整数变换方法因其较快的计算速度被国际图像和视频编码标准广泛采纳。现有基于连续正交函数系的整数变换方法不仅难以获得原始变换的准确整数形式，而且无法克服在非连续信号表达时出现的吉布斯震荡现象，降低了重构图像质量。为此，文中提出了基于非连续正交U系统的整数变换算法及其图像压缩方法。首先，采用分段积分法和施密特正交化法计算出U系统的2维正交变换矩阵，提取行向量的缩放因子得到整数矩阵；接着，建立整数U矩阵的可逆正交变换方法，使用整数矩阵将离散图像信息的能量集中到少量数据集，同时将缩放因子与量化步骤合并以减轻计算负担；然后，采用矩阵分解法将整数U矩阵分解为稀疏矩阵的乘积，从而实现图像变换的快速计算；最后，设计基于整数U变换模块和逆变换模块的图像压缩方法，用于减轻图像存储和传输压力。实验结果表明：文中方法与其他相关方法相比，可以降低图像可逆变换的截断误差；在图像和视频压缩实验中，在相同的压缩率下文中方法获得的压缩图像质量更高，而且快速变换方法可以有效地节省运算时间。

表面缺陷检测是现代工业生产流程中的重要环节。现有的视觉缺陷检测方法一般通过对目标对象的单幅RGB或灰度图像进行分析，利用缺陷与背景之间的差异性特征实现检测，适用于目标与背景呈较大区别的对象，如金属表面的氧化、斑点缺陷检测。但单纯的RGB图像无法有效地表征主要由深度变化形成的凹坑、凸包等3维缺陷特征，最终导致漏检。为此，文中根据多方向光照成像及光度立体原理提取待测对象表面的3维几何形貌信息；接着，利用对比度金字塔融合算法对原始的多方向光照图像进行有效融合，得到增强的缺陷的2维RGB融合图像特征；然后，在多目标检测框架YOLOv5的基础上，以上述几何形貌及RGB融合图像为输入，构建一种基于双流特征融合的缺陷检测网络模型，该模型引入了空间通道注意力残差模块和门控循环单元特征融合模块，能在多个层级对不同模态特征进行有机融合，实现对表面缺陷的2维RGB及3维形貌信息的有效提取，达到同时应对2维和3维缺陷检测的目的；最后对若干典型工业产品表面缺陷进行检测实验。结果表明，文中方法在多个数据集上的平均检测准确率均超过90%，且能同时应对2维、3维缺陷的检测，检测性能优于目前的主流方法，能够适应不同工业产品表面的检测需求。

肺部4维CT（4D-CT）图像因受到呼吸、心跳的影响而发生较大的形变，肺内的运动尺度可能大于算法用于优化过程的感兴趣结构（血管、气道等），这可能导致配准算法仅对齐了血管、气道等明显特征。针对肺实质轮廓配准后强度差异性较大的问题，文中提出了以无监督端到端深度学习为基础的多尺度残差可变形肺部CT图像配准算法，使用编码器-解码器结构形式的多尺度深度残差网络作为形变向量场的生成模型，以增强特征表达能力，提高参数利用效率和网络收敛能力；通过多分辨率自注意力融合模块提高网络对多尺度信息的感知能力；设计包含特征校正提取模块的跳跃连接，以有选择地提取编码器输出的特征图，并在重新校准后供解码器学习对齐偏移。最后，在Dir-lab公共数据集上采用文中配准算法与传统算法、目前先进的无监督配准算法进行了比较实验。结果表明：所提出的配准算法在Dir-lab公共数据集上的目标配准误差可以达到1.44 mm ± 1.24 mm，优于传统算法和主流的无监督配准算法；在控制体素折叠率小于0.1%的情况下，估计密集变形向量场耗时小于2.00 s，表明文中算法在对时间敏感的肺部研究中有巨大潜力。

基于深度学习的交通基础设施裂缝检测模型依赖于大规模的数据进行训练。针对特定交通设施场景下多种形态的裂缝样本图像难以获取的问题，文中提出了一种基于Pix2PixHD模型的交通基础设施裂缝病害图像增广方法。首先，基于收集的少量裂缝图像数据，利用Pix2PixHD模型建立裂缝病害的真实图像和标注标签之间的空间映射关系；然后，编辑标签域中的对象，通过迁移其他数据集标签、人工编辑、图像形态学膨胀操作、随机叠加操作等生成表征多种形态的裂缝轮廓；最后，将编辑后的标签域通过Pix2PixHD模型转换回图像域，以实现交通基础设施裂缝数据集的自适应增广。文中考虑了主要的交通基础设施材料和结构（沥青路面、隧道衬砌和混凝土材料结构），选取GAPS384、Tunnel200和DeepCrack数据集进行实验。结果表明：通过扩增数据集训练的U-Net模型，检测精度更高，更易于跳出局部最优解；相比于DCGAN模型，文中方法能够控制裂缝的形态且保证骨架的连续性，可以有针对地提高原有裂缝数据集的形态多样性，使检测模型在特定交通基础设施场景下具有更好的泛化能力。