现有的欧拉视频微小运动放大方法没有考虑视频中运动信息的自动检测，在实现运动放大时需要人为选取感兴趣运动信息处理的合适参数，比如滤波器截止频率、放大倍数等。对于一般的视频，通常无法直观地确定这些参数，而是通过试错来完成。为此，基于S变换提出了一种视频序列中非平稳微小运动的自动放大方法：基于S变换自动确定带通滤波器的即时相关参数并设计了相应的动态滤波器，在此基础上实现了视频微小运动的全自动放大。首先，通过S变换分析出视频中微小运动在各个时刻的瞬时频率；然后，对视频在不同时刻呈现不同频率的情况进行动态带通滤波处理；最后，放大经过带通滤波后的感兴趣运动信息，实现微小运动放大。此外，对于抗噪性能分析，提出了一种视频区域信噪比评价方法。实验结果表明，所提方法在对实际视频进行放大处理时，能够根据运动信息频率的变化自动地获取滤波器、放大倍数等参数，无需人工参与；运动放大后可以动态地展现运动目标的放大效果。同时，准确的动态滤波器在一定程度上能够抑制噪声干扰，使得运动放大效果更加理想。

针对传统梯度幅值滤波算法中阈值需人工确定而无法正确判断噪声点和产生新噪声点的问题，提出了一种自适应梯度幅值和多结构元素形态学组合滤波算法。首先使用梯度幅度均值与方差的和作为阈值，以及Otsu算法自适应阈值两种自适应滤波算法对图像进行滤波，以自动确定滤波阈值，最大限度滤除噪声点，保持图像细节；然后使用多结构元素组成串联形态学复合滤波器对自适应梯度幅值滤波后的图像进一步滤波，以解决在自适应滤波过程中产生的新噪声问题。通过实验结果对比与分析，该算法滤波后的图像视觉效果明显好于传统滤波方法，从而验证了该算法既能保持图像细节，又能实现较好的图像滤波效果。

针对二次误差测度（QEM）简化算法对机械、建筑等CAD模型简化时存在的形状特征容易丢失的不足，提出了一种改进算法。该算法在检测出模型表面的分界轮廓曲线后，将各组成边分成四种类型，并按照尽量避免轮廓曲线上的边被折叠的原则，对各类边采用不同简化策略进行简化。实验结果表明，算法在形状特征保持方面具有较好的效果。