设计一款芯片尺寸为300 μm的蓝绿光微型发光二极管（Micro-LED）并将其点亮，通过TCAD 仿真对芯片尺寸为10、38、100、300 μm的Micro-LED进行模拟仿真，探究了Micro-LED的小尺寸效应，发现随着Micro-LED尺寸的减小，开关损耗增加。因此，针对提高小尺寸Micro-LED单点像素的驱动电流密度过程中产生的开关损耗增加的问题，模拟仿真驱动电路驱动Micro-LED的开关特性过程，进行减小开关损耗的研究。利用Sentaurus TCAD软件进行仿真，设计了一台沟道长度为0.18 μm的p型金属氧化物半导体场效应晶体管（PMOS）器件，将PMOS器件和Micro-LED器件通过铟凸点进行键合，并对PMOS驱动电路驱动单独Micro-LED像素进行仿真，进一步进行PMOS驱动两个Micro-LED像素的仿真，从而模拟阵列像素驱动的情况，通过比较开关延迟时间判断驱动效果并进行实验验证，发现当PMOS接入限流电阻驱动Micro-LED时，阻值越小，驱动效果越好，而且起到消除浪涌、限流分压的作用，但PMOS直接驱动Micro-LED比加入限流电阻的效果更好，PMOS驱动阵列Micro-LED相比于驱动单独Micro-LED开关损耗更小、驱动效果更好。

在 Farsiu提出的双边总变分正则化方法中, 尺度加权系数和正则化参数为定值, 在边缘、纹理区域, 重建图像效果不理想。针对这个问题, 提出了一种自适应加权正则化函数和正则化参数的重建算法, 该方法利用图像局部结构信息控制权函数形状、带宽和正则化参数, 使这些参数根据图像局部结构信息自适应地调整。对所提出的算法进行了仿真实验, 实验结果表明, 与传统的总变分重建方法相比较, 该算法能更好地重建图像的纹理细节, 重建图像的对比度高。

图像超分辨率重建是在现有红外探测器基础上提升空间分辨率的一种有效方法。超分辨率图像重建是利用一组相互之间存在亚像素位移的低分辨率图像构造出一幅高分辨率的图像, 快速、高精度估计图像间的位移是其关键技术之一。提出了一种用于超分辨率重建的亚像素配准算法, 算法由特征检测、像素级配准和亚像素级配准三个处理过程组成。在特征检测过程, 首先采用梯度算子对图像进行边缘检测, 然后对边缘点进行角点预检测, 排除非角点像素点, 之后再进行 Harris角点检测, 大大减少了计算量; 在像素级配准过程, 用 NCC算法进行像素级配准, 用统计方法去除误匹配点对; 在亚像素级配准过程, 先对像素级匹配点的邻域进行插值放大, 再进行亚像素匹配, 误匹配点剔除, 相对偏移量计算。对提出的算法进行了仿真实验, 结果显示本算法的速度较类似算法速度有较大的提高。

半导体激光器驱动电源的性能直接影响着激光输出稳定性和激光器寿命。给出了 40 ℃高温环境下 100 W高功率光纤耦合半导体激光器模块的驱动电源设计方法, 主要包括: 恒流源设计、 TEC双向温度控制器及相应的单片机控制器和保护电路设计等。该驱动电源实现了电流输出范围 0~45 A连续可调, 电流控制精度优于 1%; 控温范围+15 ℃~+35 ℃, 控温精度 0.5 ℃。

介绍了超分辨率重建的基本原理与数学模型，对现有的图像超分辨率重建算法进行了总结。将当前的超分辨率算法分为基于重建约束的方法和基于学习的方法两大类，分别阐述了超分辨率重建技术的经典方法，最后指出了低质量图像超分辨率技术进一步的研究方向。

深度估计方法可分为主动视觉和被动视觉两类。介绍了被动视觉测距中的五种深度估计方法，包括立体视觉、运动测距、描影法、聚焦法和散焦法，分析了各自的成像原理、数学模型和测量方法。最后，对基于计算机视觉的深度估计方法进行总结，分析了现有测量方法各自的局限性，提出算法进一步改进的方向是应用计算机视觉系统中需要的不同模板，联合依赖于实际环境的权重因子与被动深度估计算法相结合。这是当前计算机视觉研究的一个热点领域。

提出了一种新的红外与可见光图像的配准算法，该方法基于图像的小波变换与互信息最大化完成图像的配准过程。首先通过搜索小波模极大提取图像感兴趣区域(ROI)，完成图像预处理，并采用仿射变换，建立图像变换模型；其次将低分辨率图像进行图像插值，计算灰度直方图，进行概率分布的估计；最后选择模拟退火法，逼近全局最优解。实验结果证明了此算法的有效性