针对红外图像中对比度低，细节不清晰，视觉效果模糊等问题，提出一种结合边缘信息的对比度增强算法。首先，使用引导滤波将原始红外图像分解为基础图像和细节图像，并且通过使用对比度限制的直方图均衡来处理基础图像，提高图像对比度，克服“过度增强”现象；利用 Gamma变换处理细节图像，增强细节信息；再将处理后的两幅图像融合成图 ImageSD；然后为了有效地改善 ImageSD的亮度不均匀的现象，对原始图像进行自适应直方图均衡和拉普拉斯锐化滤波；最后，将两个图像进行线性加权并融合以重建出最终的红外图像。结果表明，该方法可以更好地提升原始图像的对比度，丰富细节信息。

基于卷积神经网络(CNN)的VGG-19(Visual Geometry Group)模型,研究了卷积神经网络对输入纹理进行卷积时,输入纹理特征图的边缘信息对生成自然纹理效果的影响。在使用卷积神经网络的VGG对输入图像进行卷积时,为了防止过拟合现象,采用平均池化的方式对特征图进行处理,在一定程度上保护了特征图的边缘信息,相对采用最大池化处理特征图取得了更好的生成效果。同时,提取各层特征图的边缘信息并将其叠加到特征图中,能很好地保留纹理图像的边缘结构信息。实验结果表明,改进后的方法能取得较为理想的纹理生成效果。

针对传统的图像评价方法没有同时考虑图像的视觉信息和基本特征, 不能满足实际需求的问题, 在研究了图像边缘信息提取和奇异值分解方法的基础上, 提出了一种能兼顾这两种重要信息的图像质量客观评价方法。人眼对边缘结构信息相对比较敏感, 图像的奇异值反映了图像的一些重要结构信息, 因此, 从理论上讲, 基于边缘信息奇异值分解的图像质量评价方法优于传统的图像评价方法。仿真实验表明, 与基于结构相似度(SSIM)评价方法以及均方误差(MSE)、峰值信噪比(PSNR)等传统方法相比, 该算法的主、客观一致性更好, 更加符合人眼的视觉特性。

针对现有评价方法不适合于多扭曲失真图像这一问题，本文展开了对多扭曲失真图像评价方法的研究。在分析图像的边缘信息和奇异值向量对视觉特征的表征能力的基础上，提出一种基于边缘信息奇异值分解的图像质量评价算法。首先，利用Sobel算子提取参考图像及失真图像视觉敏感的边缘信息，再对两图像的边缘信息进行奇异值分解，利用奇异值向量之间的夹角来描述失真图像的畸变程度。最后，采用LIVE数据库中的450张多扭曲的失真图像验证该文算法，并与MSE、PSNR、SSIM、CSSIM等算法进行了对比。实验结果表明，该文算法对多扭曲失真图像的质量评价具有更高的稳定性，主客观评价的一致性较传统评价方法更好。通过对比时间效率，该方法基本上满足实际需求，具有更高的适用性。

对卫星遥感云图进行自动分割是分析卫星云图资料的重要步骤。为了更加准确的对卫星遥感云图进行分割，提出了融合边缘信息CV模型的卫星遥感云图分割方法。对原卫星云图进行扩散，得到平滑图像，根据平滑图像计算边缘信息，将得到的边缘信息融入CV模型中，并加入距离规范项使得CV模型的水平集函数在演化过程中不需要重新初始化。实验结果表明，与传统CV模型、区域能量拟合水平集模型、偏置场修正水平集模型相比，所提方法分割出的云区域更加准确，分割速度更快。

图像在传输过程中会受到各种噪声干扰, 为了实现消除噪声的目的, 提出一种基于LoG算子改进的自适应阈值去噪算法。首先, 利用LoG算子提取图像的边缘特征信息。接着, 根据图像的边缘特征和非边缘特征分别求取改进的阈值函数: 对于图像非边缘部分的阈值函数, 在软阈值函数的基础上添加一个阈值修正系数, 构建新的阈值函数; 对于图像边缘部分的阈值函数, 将边缘部分小波系数附近的能量和阈值相结合, 构建新的阈值函数。最后利用改进的阈值函数对图像R、G、B 3个通道分别处理, 保留图像所有的细节信息。实验结果表明,消噪后图像与含噪图像的PSNR值高于传统自适应算法1209%; MAE值低于传统自适应算法22%。该算法有效保存了图像的边缘信息, 综合去噪效果明显提高。

利用随机面元模型，详细分析了刚性随机粗糙圆柱表面的激光散射特点，建立了实用化的随机粗糙圆柱激光散射理论模型，并给出了正入射时几种情况下的激光散射图像，分析了圆柱目标的激光散射能量计算方法，并仿真了光束在平面目标、圆柱目标表面做正弦摆动时，光斑在不同位置的反射能量，利用激光信号的强度变化就可以得到物体的边缘信息。