基于水下激光雷达目标回波和多次散射杂波空间相干性的差异,利用涡旋光场形成的特点,使用螺旋相位板附加环状掩膜板形成空间滤波装置,将目标反射信号与多次散射信号进行空间分离。由于目标反射信号具有良好的空间相干性,经过螺旋相位板后会形成涡旋光,而散射杂波由于其空间相干性被多次散射破坏,会按照散射规律呈现类高斯的中间强边缘弱的分布。利用环状掩膜板只容许涡旋光通过,到达探测器,从而降低了散射对测距的影响。上述空间滤波装置应用于载波调制相位测距及脉冲测距水下激光雷达系统中,均可以大幅提高浑浊水体中目标的测距精度。

为解决无热模块的小型化封装问题，针对现有的 2种无热补偿方案的研究提出了一种新型的基于双金属片和金属板双重补偿的阵列波导光栅（AWG）温度补偿结构。理论计算结果表明：该结构能够实现波长漂移 的温度补偿，并使金属板的长度缩小为位移无热补偿型的 14，实现模块小型化封装，通过调整双金属片的厚度、宽度以及金属板的长度来适应 AWG芯片的波长漂移量，提高了设计的灵活性。

通过四元数小波变换分解立体图像的左右视图,获取不同尺度不同方向的幅值相位信息,并结合人眼视觉特性生成单目图;对左右视图和单目图作亮度去均值对比度归一化(MSCN)处理,获取MSCN系数图,采用广义高斯分布模型拟合MSCN系数和MSCN四方向邻域系数乘积,提取统计参数特征(联合峰度、偏度、标准偏差和能量),组成特征向量,通过XGBoost模型预测图像质量感知得分。结果表明,所提立体图像质量评价算法在LIVE3D图像库上优于其他方法,并且运行速度得到大幅度提高。

提出了一种基于Log-Gabor滤波的纹理和深度图融合优化的立体图像显著性检测模型,利用平面图像的显著性结合纹理与深度特征检测立体图像的显著性。通过改进的基于图的流行排序算法计算左视点的显著图;提取左视点图像的纹理特征图以及立体图像的深度特征图,利用Log-Gabor滤波器分别计算深度显著图和纹理显著图;再利用线性加权融合方法将上述3个显著图融合为立体(3D)显著图;最后利用中心偏爱和视觉敏锐度增强3D显著图。实验利用公开的眼动跟踪数据库进行测试,结果表明,所提算法具有很好的检测效果,优于文献报道的其他3D显著性模型。

提出了一种新的卷积神经网络与深度回归森林结合的无参考图像质量评价方法。该方法对原始图像进行局部对比度归一化处理,采用卷积神经网络提取图像质量的判别特征,最后利用深度回归森林预测图像质量。该方法无须手工设计图像特征,简化了图像的预处理过程。较少的卷积层数有利于减少网络的训练时间。使用深度策略对回归森林进行集成,提高了单一森林的预测精度。基于LIVE数据库与TID2008数据库的实验结果表明,该方法能很好地预测图像质量,并具有良好的泛化性能与较高的准确率,尤其在JPEG2000压缩、高斯模糊和白噪声等3种失真类型上均表现出了良好的性能。

针对现有方法在大量肺部数据中存在的检测肺结节效率不高及大量假阳性的问题,提出了一种基于端到端的二维全卷积对象定位网络(2D FCN)与三维立体式目标分类卷积神经网络(3D CNN)相结合的肺结节检测方法。首先采用2D全卷积神经网络对所有CT图像进行初步检测,快速识别和定位CT图像中的疑似结节区域,输出一张与原图尺寸相同且被标记好的图像。然后计算疑似结节区域的坐标,根据坐标值提取疑似结节的三维立体图像块训练构建的3D卷积神经网络框架。最后利用训练的3D模型对候选结节做二分类处理以去除假阳性。在LIDC-IDRI数据集上,结节初步检测召回率在平均每位患者为36.2个假阳性时可达98.2%;在假阳性去除之后,假阳性为1和4时分别达到了87.3%和97.0%的准确率。LIDC-IDRI数据库上的实验结果表明,所提方法对三维CT图像的肺结节检测具有更高的适用性,取得了较高的召回率和准确率,优于目前相关文献报道的方法。该框架易于扩展到其他3D医疗图像的目标检测任务中,对辅助医师诊治具有重要的应用价值。

传统的火焰检测方法大多基于火焰的物理信号手动设计火焰特征,根据其使用模式进行识别。这类方法容易被外部环境干扰,且手动设计的火焰特征泛化性不强,当火焰形态或场景变化剧烈时,会降低识别精度。针对这一问题,提出了一种基于区域全卷积网络(R-FCN)结合残差网络(ResNet)的深度学习方法对火焰进行检测。通过特征提取网络自动提取特征,利用R-FCN确定火焰位置,并使用ResNet对该位置的火焰进行二次分类,以进一步降低误报率。该方法实现了端到端自动获取火焰特征并进行相应检测的过程,省去了传统火焰特征提取的过程。本文方法在Bilkent大学的火焰视频数据集上平均识别精度达到98.25%。