强激光与粒子束
2024, 36(4): 043018
强激光与粒子束
2024, 36(4): 043016
1 北京理工大学光电学院光电成像技术与系统教育部重点实验室,北京 100081
2 中国气象局中国遥感卫星辐射测量和定标重点开放实验室,国家卫星气象中心(国家空间天气监测预警中心), 北京 100081
3 许健民气象卫星创新中心,北京 100081
基于美国国家极地操作环境(NPP)卫星可见光红外成像辐射仪(VIIRS)的红外和微光遥感数据开展夜间火点检测识别研究,并提出一种联合微光辅助红外遥感数据的夜间微小火点识别(FRJLI)算法。首先,采用VIIRS多天数据融合获得研究区的城市灯光背景图,为火点检测消除城市灯光影响;然后,在传统红外通道火点识别算法的基础上,联合微光通道的火点阈值调试,通过多通道阈值判别、绝对火点识别和上下文判别得到最终的识别结果。以韩国2022年3月4—13日森林火灾和蒙古国2022年4月18—19日草原火灾案例进行实验,根据夜间假彩图和植被指数验证了FRJLI算法识别火点的正确性,分析每天识别火点的亮温和辐射值关系,得出红外与微光数据的相关性及敏感性差异,FRJLI算法较NASA官方火点产品或其他火点算法结果具有更高的识别质量,特别是提高了微小火点的识别率,为更高效准确地识别火点提供了技术支持。针对森林和草原火点的识别效果表明,该算法适用性更广。
遥感 VIIRS 微光 红外波段 夜间火点识别 联合识别
1 西安理工大学机械与精密仪器工程学院,陕西 西安 710048
2 西安市气象局,陕西 西安 710016
为准确且精细地识别云相态,提出一种基于模糊逻辑识别云相态的优化算法,基于不同云粒子特征参数对T函数系数进行了调整。考虑了回波反射率因子衰减和温度对云相态识别准确性的影响,利用毫米波云雷达订正后的回波反射率因子、径向速度、谱宽和微波辐射计探测的连续时空温度,作为优化后的模糊逻辑算法的输入参数。优化后的模糊逻辑算法在原有云粒子相态(冰晶、雪花、混合相态、液态云滴、毛毛雨和雨滴)识别的基础上,还可实现对过冷水和暖云滴的识别。利用该算法对2022年2月6日陕西省西安市一次降雪过程的云粒子相态进行识别,将近地面的云粒子相态结果与同址地面降水现象仪记录的降水粒子相态进行对比,二者探测的相态有较高的一致性,说明优化后的算法能准确且精细地识别云粒子相态。
大气光学 云粒子相态识别 模糊逻辑优化 过冷水 毫米波云雷达 光学学报
2024, 44(12): 1201010
陈凯余 1,2,3,4,5李颖 1,2,3,4李政岱 1,2,3,4郭友明 1,2,3,4,*
1 中国科学院自适应光学重点实验室,四川 成都 610209
2 中国科学院光电技术研究所,四川 成都 610209
3 中国科学院大学,北京 100049
4 中国科学院大学电子电气与通信工程学院,北京 100049
5 光场调控科学技术全国重点实验室,四川 成都 610209
无透镜成像系统使用掩模板替代镜头,在降低成本的同时使设备更加轻巧,然而在进行目标识别前需通过计算重建图像,涉及参数调优和计算耗时问题。基于此,提出一种无重建的目标识别方案,直接在无透镜相机拍摄的编码图像上训练网络识别目标,在节约计算资源的同时还提供隐私保护。使用具有相位掩模板和振幅掩模板的无透镜相机,仿真生成MNIST与Fashion MNIST数据集和实采MNIST数据集,然后在这些数据集上训练ResNet-50与Swin_T网络进行目标识别。结果表明,在仿真MNIST、Fashion MNIST和真实MNIST数据集上,所提方案的最高识别准确率达99.51%、92.31%和98.06%,与先重建目标后识别方案的准确率相当,证明所提方案是一种高效的、具有隐私保护的端到端方案,且在两种掩模板和两类常规骨干分类网络上得到了验证。
计算成像 目标识别 深度学习 无透镜成像 激光与光电子学进展
2024, 61(8): 0811008
1 北方民族大学 计算机科学与工程学院,宁夏银川75002
2 北方民族大学 图像图形智能处理国家民委重点实验室,宁夏银川75001
3 宁夏医科大学 医学信息与工程学院,宁夏银川750004
针对肺部X射线图像的病灶区域较小、形状复杂,与正常组织间的边界模糊,使得肺炎图像中的病灶特征提取不充分的问题,提出了一个面向特征增强的双残差Res-Transformer肺炎识别模型,设计3种不同的特征增强策略对模型特征提取能力进行增强。设计了组注意力双残差模块(GADRM),采用双残差结构进行高效的特征融合,将双残差结构与通道混洗、通道注意力、空间注意力结合,增强模型对于病灶区域特征的提取能力;在网络的高层采用全局局部特征提取模块(GLFEM),结合CNN和Transformer的优势使网络充分提取图像的全局和局部特征,获得高层语义信息的全局特征,进一步增强网络的语义特征提取能力;设计了跨层双注意力特征融合模块(CDAFFM),融合浅层网络的空间信息以及深层网络的通道信息,对网络提取到的跨层特征进行增强。为了验证本文模型的有效性,分别在COVID-19 CHEST X-RAY数据集上进行消融实验和对比实验。实验结果表明,本文所提出网络的准确率、精确率、召回率,F1值和AUC值分别为98.41%,94.42%,94.20%,94.26%和99.65%。DRT Net能够帮助放射科医生使用胸部X光片对肺炎进行诊断,具有重要的临床作用。
肺炎识别 X射线图像 特征增强 双残差结构 Transformer pneumonia recognition X-ray image feature enhancement dual residual model Transformer
1 中国科学院西安光学精密机械研究所,西安 710119
2 中国科学院大学,北京 100039
针对光路对接准直目标识别算法对双目标粘连状态无法判别的问题,提出了基于二进制大对象(Binary Large Object,BLOB)区域和边缘特征分析的准直图像双光学目标识别方法。首先,对二值化图像进行数字形态学处理,计算全图各BLOB区域的面积、中心、轴长、区域、有效BLOB区域个数等信息。其次,对有效BLOB区域个数大于1的完全分离双目标准直图像,统计各BLOB区域中心分别为位于两个面积最大的BLOB区域内的BLOB数量,数量小的候选BLOB区域为主激光目标,数量大的候选BLOB区域为模拟光目标。然后,对于有效BLOB区域个数等于1的待识别图像,从左、右、上、下4个方向分别提取模板边缘图像的有效坐标序列和待识别边缘图像坐标序列,搜索有效坐标序列和待识别边缘图像坐标序列的最大相关系数对应的有效坐标序列。当4个方向的相关系数全部大于0.95时,待识别图像为模拟光目标;当4个方向的相关系数都小于0.95时,待识别图像为主激光目标;否则待识别图像为粘连图像。实验结果表明:提出的双光学目标识别算法,不仅能够识别完全分离的模拟光目标和主激光目标,误差小于3个像素,处理时间小于1 s,而且能够判别处于粘连状态的光学目标和单个独立的光学目标,满足光路对接准直图像识别算法对于自适应性、精度和效率的要求。
光路对接准直 BLOB区域 边缘特征分析 双光学目标识别 粘连图像识别 Optical path docking collimation BLOB region Edge feature analysis Dual optical target recognition Adhesion image recognition