1 中国科学院半导体研究所 半导体超晶格国家重点实验室，北京 100083
2 中国科学院大学 材料与光电研究中心，北京 100049
3 中国科学院脑科学与智能技术卓越创新中心，北京 100083
提出了一种用于单光子雪崩二极管图像传感器的超高速目标定位处理器。它由一个处理阵列，一个Y特征向量生成器和一个位置计算器组成，能够进行噪声减除和目标定位处理。设计了一种省略了乘法和减法运算的高斯滤波和背景减除法，降低了计算复杂度和硬件资源消耗，并显著地提高了处理速度。整个处理器在FPGA开发板上实现，实验结果表明，该处理器能够以100 000 帧/s的速度实时处理128×128分辨率的脉冲图像，并定位其中的运动物体。本文提出的处理器架构同样可用于其他脉冲图像传感器。
目标定位 现场可编程 单光子雪崩二极管 背景减除 高斯滤波 Object location FPGA SPAD Background subtraction Gaussian filter 光子学报
2022, 51(11): 1104001
1 西安工程大学, 西安 710000
2 汤普森河大学数学与统计学系, 加拿大 甘露市 V2C 0C8
为了解决脉冲耦合神经网络(PCNN)在图像分割中存在红外图像噪声适应性差、分割结果精度差和参数确定复杂的问题, 提出了一种结合多尺度高斯核和粒子群优化(PSO)的自适应分割(AGK-PCNN)算法。首先基于简化PCNN模型进行输入图像的全局耦合和脉冲同步, 利用各向异性高斯核的特性设计了权重矩阵, 有效地抑制红外噪声, 且结合粒子群算法自适应调整不同图像的模型关键参数达到最优分割效果。最后同最大类间方差法、自适应高斯阈值分割方法、SCM分割方法等进行视觉效果对比, 使用IoU和Dice得分等对分割图像进行定量比较, 结果表明, 无论是从主观视觉还是客观指标, 本文方法的分割效果均优于其他对比方法。
脉冲耦合神经网络 高斯滤波 粒子群优化算法 图像分割 参数优化 红外图像 Pulse Coupled Neural Network (PCNN) Gaussian filter Particle Swarm Optimization (PSO) image segmentation parameter optimization infrared image
1 福州大学机械工程及自动化学院, 福建 福州 350108
2 福建医科大学附属第一医院, 福建 福州 350005
光学相干断层扫描是目前检测糖尿病视网膜黄斑病变较为灵敏的方法之一,但病变的人工判断易产生主观失误,且比较耗时。为此,本文在迁移学习的基础上提出了一种改进的深度学习网络,用于视网膜图像的自动分类。先基于自适应阈值联合高斯滤波算法对图像进行预处理;然后以预训练模型为基础,通过微调解决样本差异的问题,并以全局平均池化方法替代传统的全连接层来提取深层特征,以降低网络的过拟合现象。基于实验数据对该网络进行验证,所提网络对视网膜病变图像的分类准确率可达97.3%,说明了所提网络对视网膜黄斑病变图像自动分类的有效性。
医用光学 光学相干断层扫描 迁移学习 高斯滤波 微调 全局平均池化 激光与光电子学进展
2021, 58(1): 0117002
1 浙江省特种设备科学研究院，浙江杭州 310018
2 浙江省特种设备安全检测技术研究重点实验室，浙江杭州 3100183
3 中国特种设备检测研究院，北京 100029
4 中国计量大学，浙江杭州 310018
在聚乙烯材料管道生产制造过程中，管道厚度精确测量是影响管道生产质量的一个重要技术问题，太赫兹非金属厚度透射测量过程中，通过测量两次透射信号的光程时间差与材料折射率计算 得到样品厚度参数，为了准确提取两次透射信号的光程时间差值，需要对原始时域信号进行信号表征。通过高斯滤波反卷积得到脉冲响应函数表征时域信号已经成为了一种成熟且有效的技术手段。 但一方面由于太赫兹波在聚乙烯材料中的传播存在明显的频散现象，同时其透射率高回波信号较弱，导致信噪比较低，在脉冲响应函数提取过程中放大了干扰信号的比重，造成信号失真、淹没，无 法准确提取信号。本文通过对带通滤波后的时域信号采用修正型自相关算法进行自相关性分析，再结合高斯滤波反卷积运算，得到改进后的脉冲响应函数。旨在解决太赫兹非金属测量领域时域信号 表征问题。改进算法实验结果显示加强了信号的清晰度，解决了因杂波信号干扰造成的脉冲响应信号失真或淹没情况，显著提高了脉冲响应信号信噪比。
太赫兹 反卷积 信号表征 自相关函数 信噪比 terahertz, Gaussian filter deconvolution, signal
合肥工业大学 计算机与信息学院, 安徽 合肥 230601
结合目标偏振信息和大气偏振信息的差异, 提出了一种利用目标和大气偏振信息的雾天图像重构方法。首先, 从光强图像中分离大气光图像和目标光图像, 分别解析大气光偏振信息和目标光偏振信息, 构建偏振去雾模型。然后, 采用融合图像梯度信息的高斯滤波方法估算大气光强和目标光强, 并分别计算大气光偏振度和目标光偏振度。采用3σ法则阈值分割方法, 在大气光图像空间内估算无穷远处大气光强。最后, 重构出目标图像。在不同天气环境下开展外场实验, 结果表明, 该方法在雾霾、雨、雪天气下能够较好地恢复出目标信息, 重构后图像的信息熵提升约40%, 灰度标准差提升了约90%, 平均梯度和边缘强度提高了3倍。
图像重构 偏振成像 梯度信息 高斯滤波 3σ法则 image reconstruction polarization imaging gradient information Gaussian filter rule 3σ
1 陆军工程大学, 石家庄 050003
2 河北大学, 河北 保定 071002
为了提高图像滤波时边缘的保持能力, 提出鲁棒自适应加权的引导滤波算法。首先利用一阶差分法判断高斯滤波处理后引导图像的边缘位置信息, 在去除噪声干扰的同时, 提高边缘信息提取的鲁棒性, 然后通过最大类间方差法(Otsu)分割边缘区域与非边缘区域, 提高区域阈值选取的自适应性, 最后利用改进的分段函数模型拟合理想权重因子, 控制不同区域的平滑程度, 实现鲁棒自适应引导滤波, 达到保边平滑的目的。通过图像平滑实验与抠图实验对所提算法性能进行了验证, 与引导滤波算法及另外2种改进算法相比, 所提算法的保边平滑性能更强。
图像处理 引导滤波 保边平滑 高斯滤波 最大类间方差法 image processing guided image filter edge-preserving smoothing Gaussian filter Otsu
哈尔滨理工大学 测控技术与仪器黑龙江省高校重点实验室,黑龙江 哈尔滨 150080
鉴于人体胸腹表面三维运动测量在精确放疗等医学领域中的重要应用背景, 提出一种三维傅里叶条纹分析与三频时间相位展开相结合的三维傅里叶变换胸腹表面测量方法。投射一幅不同频率三原色余弦条纹组成的图案, 每采集一幅图像就能实现相应时刻胸腹表面的三维形状测量; 将动态条纹图像序列作为一个三维序列整体, 通过三维傅里叶变换并结合三维高斯滤波器提取折叠相位。无干扰时其均方根误差不超过0.005 rad, 峰谷值误差不超过0.015 rad, 其抗干扰能力高于二维傅里叶条纹分析和其他胸腹表面三维傅里叶条纹分析方法; 通过三频时间相位展开方法进行折叠相位展开, 在限定条件下绝对相位的误差不超过折叠相位的误差。理论分析和实验结果表明, 本文方法能实现人体胸腹表面的三维动态测量。
三维傅里叶变换 折叠相位 高斯滤波器 时间相位展开 胸腹表面 3D Fourier transform wrapped phase Gaussian filter temporal phase unwrapping thoraco-abdominal surface
西安交通大学电气工程学院， 陕西 西安 710049
针对光学元件疵病检测中，通过光学成像获得的图像照度不均匀，噪声明显的问题，提出了根据元件检测照明区的分布特征进行融合处理的方法；该方法采用开运算提取背景算法和高斯差分滤波器，开运算提取背景算法可以给出没有直接照明区域的疵病分布，高斯差分滤波器可去除照明光源的噪声影响；实验结果表明，相较于单一的处理方法，所提出方法更好地得到了整个区域内的疵病分布，有效地实现了不均匀照度环境下的疵病分辨。
不均匀照度 元件检测 高斯差分滤波器 图像 融合 uneven illumination component detection difference of Gaussian filter image fusion
北京工商大学 计算机与信息工程学院, 北京 100048
针对目前大多数显著性检测方法中采用背景种子以及局部区域对比度显著性检测模型的缺点, 本文提出了一种综合考虑局部特征以及全局特征的显著性检测算法。在对图像进行分割之后, 算法首先融合了采用多特征方式生成的背景显著图与采用前景区域对比度方式生成的前景显著图, 之后使用高斯滤波器对融合后的结果进行优化形成局部特征显著图。其次, 在局部特征显著图的基础上提取多种特征的样本集合进行训练, 从而得到全局特征显著图。算法最后将第一步生成的局部特征显著图与全局特征显著图进行结合生成最终的显著图。实验部分验证了算法各部分的有效性, 并且在3个公开数据集上对文章方法与近年来优秀的显著性检测算法进行了对比, 实验结果显示, 本文算法在CSSD数据集上的准确率、召回率以及F-measure分别达到了0.837 5、0.743 4和0.813 7, 在其它数据集上也有良好表现。实验表明, 本文算法能够有效抑制背景区域, 并且高亮前景区域, 更好地检测出显著目标。
多特征 显著性检测 高斯滤波器 局部特征 全局特征 multiple feature salient detection gaussian filter local feature global feature
