致性匹配的红外与可见光图像配准方法。先将NSCT变换用于提取红外与可见光图像的轮廓曲线图, 然后使用CSS角点检测算法提取轮廓曲线图上的角点作为特征点, 再以轮廓曲线的中线作为特征点的主方向, 计算红外与可见光图像上特征点主方向的SIFT描述符作为特征点的特征描述, 最后使用特征点主方向一致性匹配的方法去除误匹配的点, 进而计算仿射变换参数。实验结果表明, 所提方法的平均均方根误差为2.36, 平均正确匹配率达到了91.6%, 保证了两种图像相同特征点提取和匹配的准确度, 从而提高了图像配准的精度。

针对传统图像融合方法引起的清晰度低、轮廓模糊以及适应性差等问题, 提出了一种改进的红外与可见光图像融合方法。采用非下采样轮廓波(NSCT)对红外与可见光图像进行分解, 分别得到带通子带系数与低频子带系数。采用融合准则采用改进的空间频率(MSF-PCNN)获取高频融合系数, 采用改进的脉冲耦合神经网络(PCNN), 即NL-PCNN, 获取低频融合系数。针对两种异源低频信息, 利用改进的加权锐化滤波器和加权均值滤波器作频率梯度分离进行轮廓提取。实验结果表明了所提融合算法的有效性, 在获取图像轮廓信息, 增强融合图像清晰度方面均优于传统的图像融合算法, 具有较高的自适应能力。

针对噪声图像边缘模糊、边缘检测困难的问题,提出了一种结合分数阶微分的噪声图像非下采样contourlet变换 (NSCT)域边缘检测方法。该方法首先对图像进行NSCT分解,对低频子带的轮廓进行针对性提取;其次对于边缘细节和噪声较多的各方向高频子带,利用NSCT域的多尺度积和方向分数阶微分矩阵对高频系数进行阈值去噪与信息增强;最后将NSCT域各频域和方向的尺度图像进行融合,得到完整的边缘图像。对不同类型的原始图像和噪声图像进行实验,本文方法检测到的平均连续边缘像素比分别为0.931和0.861,相比Canny算子、分数阶微分检测方法和现有的多尺度域边缘检测方法,本文方法具有更好的边缘检测效果。随着图像噪声水平的增加,本文方法得到的平均连续边缘像素比较高,抗噪性强,边缘准确、完整、连续。

为验证弹丸穿过天幕立靶时6个光幕响应时间是否一致，以提高测试设备测速精度，提出了一种用于检测天幕立靶光幕响应时间一致性的测量方法，设计了一种基于该测量方法的模拟弹丸过幕信号源测试装置。该装置调用存储在ROM中的弹丸轮廓数据，经DA转换控制两路光源间隔亮暗变化一次，用于模拟弹丸依次穿过探测光幕所遮挡的光能量变化。利用信号采集与处理仪同步采集两路输出信号时间间隔，与装置设定时间间隔的差值比较完成测试。测试结果表明：输出两路信号的时间间隔与设定时间间隔间的差值均小于1 μs，满足6个光幕响应时间一致性技术指标要求，该测试装置及测量方法可用于天幕立靶光幕响应时间一致性测量。

为降低噪音影响、改善汽车车身反光造成虚假轮廓的现象,提出了一种视觉神经元双拮抗机制和 自适应双阈值相结合的轮廓提取算法。双拮抗机制算法依据视觉神经元双拮抗原理处理图像得到亮度特 征的轮廓,用扩展的大津法(Otsu)根据轮廓亮度分布自动选取高低阈值,对初步提取的轮廓进行双阈值 处理,得到最终的汽车轮廓。利用客观性能指标对实验结果进行评价,结果表明提出的算法提升了汽车 轮廓的完整性。与经典的轮廓提取算法相比,其计算复杂度低,对图像背景的适应性较强。

在基于图像识别技术的教学录播系统中，通常需要对发言学生进行自动识别和定位，以便摄像机给出该学生的特写。针对该问题提出了一种基于多特征融合的室内学生头部检测算法。该算法首先对头发的颜色特征设定阈值二值化图像来得到头部的候选区域，然后融合人体头发区域的形状特征以及头发下方脸部的肤色特征确定全体学生头部区域。当发言学生起立后，可通过头部轮廓中心点在视频图像竖直方向的坐标变化判断该学生。应用该算法对课堂多个角度的视频图像进行处理，实验结果表明该算法能有效检测出学生头部区域。

通过分析机载雷达（LIDAR）点云数据与航空影像数据特点，提出了融合机载LIDAR点云和航空影像的建筑物轮廓探测方法。分别提取机载点云和航空影像中的部分建筑轮廓线，将轮廓线拟合成直线段的建筑物轮廓边，并以两相邻且垂直的轮廓边相交得到建筑的角点，根据建筑物的同名角点实现机载点云和航空影像的配准融合；将航空影像的光谱信息赋予机载点云，并将光谱信息作为特征向量进行聚类，分离出植被和树木等地物，利用高程信息从光谱信息相似的地面道路和建筑物中分离出建筑物，提取建筑物的轮廓边，完成建筑物轮廓的探测。实验结果表明，利用该方法进行建筑物点云的分类正确率可达97.96%，轮廓边的提取精度可达0.21 m，能够有效的实现建筑物轮廓的探测。