新型材料、先进集成封装技术和新型微架构的不断涌现, 促使光电领域装备向轻量化、智能化、一体化方向发展。微系统所带来的性能和功耗改进, 使装备的全面/跨代升级成为可能, 具有重要的**应用前景。文中关注微系统在光电领域的应用, 梳理现阶段各研究机构在半导体及光频微系统领域的规划部署, 并对光频微系统的**应用前景进行展望。

针对图像中某几类物体具有相似颜色特征而导致的分类困难问题，本文提出了一种具有隐蔽色特征物体的图像分类方法。该方法针对可见光图像中具有颜色隐蔽性物体而难以区分的问题，通过将二维图像的邻域像素空间特征与高光谱图像的谱段特征相结合并使用改进的局部线性嵌入降维算法实现了空谱联合的特征降维，最终利用主动学习胶囊网络训练高光谱数据分类器从而实现场景内目标的分类。通过改进的主动学习函数可以对更具代表性的样本进行标注，实现了利用小样本集对胶囊网络的训练，有效降低了样本的标注成本和模型的训练成本，提高了模型分类性能。实验表明，该算法运行在自建高光谱数据集上能够有效地分类隐蔽色特征物体和其他自然场景，针对隐蔽色目标的平均准确率达到了 91%，针对所有类别物体的平均准确率达到了 89.9%。

天地线检测在复杂场景的红外目标检测系统中具有重要的作用, 将深度语义分割模型引入了天地线检测任务。不同于传统的基于手工模板的阈值分割算法, 深度学习算法能够充分挖掘图像事例之间的结构信息与语义信息, 具有较强的自适应性。文中利用Deeplab-v3+算法作为语义分割算法, 实现了对天空与地面的有效分割。在城市、森林、山地等不同场景的实验中, 所提算法取得了良好的天地线检测效果, 验证了所提算法的有效性与鲁棒性。

基于干涉成像原理的分块式平面侦察成像系统的提出, 为降低高分辨率光学系统的体积、质量和功耗提供了新的解决方案。为提高重构图像质量, 干涉系统的基线需要通过设计提高空间频率覆盖的均匀性, 以避免空间采样缺频。针对孔径排列配对的问题, 提出一种高均匀性UV覆盖的基线阵列设计方法。该方法在径向排列的基础上, 通过计算低频截止频率, 分别优化高频、低频基线。该设计方法可以实现高均匀性、低冗余度的UV覆盖结果, 可有效提高重构图像质量。

在进行遥感图像多分类识别时,针对使用传统方法遇到的分类模型特征提取困难、分类精度不理想、分类种类少等问题,研究了卷积神经网络(CNN)模型在高光谱遥感地物多分类识别中的可行性及不同CNN 模型对高光谱遥感地物多分类的识别效果。从ISPRS(International Society for Photogrammetry and Remote Sensing)提供的Vaihingen及Google Earth中采集数据,制作了包含6类地物的数据集一。在此基础上增加10类地物制作数据集二,再增14类地物制作数据集三。在预处理图像数据之后,通过设置神经网络结构、调整模型参数、对比神经网络模型等,上述3类数据集的地物分类识别率均达到95%以上。通过分析不同CNN模型对高光谱遥感地物多分类识别效果的影响,证实了CNN模型在高光谱遥感地物多分类识别应用的可行性且具有较高的识别率。实验结果为CNN模型在高光谱遥感地物多分类识别中的应用提供了一定的参考。

细粒度车型图像的类间特征差异小,在复杂图片背景中识别干扰因素多。为提高模型在复杂背景中对图像的特征提取能力和识别准确度,提出了基于支持向量机(SVM)和深度卷积神经网络(DCNN)的分类器集成模型Softmax-SVM。它将交叉熵代价函数与hinge损失函数相结合,代替Softmax函数层,减少了过拟合的发生。同时,设计了一个10层的DCNN提取特征,避免了手工提取特征的难题。实验数据集为复杂背景下的27类精细车型图像,尤其还包含同一汽车厂商的相近车型。实验结果表明,在不进行大量预处理的前提下,Softmax-SVM分类器识别269张测试样本能够获得97.78%的准确率,识别每张样本的时间为0.759 s,明显优于传统模式识别方法和未改进前的DCNN模型。因此,基于DCNN的Softmax-SVM分类器能够适应环境的复杂变化,兼顾识别精度与效率,为复杂背景下的细粒度车型分类提供了实际参考价值。

针对红外高光谱数据目标鉴别问题, 根据目标光谱特点, 采用均匀区域法进行噪声评估、PCA和LDA算法进行数据降维与特征提取、光谱间最小距离匹配算法进行数据分类这三个步骤, 对高光谱数据进行分析处理。重点对PCA/ICA/LDA算法及LDA算法的性能进行了分析对比, 实现了不同目标的红外光谱鉴别。根据对比结果可以看出, LDA算法在光谱数据特征分离方面, 与PCA和ICA两个算法对比具有较好的效果。

随着人工智能技术的发展和**智能化进程的不断推进，战争形态正加速向信息化战争演变。为了积极应对新技术的挑战和新型**装备的威胁，将人工智能技术应用于光电对抗领域，使得光电对抗具备认知化能力，极大缩短对抗的反应时间，满足对新型、未知威胁的对抗需要。文中从发展需求，能力特点，国外典型应用，技术框架和发展构想等方面对人工智能在光电对抗领域的应用进行技术展望。

高光谱成像探测技术已经广泛应用于伪装物探测领域, 但丰富的光谱细节意味着巨大的数据量, 这导致数据存储和计算处理过程时间很长, 难以满足战场环境下伪装物实时探测识别的要求。传统的光谱信息压缩和快速选取算法大多需要目标的特征光谱, 而某些战场中伪装目标的光谱通常难以获得, 这降低了传统算法的可用性。针对战场环境伪装物的视觉伪装效果, 提出了基于目标与背景间局部自相关系数对疑似伪装目标进行检测。算法通过选取最佳特异性光谱, 实现无光谱先验信息的伪装物识别, 提高了高光谱成像探测目标检测效率。实验分析表明, 该算法可以有效提取三个特异性光谱, 实现伪装物目标识别与提取过程。