西安工业大学光电工程学院，陕西 西安 710021
针对机器视觉检测光学镜片表面疵病时，在单一的照明环境下疵病图像对比度低，检测方法疵病识别率低等问题，提出了一种双光源下光学镜片表面疵病视觉检测方法。根据散射成像原理，在前照光和背照光两种不同的照明方式下，使用图像传感器得到含有疵病的被测光学镜片图像；再将多幅图像通过图像融合算法融合为一幅图像；最后，利用识别算法获得光学镜片表面的疵病尺寸信息。对两种不同的疵病（划痕、麻点）进行检测，将本系统的测试结果与ZYGO干涉仪的处理结果进行对比，结果表明，所提方法测量的麻点误差不超过2.7%，划痕误差不超过0.8%，检测效率比干涉仪提高了98.24%，缩短了检测时间。与单一照明环境下的检测方法和人工检测相比，所提方法对疵病的识别准确率与精度更高。
疵病检测 双光源 机器视觉 散射成像 图像融合 激光与光电子学进展
2024, 61(10): 1012004
贵州民族大学 物理与机电工程学院，贵州 贵阳 550025
利用基于光学记忆效应的单帧散斑自相关方法，研究了光透过随机散射介质的快速成像。短的相机曝光时间内的高质量快速成像需要尽可能消除影响成像质量的因素。通过引入旋转散射片来消除光束的空间相干性，避免相干噪声对成像质量的影响。光斑对比度可衡量光束的空间相干性被消除的效果，影响光斑对比度数值的主要因素有三个：旋转散射片介质颗粒度即目数、转速、相机曝光时间。实验分析了220目数和600目数两种旋转散射片和不同转速、相机不同曝光时间的情况。结果表明，转速提高和相机曝光时间的增加均使得光斑对比度下降并提升散斑相关成像质量，相机曝光时间超过一定值后，光斑对比度和成像相关系数随散射片转速和曝光时间的变化相对较小。因此对于相机曝光时间短的单帧散斑快速成像，选择最合适的散射片转速对高质量成像非常重要。通过优化算法来提升成像质量。根据对光学传递函数约束的迭代算法，无需利用目标的先验信息即可恢复系统的点扩展函数，该点扩展函数适用于不同形状、不同大小的目标，结合单帧散斑自相关算法可实现快速成像，与仅使用单帧散斑自相关算法的情况相比成像质量显著提升。
散射成像 快速成像 点扩展函数 相位恢复算法 旋转漫射器 scattering imaging rapid imaging point spread function phase retrieval algorithm rotating diffuser 红外与激光工程
2023, 52(12): 20230345
赵景怡 1,2,3,4赵茂雄 1,2,3,4,*石磊 1,2,3,4,**资剑 1,2
1 复旦大学应用表面物理国家重点实验室，上海 200433
2 复旦大学微纳光子结构教育部重点实验室，上海 200433
3 上海微纳制程智能检测工程技术研究中心，上海 200433
4 复旦大学-光检测与光集成校企联合研究中心，上海 200433
光谱是物质的光学指纹信息，是研究光与物质相互作用的重要手段。角度分辨光谱技术是对光谱在角度维度的进一步解析，能够分辨光的强度、偏振态和相位等信息，从而在生物医学、材料科学和微纳光子学等研究领域得到广泛应用。为了实现角度分辨光谱，目前已经开发了多种实验系统，并涌现出了大量数据处理算法。本文将介绍角度分辨光谱的生成方法、数据处理技术及其在不同研究领域中的应用。
角度分辨光谱 光学逆散射问题 光学散射成像 光学特征尺寸 缺陷检测 光学学报
2023, 43(16): 1623016
1 合肥工业大学计算机与信息学院, 安徽 合肥 230601
2 天津津航技术物理研究所, 天津 300192
散射介质会改变光子的传播方向和传输路径, 导致成像质量下降甚至形成散斑。理论上, 散射介质的传输矩阵可以被用来恢复目标信息, 但是求解传输矩阵的过程十分复杂, 而且精度也受较多因素的影响。近年来, 迅速发展的深度学习技术为解决散射光场成像问题提供了新思路, 其作为一种求解逆问题的常用方法可以准确恢复目标信息、提高成像质量, 在散射光场成像领域发挥着重要作用并涌现出了一系列突出的科研成果。基于深度学习算法中的监督学习和无监督学习, 总结了现阶段基于深度学习算法的散射光场成像技术的研究进展, 并从深度学习技术的网络结构、成像质量、泛化性等方面分析比较了各类智能算法成像技术性能。最后, 分析了基于深度学习算法的散射光场成像技术的优势及面临的挑战, 并展望了该领域未来可能的发展趋势。
信息光学 散射光场成像 目标重建 深度学习 散射介质 information optics scattering imaging target reconstruction deep learning scattering media
红外与激光工程
2022, 51(8): 20220299
1 西安电子科技大学 物理与光电工程学院，陕西 西安 710071
2 西安电子科技大学 西安市计算成像重点实验室，陕西 西安 710071
3 西安电子科技大学 前沿交叉研究院，陕西 西安 710071
散射是光学成像中普遍存在的现象，成像路径中存在的烟雾、水体、生物组织等散射介质导致光束发生随机散射效应，使得像面处目标信息以杂乱无章的散斑形式存在，如何应对散射介质对成像的限制是当前光学成像领域的研究热点。全息技术能够记录和重建物体全部信息，是获取和解译光场信息的有力工具之一。近年来，传统全息以及相关全息理论被推广应用至散射成像领域，取得了一系列突破性成果，文中主要介绍与归纳了散射成像领域中应用全息技术的理论原理、发展历史及最新进展，并展望其发展前景。
散射成像 计算成像 相位共轭全息 合成波长全息 相关全息 scattering imaging computational imaging phase conjugate holography synthetic wavelength holography correlation holography 红外与激光工程
2022, 51(8): 20220307
南京理工大学 江苏省光谱成像域智能感知重点实验室，江苏 南京 210094
为了利用被散射的光信号实现成像，越来越多的散射成像方法被提出。其中深度学习以其强大的数据表征和信息提取能力在散射成像领域发挥着重要的作用。相较于传统散射成像方法，基于深度学习的散射成像方法在成像速度、质量、信息维度等方面都有着巨大的优势。但是，模型训练、模型泛化等问题也制约着该方法的发展。因此，越来越多的研究将物理过程与基于数据驱动的方法进行联合建模，利用物理先验指导神经网络优化。相较于单纯的数据驱动方法而言，物理-数据联合建模的方法对数据量、神经网络参数量的依赖程度大大降低，在保证成像质量的前提下有效降低数据获取难度及对实验环境的要求。联合建模优化的方式实现了介质、目标类型等散射成像中关键节点的泛化。同时在训练过程方面，实现了从有监督到半监督再到无监督的训练优化过程迭代，不同模型和监督方式的提出大大提升了基于深度学习方法的训练效率，在降低对硬件和时间成本的同时，提升了基于深度学习的散射成像方法在非实验室场景应用的可能性。
散射成像 深度学习 计算成像 神经网络 scattering imaging deep learning computational imaging neural network 红外与激光工程
2022, 51(8): 20220563
1 中山大学 光电材料与技术国家重点实验室，广东 广州 510275
2 南方海洋科学与工程广东省实验室（珠海），广东 珠海 519000
3 中山大学 物理与天文学院，广东 珠海 519082
视觉信息是人类对周边环境进行感知的重要手段，光学成像和图像处理技术能大大扩展人类“视域”，使得人们获取图像的方式不局限于眼睛能见范围。散射效应导致光学成像装置的作用距离大幅下降，难以对远距离目标进行有效观测。人类对图像信息的感知，通常由对焦、校正和立体视觉形成，三个步骤互相耦合完成。其中，对焦和双目图像信息校正过程可以通过光学系统和数字图像处理的方法进行优化，提高强散射背景下的图像对比度，进而使得散射条件下的图像信息得以被感知和分析。然而，在目前技术条件下，机器立体视觉仍难以达到人类视觉水平，而人类视觉系统仍然是图像感知和分析的重要终端。可以预见，在低能见度条件下实现光学图像信息的精确获取与分析，仍需要实现人类视觉系统和机器的双重结合，发展包含人类视觉在内的立体视觉全局优化技术。主要介绍了在大气和水下浑浊条件下实现光学成像和实现图像融合的物理极限和关键影响因素，并展望人类的立体视觉在提高光学成像能力方面的作用。
散射成像 图像融合 立体视觉 感知增强 scattering imaging image fusion stereoscopic vision perceptual enhancement 红外与激光工程
2022, 51(8): 20220418
1 华侨大学 信息科学与工程学院 福建省光传输与变换重点实验室，福建 厦门 361021
2 闽南师范大学 物理与信息工程学院，福建 漳州 363000
不同于毛玻璃等固态散射介质静止不变的特点，浑浊介质对光束的散射作用同时体现在空间及时间上，当浑浊介质动态变化时，大多数的传统散射成像方法失效。针对以上问题，文中采用了一种基于深度学习恢复散斑图像的方法，研究了浑浊介质中，不同散射介质及散射介质浓度不同的条件下，神经网络的图像恢复效果，并利用不同浓度散射介质获得的散斑图像混合训练测试神经网络的泛化能力。实验结果表明，在不同散射介质及散射介质浓度不同的条件下，该网络均能够根据散斑图像获得较高保真度的恢复图像，且在不同浓度散射介质的散斑图像混合训练的情况下，网络泛化能力及鲁棒性强。
图像恢复 散射介质 散射成像 深度学习 image reconstruction scattering medium scattering imaging deep learning 红外与激光工程
2022, 51(8): 20220215
1 清华大学深圳国际研究生院 深圳市宽带网络与多媒体重点实验室，广东 深圳 518055
2 中国科学院深海科学与工程研究所 深海视频技术实验室，海南 三亚 572000
深海探测目前广泛应用于环境、结构监测和油气勘探等领域，越来越受到各国的重视。而散射现象严重降低了深海探测中的视觉图像质量，且现有的方法在多深度或非均匀照明的深海散射环境中均受限。因此，文中提出了一种基于深度校正统计散射模型的深海去散射方法，提出的模型利用透射图建模了深度归一化的散射图像，并利用高斯统计模型估计局部散射，得到每个颜色通道中深度校正的散射图，从而实现在多深度和非均匀照明情况下对散射的精确建模。为了验证笔者算法的有效性和鲁棒性，在浅海和深海不同场景的图像上进行了测试，同时也在深海的视频序列上进行了测试，实验结果均表明，提出的方法在主观质量和客观评价方面均优于现有方法。
去散射 散射成像 透射率图 深海视频 descattering scattering imaging transmission map deep-sea video 红外与激光工程
2022, 51(9): 20210919
