1 中北大学 信息与通信工程学院，太原03005
2 伍伦贡大学 电气计算机与通信工程学院，澳大利亚伍伦贡 NSW5
利用多个散斑图组合的方式提出了一种新的鬼成像优化方法.利用桶探测器值的大小对照射到目标物体上的多个散斑图进行排序，使相邻散斑图间差异性减小；通过对相邻散斑图间的叠加以及对应桶探测器值的调制，有效降低待关联数据间冗余和数量，并利用不同的关联运算规则实现对目标物体的重构.数值仿真结果表明，对于目标图像，在总采样次数4 000次、4个相邻散斑图组合方式下，所提方法与未组合-调制下传统鬼成像、差分鬼成像和正负调制鬼成像相比，其峰值信噪比/对比度分别提升了21.7%/27.3%、8.3%/17.8%和14.7%/25.7%；通过对20幅目标图像的数值模拟与结果分析，发现峰值信噪比/对比度提升率在15%和30%以上的占比分别为90%/85%和50%/55%，说明该方法具有较好的普适性和推广价值.
鬼成像 多散斑图 组合-调制 优化 重构 Ghost imaging Multiple speckle patterns Combination-modulation Optimization reconsitution
1 昆明理工大学 信息工程与自动化学院, 云南 昆明 650500
2 昆明理工大学 云南省计算机技术应用重点实验室, 云南 昆明 650500
运动目标检测跟踪有关的算法及其基于PC平台的实现已经比较成熟,但实时性较差。将采集的彩色视频流分成灰度和彩色两个数据流,灰度视频用于目标检测,彩色视频流用于跟踪显示。以经典的帧间差分法和背景差分法为基础,根据现场可编程门阵列(FPGA)的特点及片外同步动态存储器的存取控制要求,对这两个算法用FPGA逻辑单元进行了设计和实现。对原始彩色视频流和转换后的灰度视频流的存取使用乒乓操作,在滤波和形态学处理时使用了并行的流水线操作,极大地提高了算法的实时处理能力。在FPGA开发板上构建了一个彩色视频图像中运动目标检测跟踪系统,对系统性能进行了测试。实验结果表明,系统可在多种分辨率和帧率下进行运动目标进行实时检测跟踪; 固定背景差分法对目标运动速度无限制,但当使用帧差法对快速运动目标进行有效的检测时,应使目标的帧差间距大于3.2像素。
运动目标 图像检测 目标跟踪 moving target image detection target tracking FPGA FPGA
中北大学信息与通信工程学院, 山西 太原 030051
针对随机散斑图的非正交性所导致的计算鬼成像信噪比低的问题,提出一种基于正交化正弦散斑的计算鬼成像方法。该方法结合矩阵正交特性,将正交的两种倾斜正弦分布图案叠加,以调整频率上限的方式构建出正交化正弦散斑场,并对未知目标进行成像。数值仿真及实验结果表明,与基于高斯散斑图的计算鬼成像相比,本文方法重建的鬼像质量明显提高,其中峰值信噪比增加了4 dB~7 dB,且结构相似性提高了280%。
图像处理 鬼成像 正弦散斑 正交化 频率上限 激光与光电子学进展
2020, 57(4): 041019
中北大学信息与通信工程学院, 山西 太原 030051
针对传统鬼成像方法恢复图像差导致的边缘检测困难,提出了一种建立在高通滤波基础上的鬼成像改进方法。随机生成的灰度图在被输入空间光调制器前先经高通滤波处理,通过关联运算恢复出未知物体不同方向上的高频分量,然后根据所使用的滤波方法以相应的重构方法恢复出边缘图像,实现在无需预知物体信息的前提下对未知物体的边缘检测。实验以Kirsch滤波和非下采样轮廓波变换(NSCT)为例,表明了相比于传统的鬼成像边缘检测方法,该算法得到的边缘图像在主观上平滑性更好,清晰度更高,在客观上其边缘信噪比和均方误差指标均有所优化。
成像系统 鬼成像 边缘检测 高通滤波 关联运算 激光与光电子学进展
2020, 57(2): 021101
中北大学信息与通信工程学院, 山西 太原 030051
针对计算鬼成像采样过程中出现的数据扰动及采样次数不易较多所引起的鬼图像质量较差的问题,提出了一种基于Tikhonov正则化的计算鬼成像方法。该方法利用一个表征噪声强度的约束项,将计算鬼成像问题转化为信号误差与噪声强度最小化的数学问题,并利用广义交叉验证法选取合适的正则参数来重构待测物体的鬼像。实验结果表明,所提算法在干扰情况下明显优于传统鬼成像、差分鬼成像和伪逆鬼成像,具有较强的稳定性;在无干扰情况下,也明显优于传统鬼成像、差分鬼成像,且不差于伪逆鬼成像。
图像处理 鬼成像 图像重建 Tikhonov正则化 广义交叉验证法 激光与光电子学进展
2020, 57(2): 021016
1 安徽建筑大学环境与能源工程学院, 安徽 合肥 230601
2 安徽建筑大学水污染控制与废水资源化安徽省重点实验室, 安徽 合肥 230601
为实现高效短程生物脱氮及氨氮和亚硝酸盐氮的快速检测, 采用主成分分析结合BP神经网络的方法建立短程生物脱氮工艺中氨氮和亚硝酸盐氮的近红外光谱定量分析模型(BP神经网络模型)。 工艺运行结果表明: 原水经过好氧阶段氨氮从45.3 mg·L-1下降到2.7 mg·L-1, 亚硝酸盐氮从0.01 mg·L-1上升到19.6 mg·L-1, 硝酸盐氮受到抑制; 在缺氧段亚硝酸盐氮从19.6 mg·L-1下降至1.2 mg·L-1, 系统实现了良好的短程生物脱氮效果。 水样原始光谱主成分分析表明: 前13个主成分代表了原始光谱数据的信息, 其累计贡献率达到95.04%, 排除了冗余信息且大大降低了模型的维数, 光谱数据矩阵从192×2 203减少到192×13, 大大降低了运算量并提高了模型的精度。 BP神经网络模型校正结果显示: BP神经网络模型对氨氮、 亚硝酸盐氮校正时的决定系数(R2)分别达到0.950 4和0.976 2, 校正均方根误差(RMSECV)分别为0.016 6和0.010 9。 BP神经网络模型预测结果显示: BP神经网络模型对氨氮、 亚硝酸盐氮预测输出与期望输出之间的决定系数(R2)分别为0.974 0和0.981 4, 预测均方根误差(RMSEP)分别为0.033 7和0.028 7, 模型预测效果良好。 研究表明, BP神经网络模型可以通过快速测定水样的近红外光谱数据预测短程生物脱氮工艺中氨氮和亚硝酸盐氮浓度, 并根据氨氮和亚硝酸盐氮浓度变化及时、 灵活地控制工艺的运行, 为生物脱氮提供快速有效的检测技术和科学依据。
短程生物脱氮 氨氮 亚硝酸盐氮 近红外光谱 主成分分析 神经网络 Shortcut nitrification and denitrification Ammonia nitrogen Nitrite nitrogen Near infrared spectroscopy Principal component analysis Neural networks 光谱学与光谱分析
2016, 36(10): 3399
1 中国人民解放军驻 9804厂军代室， 云南 曲靖 655000
2 中国人民解放军77611部队， 西藏 拉萨 850000
3 云南开放大学化学工程学院， 云南 昆明 650223
为科学评价微光夜视仪的性能指标和作战效能，系统分析了微光夜视系统视距探测方程及微光助视效能，阐明了“微光增视可以提高观察距离多少倍”的说法不宜作为衡量助视效能的技术指标。定义并表征了微光助视效能的 4个特征参量：Em、Ex、Ey、Eb。靶场实验结果表明：当夜天环境照度为 0.6×10-3 lx时，微光夜视仪难以获得清晰的景物图像，通过微光助视，施加特征参量 Ex后，微光夜视仪处于理想的工作状态。
微光夜视仪 视距 微光助视 照度 low light level night vision system visual range twilight aids illuminance
