为解决自然场景下群体观察者扫视路径数据冗余繁乱、缺乏表征的问题，通过挖掘个体路径的潜在特性，提出了一种基于注视兴趣区域（ROI）时空聚类和转移的群体扫视路径生成方法。首先，分析同一刺激样本下多名观察者的扫视路径，利用亲和力传播聚类算法来聚类注视点以生成多个注视兴趣区域；其次，统计分析兴趣区域的观察者数量、注视频率以及注视时长等与注视强度相关的信息并筛选兴趣区域；然后，通过定义兴趣区域中的注视行为提取不同类型的兴趣子区域；最后，提出了基于注视优先度的兴趣区域和兴趣子区域转移模式，从而生成自然场景下的群体扫视路径。在MIT1003和OSIE公共数据集上进行群体扫视路径生成实验，结果表明，与目前先进的eMine、扫视路径趋势分析（STA）、序列模式挖掘算法（SPAM）、基于候选约束的动态时间规整质心平均方法（CDBA）和Heuristic方法相比，所提方法生成的群体扫视路径获得了较高的整体相似度，ScanMatch （w/o duration）分别可达0.426和0.467，ScanMatch（w/duration）分别可达0.404和0.439。可见该所生成的扫视路径与真实扫视路径的整体相似度较高，具有一定表征作用。

针对经典新边缘指导插值(NEDI)算法存在的计算复杂度高、硬件实现困难、插值系数误差累计导致放大图像边缘噪声大的缺陷，提出一种改进的快速NEDI算法。算法采用圆形窗口计算插值系数，且该插值系数在高倍放大中可重复使用，避免了迭代计算插值系数引入的误差，并节省了迭代计算的时间。同时，对边缘区域非中心像素插值时，采用和被插点相邻的6个原像素点估计高分辨率图像的局部协方差。最后给出实验，并与双立方插值及经典NEDI算法进行比较。实验结果表明,使用改进算法插值后的图像边缘更加清晰,消除了大比例缩放时锯齿现象，提高了图像的视觉质量，计算复杂度也较经典NEDI算法大大降低。