针对现有紫外成像仪中紫外光与可见光图像配准实时性差, 精度不高等问题, 提出一种基于卷积神经网络(Convolutional Neural Networks, CNN)与小波融合(Wavelet Fusion, WF)的紫外光与可见光图像配准融合方法, 并将其应用于高灵敏紫外成像仪中。首先, 结合刚体变换和卷积神经网络对采集到的图像数据进行参数模型预训练, 通过自主挖掘图像特征寻找到最优空间变换参数, 实现紫外光图像与可见光图像的精确配准; 其次, 利用二维小波分解与重构算法实现紫外光与可见光图像的融合。实验结果表明, 所提方法的紫外光图像与可见光图像配准速度快, 叠加精度高, 且具有良好的稳定性。

提出了一种基于自注入锁定的光纤光栅传感解调方法。采用光纤激光器结构,通过自注入锁定方法将激光器的输出波长锁定在传感光栅的反射波长处。利用啁啾光纤光栅的色散特性,将激光器波长的变化转化为谐振腔腔长的变化,利用激光拍频完成对激光波长变化的测量。阐述了所述方法的结构和测量原理,以温度传感为例进行了实验研究。所提方法具有解调系统简单、稳定性好、传感距离不受限制、兼容性良好的优点。

偏振成像具有很多强度成像所不具备的优势, 在某种特定背景下能够更加突显目标, 是研究地表、大气等领域的良好辅助手段。在红(670 nm)、绿(530 nm)、蓝(450 nm)这3种比较典型的可见光波段下, 采用旋转偏振片求取斯托克斯矢量的方法, 分别对草地, 石板, 沥青地面, 玻璃, 橡胶和铁板6种材质做了偏振特性成像实验, 并对它们的偏振度以及偏振度对比度进行了详细分析。实验结果表明, 在某种背景下, 目标的某些部分在强度成像中不易观测到, 而偏振图像具有足够的亮度信息, 包含了丰富的细节信息, 更加易于人眼识别; 另外, 偏振成像特性与目标材质、观测时刻、成像波段均有较大关系。

基于斯托克斯矢量，通过测量偏振度，研究不同入射偏振态的激光分别在不同浓度油雾介质中传输后偏振特性的变化情况.实验采用波长为671 nm和532 nm的水平、45°、－45°、90°的线偏振光，使它们分别入射到5种不同浓度的油雾介质中，计算四种偏振态偏振光的偏振度变化情况.结果表明，在相同油雾浓度下，对于不同波长的激光，波长越长，线偏振度越高，然而每种波长随浓度的变化趋势是一样的；在相同波长情况下，随着浓度的改变，水平与垂直线偏振光的偏振度变化较大，可达50%，135°与45°线偏振光的偏振度变化较小，约为20%.

针对雾天降质图像，提出了一种新的有雾偏振图像复原方法。对大气光强及传输率函数进行估计，并优化传输率函数，利用大气散射模型，对3 个任意角度的偏振图像进行图像复原，以实现图像去雾。实验比较了3 个任意角度与2 个正交角度偏振图像复原质量。实验结果表明，该方法提高了图像的清晰度及对比度，有效改善了雾天的降质图像，且3 个偏振图像的角度选取是任意的，不需对偏振角度进行配准，有利于工程的实际应用。