提出了一种无片外电容、快速瞬态响应、宽输入电压范围的低压差线性稳压器(LDO)。该电路基于翻转电压跟随器(FVF)结构, 不需额外增加辅助电路, 仅使用两个电容作为检测模块, 以动态调整瞬态响应, 能够弥补传统LDO集成度低、面积大、功耗高、瞬态响应差的不足。电路基于TSMC 180 nm CMOS工艺。仿真结果表明, 该LDO的压差为200 mV, 静态电流为36 μA, 输入电压范围为2~4 V, 低频时PSRR为-59 dB。在30 pF负载电容、0~10 mA负载电流、150 ns阶跃时间条件下, 产生的上冲电压为50 mV, 下冲电压为66 mV, 瞬态电压恢复时间为300 ns。

半导体激光器作为一种理想的激光光源，具有广阔的发展前景。在激光雷达、光泵浦、光纤耦合等领域，对半导体激光器的要求除大功率以外，还需具有高光束质量。由于大功率半导体激光器自身的结构特点，侧向易出现多模态光束，严重影响侧向光束质量。因此对大功率半导体激光器侧向模式进行控制，改善侧向光束质量，已成为行业内的研究热点。从3个部分展开：锥形激光器、宽脊波导半导体激光器光束质量控制、半导体激光器散热封装结构，分类介绍了当前国内外在控制侧向光束质量方面具有代表性的研究成果与进展。

海洋生物相互聚集形成遮挡现象是误检和漏检的重要原因。为了解决这个问题，提出一种采用样本迭代融合辅助网络训练的海洋生物检测方法。首先，选用改进后的深度空洞残差结构作为特征提取网络，提升了网络的特征提取能力；然后，结合海洋生物图像目标遮挡、密集的特点，改进损失函数避免发生误检、漏检现象；最后，为了进一步解决目标遮挡、数据不平衡的问题，提出样本迭代融合方法，生成模拟图像扩充训练集，提高了网络训练的有效性和对小样本量海洋生物的检测能力。实验结果表明，所提海洋生物检测方法在URPC2018和台湾鱼类数据集上的准确率分别达91.36%和90.27%，检测准确率和速度高于现有目标检测算法。

针对显微图像领域色彩恒常(CC)数据集缺乏、CC算法跨数据集训练效果不佳的问题,通过相机采集和模拟生成两个步骤建立了显微CC数据集,并提出了一种基于自编码器的显微图像CC算法。该算法用改进的UNet结构自编码器进行半监督训练,同时引入一种新的复合损失函数优化网络参数,使恢复的图像色彩更准确。实验结果表明,相比传统自编码器,本算法训练的图像清晰度更高,在NUS-8 CC数据集、RECommended CC数据集和自建显微CC数据集中的角误差估计值更小。

与前一代高效视频编码标准相比, 未来视频编码标准增加了新的二叉树加四叉树编码结构。针对该结构虽然显著提升了超高清视频编码效率, 但是大幅增加了编码复杂度的问题, 提出了联合多特征快速编码算法。该算法联合多个编码特征的后验概率信息, 估计当前编码单元的划分方式, 通过提前终止若干编码单元的划分来节省编码时间。此外, 针对单个特征贝叶斯分类不准确的问题, 算法在简化联合概率模型的同时提升了分类算法的准确度。实验结果表明: 在随机访问配置、低延迟P配置和低延迟B配置下, 算法可以平均减少35.7%, 25.6%和26.7%的编码复杂度, 而BDBR只分别增长了4.3%, 3.1%和2.89%。算法在保证视频主观质量的前提下, 节省了编码时间。

针对360°全景视频在等矩形投影面中编码时存在冗余像素较多且较少考虑感兴趣区域(ROI)画面质量的问题,提出一种基于ROI的360°全景视频编码算法。该算法利用当前帧编码残差信息求取ROI并指导下一帧编码;利用球面到等矩形投影面的映射函数求出各纬度处像素的冗余程度,将其作为非ROI量化参数的调节因子,并与ROI量化参数调节因子共同决定每帧画面最大编码单元级别的编码参数设置。实验结果表明,在使用加权球面峰值信噪比和球面峰值信噪比全景视频客观评价方法评价编码效果时,与HEVC编码器参考软件相比,本文方法码率最高可节省4.98%,平均码率可节省2.46%,相同码率下视频质量平均提高0.145 dB。与相关代表性方法相比,ROI内容质量明显提升。

高动态范围图像合成中容易出现鬼影现象，而传统的矩阵完成算法没有考虑多曝光图像序列的运动特征，导致高动态范围图像中的鬼影未能完全去除。针对这一问题，本文提出一种基于低动态范围图像内容自适应矩阵完成算法以去除高动态范围图像中的鬼影。首先，根据图像的亮度和色度信息，确定低动态范围图像的运动区域；然后根据这一运动先验信息，调整矩阵完成算法过程中的正则化约束强度，从而得到每幅低动态范围图像的背景信息；最后，考虑到不同曝光度的图像在每一区域所包含的细节不同，采用与曝光相关的融合策略合成去鬼影的高动态范围图像。实验分别采用简单背景图像序列和复杂背景图像序列，结果表明，所提出的算法相比于奇异值部分和最小化矩阵完成算法，能取得更好的合成效果，适用于复杂背景下的高动态范围图像合成。

针对许多评价方法都需要大量有效的训练样本离线学习得到特征提取器的问题, 同时考虑到人脑能自然感知数据的内在低维特征, 这种感知恰以流形方式存在, 提出了一种采用在线流形学习的彩色图像质量评价方法。实验结果表明, 所提出方法在LIVE、CSIQ和TID2008三个数据库的平均Spearman秩相关系数(SROCC)达到0.91。相比于其它方法, 在线流形学习的彩色图像质量评价方法与主观视觉感受吻合度更高。

考虑到人眼视觉关注特性在视频质量评价(VQA)中所具有的重要作用, 提出了一种结合人眼视觉关注特性的视频质量评价方法。首先利用三维Sobel算子以及恰可察觉失真模型得到全局显著图, 对全局显著图的每个显著像素点构建结构张量来求取一帧的全局质量; 然后利用视频运动信息以及人眼中心关注特性求得局部显著图来进行感知加权, 得到一帧的局部质量; 最后均衡局部与全局质量得到视频中一帧的质量,并采用机器学习的方法获得时域加权模型, 对视频帧进行加权, 从而得到客观视频质量评价值。在LIVE视频数据库上进行性能测试, 得到PLCC(Pearson Linear Correlation Coefficient)为0.827, SROCC(Spearman Rank Order Correlation Coefficient)为0.802, 与已有相关算法相比, 所提出的VQA方法的评价结果更接近人眼的主观感知。

如何准确有效的评价立体视频质量对于视频通信系统的发展有着重要的作用。本文着重于从单视点相邻帧中提取的结构信息相关性提出了一种立体视频质量评估方法。空域梯度对空域失真和时域局部失真同样敏感，对于立体视频的左右视点，首先结合时空域梯度特征和对图像质量评价有显著影响的颜色特征，得到单视点视频的时空域结构相似度。在时空域质量融合阶段，时空域局部质量首先通过空域融合得到单视点帧级质量值，然后再利用左右视点能量比率图加权的方法将同一时刻左右视点之间的质量值融合为立体视频单帧质量值。最后考虑人眼不对称追踪效应进行单帧质量融合得到最终的立体视频质量。在NAMA3DS1-COSPAD1 数据库上的实验表明该方法可以准确预测立体视频质量且时间复杂度非常低。