显微镜成像系统，源代码，写得很清楚，一目了然。

针对三维点云数据分割算法准确度低的问题,提出了一种结合点云骨架点和外部特征点的分割算法,所提算法可将传统方法分割不出来的局部小范围凸面体进行有效分割,从而使得三维点云数据分割得更为完善,为三维点云分割提供了新思路。利用C++及其开源的点云库进行编程,利用L1-中值算法对三维点云进行骨架点的提取,利用尺度不变特征变换算法进行特征点的提取,结合骨架点和特征点构建分割平面进行分割,再对剩余的特征点进行检测,再次构建分割平面进行分割,得到最终的结果。实验结果表明,该算法能对三维点云表面的小范围凸面体进行有效分割, 提高了分割的准确性。

针对水下物体的三维探测和目标识别，研究了一种基于线结构光扫描的三维物体探测和三维场景重建方法。该方法使用激光线光源扫描探测区域，用标定板进行定标，建立采样数据的二维像素坐标系与三维世界坐标系的映射关系，通过坐标系变换，将二维线结构光扫描数据转变为三维物体信息。在水槽中进行了实验：采用电荷耦合器件(CCD)相机记录了线结构光扫描的图像数据，利用Matlab软件编程实现了水下场景的三维重建，通过三维重建结果可以较清晰地识别出原目标物体的形状，分析了影响探测精度的原因和改进方法。实验证明了该扫描和三维重建方法应用于水下目标探测的可行性。

大视场的红外图像，由于分辨率高，对图像实现像素级处理很难满足实时性要求。针对大视场特定背景下的低空目标，提出一种由粗到精的检测方法。先将图像分块，计算分块图像熵值，组成熵值矩阵进行熵值分割，区分背景区域，得到所需求的目标可能出现的区域，完成粗检测；然后用Top-hat形态滤波法对所得区域进行精检测，得到检测目标。实测数据证明，该方法能在检测弱小目标的同时大大减少计算量，较好地满足了大视场下弱小目标的实时检测、处理需求。

傅里叶叠层显微成像(FPM)是一种能够重建宽视场和高分辨率图像的新型成像技术。传统的FPM重建算法计算成本高,重建高质量的图像需要较大的图像采集量,这些缺点使得传统重建算法的成像性能和效率较低。因此,提出一种基于深度学习的傅里叶叠层显微成像的神经网络模型,对图像进行低分辨率到高分辨率的端到端映射,有效提高成像性能和效率。首先,借助菱形采样方法进行图像采集,加速低分辨图片采集过程。其次,结合残差结构、密集连接以及通道注意力机制等模块,拓展网络深度、挖掘有用特征,增强网络模型的表达能力和泛化能力。然后,使用子像素卷积进行高效地上采样,恢复高清图像。最后,采用主观和客观的评价方法对重建结果进行评估。结果显示,本文提出的网络模型对比传统重建算法重构效果更优,且降低了计算复杂度,平均重建时间更短。同时,在保证图像重建效果不变的情况下,低分辨率图像的采集数量比传统算法减少了约一半。

野外环境下的红外成像既要受到内部设备的散热影响又要受到外部环境的温度变化影响.温度变化导致的红外成像系统的机械结构变形及成像质量不稳定问题关系到各类成像系统能否有效工作.结合红外成像系统的特点,在机械结构设计与光学结构设计两方面对某型红外成像系统温度适应性进行研究,设计了合理的结构形式.后续的对比实验表明本设计在因温度造成的成像脱靶量约为未采用温度适应性设计系统的17% .系统完全能够满足温度稳定性要求,能够保证较好的成像质量.

论文主要讲解了紫边的出现的原因，以及如何消除紫边的算法。

阐述了基于FPGA的B超成像系统的设计方案.该系统采用FPGA产生脉冲串,经过功率放大电路驱动超声波换能器,超声波经过探测后到达接收换能器,利用时间增益补偿电路对信号进行补偿,再用对数放大器TL441对回波信号进行检波放大,经过A/D转换到FPGA进行动态滤波,最后由FPGA控制信号在显示屏上显示输出.

心肌缺血(MI)是诸多心脏疾病的基础性疾病, 可引发多种致命性心脏病, 然而在体检筛查中极难发现, 病人出现症状时往往错过了最佳治疗时间, 因此, 心肌缺血的早期发现和早期干预是控制心脏功能衰减或疾病恶化的关键。采集165位健康和有不同程度心肌缺血患者的红外热图像, 将所有样本集分为训练集和测试集, 通过对红外热图像人体几何定位, 提取心前区左右两侧温差集合, 并使用多种卷积核对温差集合做降维处理, 最终通过反向传播(BP)神经网络在留一法交叉验证下对训练集训练, 并确定网络参数, 建立分类模型。3×3尺寸的高斯核算子对温差集合卷积后, 测试集在BP神经网络上分类准确率达到95.56%, 可以为新样本做出准确预测。该方法能够快捷、准确地辅助临床体检对心肌缺血的早期预警, 为心肌缺血预诊断提供了新的思路。

为提高立体匹配算法的效果和稳定性, 提出了一种基于色调(H)、饱和度(S)和明度(V)颜色空间的自适应聚合区域的引导滤波算法。结合图片的结构和纹理信息, 通过颜色和横向梯度的相互作用计算初始匹配代价。在HSV颜色空间中运用颜色和距离信息计算每一点的自适应支撑臂长, 解决了图片中红、绿、蓝3种颜色变化趋势相近导致无法有效反映图片信息的问题。自适应聚合区域利用中心点纵向臂上各点的横向臂进行构造, 采用引导滤波的方法在自适应聚合区域内聚合代价空间。为避免中心点邻域信息波动造成支撑窗口过小的问题, 设置了臂长的最小范围。后处理过程采用左右一致性检测结合峰比率检测的方法寻找误匹配点, 通过近邻点匹配和加权中值滤波的方法修正视差图。采用Middlebury平台上的标准图片进行实验, 结果表明所提算法的平均匹配误差为5.24%, 比改进前的自适应窗口算法的匹配误差降低了0.92%, 具有更好的边缘保持效果, 算法参数稳健性较好。