为了避免图像去雾后细节模糊和噪声放大,将图像分解为结构层和纹理层,并只对其结构层进行去雾。基于频域滤波思想提出透射率融合方法,解决了现有透射率估计方法中普遍存在的块效应问题和复原图像中存在的晕轮伪影问题。针对透射率优化过程中存在的计算量大、透射率平滑与细节保持之间难以平衡等问题,提出了多重导向滤波透射率优化方法。同时,针对目前大气光估计易受图像中白色物体的影响,提出自适应大气光估计方法。实验结果表明,该算法得到的图像去雾彻底、细节清晰、颜色自然,不仅有效抑制噪声和晕轮伪影,而且显著提高场景对比度、饱和度。

目前,基于统计先验的图像去模糊方法对噪声敏感,细节恢复能力有限,而基于先验学习的算法对图像及其模糊类型、噪声水平等适应性较差。针对上述问题,基于图像模糊前后像素直方图统计,首先提出一种简单有效的低值像素先验。然后针对现有方法对图像去模糊后出现大量噪声或伪影等问题,设计深度卷积神经网络学习图像深度去噪先验,并联合低值像素先验、梯度稀疏先验提出新的去模糊模型。同时,在模糊核估计过程中,利用图像分解方法分离出图像的结构层,并在结构层估计模糊核,获得更为准确的估计结果。大量实验结果表明,本文算法不仅具有很好的细节恢复能力,且对图像及其模糊类型、噪声水平等更具稳健性。与现有主流算法相比,本文方法优势明显。

传统全变差(TV)正则化图像复原仅考虑图像的一阶梯度特征,具有图像噪声敏感、平坦区域阶梯效应明显等缺点。针对此类问题,将广义全变差(TGV)应用于图像去模糊领域,提出自适应加权的TGV图像去模糊模型,该模型能够根据图像局部结构自适应调整权值,在去模糊的同时避免阶梯效应,有效保持图像边缘并抑制噪声。提出基于原始-对偶的自适应加权TGV去模糊模型的迭代求解算法,实验结果表明,利用本文算法可获得高质量复原图像,且时间复杂度低,求解速度快。

采用溶胶-凝胶法(Sol-Gel)制备了以n型Si为栅极、二氧化锡(SnO2)薄膜为沟道层、(Bi,Nd)4Ti3O12(BNT)薄膜为绝缘层的薄膜晶体管。晶体管呈现出n沟道增强型性能, 其开态电流Ion=25μA, 场效应迁移率μsat=0.3cm2·V-1·s-1。BNT铁电薄膜的自发极化以及载流子与极化的耦合作用是晶体管具有较大开态电流和较高场效应迁移率的主要原因。