Structured illumination microscopy (SIM) is a popular and powerful super-resolution (SR) technique in biomedical research. However, the conventional reconstruction algorithm for SIM heavily relies on the accurate prior knowledge of illumination patterns and signal-to-noise ratio (SNR) of raw images. To obtain high-quality SR images, several raw images need to be captured under high fluorescence level, which further restricts SIM’s temporal resolution and its applications. Deep learning (DL) is a data-driven technology that has been used to expand the limits of optical microscopy. In this study, we propose a deep neural network based on multi-level wavelet and attention mechanism (MWAM) for SIM. Our results show that the MWAM network can extract high-frequency information contained in SIM raw images and accurately integrate it into the output image, resulting in superior SR images compared to those generated using wide-field images as input data. We also demonstrate that the number of SIM raw images can be reduced to three, with one image in each illumination orientation, to achieve the optimal tradeoff between temporal and spatial resolution. Furthermore, our MWAM network exhibits superior reconstruction ability on low-SNR images compared to conventional SIM algorithms. We have also analyzed the adaptability of this network on other biological samples and successfully applied the pretrained model to other SIM systems.

建筑物轮廓线是各类应用的数据源，但散乱、不规则激光点云数据给轮廓线提取带来了难度。针对上述问题，提出一种基于多层级最小外包矩形规则建筑物轮廓线提取方法，首先使用迭代区域增长算法对轮廓点进行分组，根据点数最多的一组确定初始最小外包矩形。再对初始最小外包矩形进行多层级分解，使轮廓点与不同层级最小外包矩形重合，最后根据不同层级最小外包矩形生成轮廓线。使用Vaihingen城区中规则建筑物进行实验，实验结果表明：与最小面积方法与最大重叠度方法相比，所提方法能准确确定初始最小外包矩形，且提取效率得到略微提高。提取的轮廓线角点均方根误差为0.71 m，优于其他4种方法。所提方法可快速提取规则建筑物轮廓线，有利于后续三维重建。

许多幅度再生方案可用马赫‐曾德尔干涉仪（MZI）结构进行建模。研究级联光学相位共轭器（OPC）的MZI（OPC‐MZI）再生方案，以实现近乎理想的相位保持再生。通过分析整个级联系统的功率和相位转移特性，优化设计了满足需求的硅基MZI再生芯片单元。采用正交相移键控（QPSK）调制信号仿真验证了OPC‐MZI再生方案的可行性。仿真结果表明：当输入信噪比为16 dB时，与单级MZI再生芯片相比，OPC‐MZI再生方案的噪声抑制比（NRR）可提高1 dB，相位扰动也由5.7°降至0.07°。

在公共安全、**等领域高分辨率热红外图像能够提供更多的场景细节信息, 有着广泛的应用需求,但高昂的设备成本限制了高分辨率红外图像的获取。为此设计了一种多级跳线深层残差卷积神经网络(DR-CNN), 通过软件超分辨的方法重构出高分辨率的红外图像。采用多级跳线双通道注意力残差块增加卷积深度以解决卷积层间缺乏关联性的问题; 使用Concat模块实现局部特征信息的融合, 利用反卷积层进行特征图像的上采样, 使其直接从低分辨率图像学习到高分辨率图像以降低训练的复杂度, 加快运行速度。所提算法与SRCNN, FSRCNN和ADSR等算法进行对比测试, 使用峰值信噪比(PSNR)和结构相似度(SSIM)作为算法的评价指标。实验结果表明提出的RD-CNN算法优于其他对比算法, 生成的高分辨率图像细节丰富且清晰。

针对现有相位保持幅度再生方案仍然存在残余相位扰动的问题，提出光学相位共轭器辅助的非线性光纤环形镜（OPC-NOLM）方案，该方案可实现多电平全光幅度再生功能，具有相位扰动几乎为零的完美相位保持能力。以16阶正交幅度调制（16QAM）信号为例，仿真了OPC-NOLM再生方案性能。研究表明，在输入信噪比为15 dB时，与不使用OPC的单一非线性光纤环形镜（NOLM）情形相比，所提方案的噪声抑制比提高了3.8 dB。

虹膜纹理容易被纹理隐形眼镜隐藏甚至伪造，进而对虹膜识别系统的安全性构成了威胁。针对真实虹膜与纹理隐形眼镜伪造虹膜光学特性和纹理特征差异较小的问题，提出了一种循环注意力隐形眼镜虹膜防伪检测方法RAINet。利用循环注意力机制对能区分真伪虹膜的关键区域进行无监督定位，并通过多层级特征融合提升防伪检测精度，构建了端到端防伪检测网络，无需图像预处理即可直接进行真伪特征检测。采用MobileNetV2作为特征分类网络，在保持检测精度的同时，减少了网络的参数量和计算量。在包含真实虹膜样本和隐形眼镜虹膜样本的两个公开数据库（IIITD CLI和ND系列）上进行了实验验证。结果表明，RAINet的检测精度优于其他防伪检测网络，在同传感器、跨传感器和跨数据库实验条件下的平均正确分类率分别可达到99.93%、97.31%和97.86%。