针对阿尔兹海默症（AD）患者和正常（NC）人之间核磁共振成像（MRI）图像差别小、分类难度大的问题，提出了基于改进VGG网络的弱监督细粒度AD分类方法。该方法以弱监督数据增强网络（WSDAN）为基本模型，主要由弱监督注意力学习模块、数据增强模块及双线性注意力池化模块等构成。首先，通过弱监督力注意学习模块生成特征图和注意力图，并利用注意力图引导数据增强，将原图和增强后的数据同时作为输入数据进行训练；然后，通过双线性注意力池化算法将特征图和注意力图按元素进行点乘，进而得到特征矩阵；最后，将特征矩阵作为线性分类层的输入。将以VGG19作为特征提取网络的WSDAN基本模型应用到AD的MRI数据上，实验结果表明，仅使用图像增强的模型的准确性、敏感性和特异性分别比WSDAN基本模型提高了1.6个百分点、0.34个百分点和0.12个百分点；仅利用VGG19网络的改进的模型的准确性和特异性相较WSDAN基本模型分别提高了0.7个百分点和2.82个百分点；以上两个方法结合使用的模型与WSDAN基本模型相比，准确性、敏感性和特异性分别提高了2.1个百分点、1.91个百分点和2.19个百分点。
针对带色彩恢复的多尺度Retinex（MSRCR）算法不能有效地去除远景处的雾及灰度假设所带来的灰化问题提出了一种新的方法。新的方法对原雾天图像及其取反图像分别进行MSRCR算法处理；然后对处理后的取反图像再进行取反操作并和直接进行MSRCR算法处理的图像进行线性加权叠加；同时在MSRCR处理过程中把提取出来的反射分量与像素的原始亮度进行线性叠加，并计算均值和方差来自适应决定对比度的拉伸程度；最后统一拉伸到显示设备。实验结果表明，所提算法能取得较好的去雾效果，处理后的图像的标准差、平均亮度、信息熵、平方梯度等评价值均比原算法有所提高。所提算法方法简单、易于实现，对于实时视频去雾具有一定的意义。
