辽宁工程技术大学 电子与信息工程学院，辽宁 葫芦岛 125105
针对现有图像重定向方法视觉效果差和处理速度慢的问题，提出一种基于主成分分析法和分块的内容感知图像重定向方法。首先，利用主成分分析法融合梯度图和显著图来提取更加丰富的图像特征，避免主体信息失真；其次，相邻裁缝线由均值代替，避免像素不连贯；最后，根据能量图中列能量值的大小将图像分为显著区域和非显著区域，并行缩放分块，更加注重图像特征并提高运行效率。在MIT RetargetMe、DUT-OMRON和NJU2000数据集上进行实验分析，以主观感受和客观因子运行时间、SIFT-flow作为评价指标，与几种常用算法对比。实验结果表明，该方法保证了图像主体信息的完整性，平均运行时间为线裁剪算法的1/3。本文提出的方法不仅具有较优的视觉效果，而且可降低运算量。
主成分分析法 能量图 分块 裁缝线 缩放 principal component analysis energy map blocking seams scaling
云南师范大学物理与电子信息学院, 云南 昆明 650500
阴影形状、偏转测量和光度立体法等多种手段都能得到场景的法线场, 需要进一步重建才能获得高度场, 因此由法线场重建场景的深度信息值得研究。提出一种由离散法向量恢复高度场函数的方法。首先, 基于离散几何的原理, 逐行估计场景的行高度值; 然后计算少量列高度; 最后根据列高度值, 逐行调整各行的高度平均值, 得出整个场景的高度分布, 其中在估计行高度值与列高度值的过程都运用了最小二乘法。该方法由于减少了优化的数据量, 不需要大型的矩阵运算和运算内存, 并且对于物体表面连续并且光滑的曲面会有较好的效果。实验表明, 该方法对曲面连续突变较少的场景的深度恢复较好, 但对于突变较多的场景, 所恢复出的高度会有横条纹。
法线图 高度图 表面重建 最小二乘 深度恢复 normal map height map surface reconstruction the least squares depth recovery
1 中国科学院上海技术物理研究所, 上海 200083
2 中国科学院智能红外感知重点实验室, 上海 200083
3 中国科学院大学, 北京 100049
空间目标监视和检测是维护空间环境安全的重要保障, 天基观测是其中的一个重要观测手段。在天基观测图像中, 恒星和空间小目标形状、大小相似, 影响空间小目标的检测。且空间环境复杂, 图像的噪声也会对空间小目标检测造成干扰。针对以上问题, 提出了一种基于轨迹预判的空间小目标在轨检测方法。首先对图像进行预处理, 包含使用图像滤波剔除坏像元和背景影响以及阈值分割。对相机进行畸变误差校正, 再进行坐标系转换以及匹配星表剔除大部分恒星。然后采集多帧图像, 对候选目标进行轨迹关联、预判, 确定搜索范围。最后实现对空间小目标的检测。本检测方法具有以下几方面的优势: 在低信噪比下, 实现高检测精度和低虚警率; 减少搜索范围, 提高在轨实时检测能力; 具备对连续帧图像上目标不连续出现的检测能力, 适应更复杂的空间环境下目标检测需求。本检测方法的检测能力在硬件系统上得到了验证, 实验结果表明, 该算法在检测信噪比为2的目标时也具有99.9%的检测率和0.002%的虚警率, 为在轨空间小目标检测提供参考。
空间小目标 信息处理 可见光图像 目标检测 星图匹配 space small target information processing visible light image target detection star map matching
战略支援部队信息工程大学地理空间信息学院，河南 郑州 450001
针对传统LiDAR里程计（LO）测量方法在处理无初值、长序列点云配准时存在精度低、稳定性差等问题，本文引入端到端点云配准网络（HRegNet），提出一种基于深度神经网络的LO测量方法——HRegNet-LO算法，以期实现更加准确、鲁棒的LO测量。所提算法由两个核心模块组成：前端计算和后端优化。在前端scan-to-scan配准中，主要是依据原始点云的3D坐标，采用HRegNet网络，计算出相邻两帧点云的初始转换矩阵，实现LO初始位姿计算；在后端scan-to-map配准中，主要是通过提取特征点构建特征地图，应用迭代最近邻点（ICP）算法，每间隔一定距离对初始位姿进行优化，以减小预估轨迹中的漂移。在Kitti odometry数据集上对所提算法的性能进行了评估，并与LOAM、F-LOAM等算法作对比分析。实验结果表明，所提算法相对旋转、平移误差分别在0.003°/m和1%左右，每帧位姿计算耗时约为100 ms，可以满足LO测量对于精度和实时性的要求。
HRegNet网络 LiDAR里程计 特征地图 迭代最近邻点 Kitti odometry数据集 光学学报
2023, 43(24): 2428003
1 科学技术部科技人才交流开发服务中心，北京 100045
2 中国科学技术信息研究所，北京 100038
3 中国科学院武汉文献情报中心，湖北 武汉 430071
4 中国科学院大学经济与管理学院信息资源管理系，北京 100191
基于光刻技术领域相关论文和全球“高被引科学家”名单，分析了光刻技术领域的研究时间和国家、研究机构、研究资助机构及高水平基础研究人才的分布特征，并在此基础上开展光刻领域论文的文献计量分析，分析光刻领域的研究方向、主题和发展趋势。结果表明，目前光刻技术论文产出呈现下降趋势，美国在该研究领域具有领先优势，光学光刻及掩模、光刻胶及电子束光刻、极紫外（EUV）光刻等技术主题研究仍以国外机构为主。我国已开展布局高数值孔径EUV光刻、导向自组装光刻、石墨烯基材料、机器学习的应用等新兴主题。本文提出光刻技术研发的总体布局、研究机构、企业力量、人才机制的建议，以期为相关领域决策和研究提供科学依据。
光刻技术 科学知识图谱 多维主题分析 基础研究 高被引科学家 激光与光电子学进展
2023, 60(23): 2300004
1 北京信息科技大学仪器科学与光电工程学院，北京 100192
2 北京信息科技大学光电测试技术及仪器教育部重点实验室，北京 100192
3 长春理工大学光电工程学院，吉林 长春 130022
采用摄影测量方法对航天器天线面形进行在轨高精度测量，需对大视场角相机内外参数进行实时在轨标定。恒星可作为不变基准辅助在轨相机标定，但需对所拍星图中的星点进行识别得到其星点矢量信息。提出了一种针对大视场角相机所拍星图的快速识别方法：首先，结合标定结果的星图识别策略，提高匹配准确性；然后，基于四颗星星间角距的标签搜索匹配方法，将复杂度减小至线性，实现快速准确匹配；最后，基于反投误差分析的匹配检验方法，避免误识别。实测实验表明：对采集到的2000张星图进行识别，相比于传统三角形星图识别算法，所提方法兼顾了识别速度和识别率，识别率达到99.5%，识别时间减少75%，证明此方法合理有效，可节省存储空间，提高星图识别速度，提高星图识别率，具有很好的实用价值。
大视场角相机 相机内外参数 畸变校正 快速星图识别 在轨标定 激光与光电子学进展
2023, 60(22): 2210004
东南大学仪器科学与工程学院，江苏 南京 210096
随着垃圾污染问题日益严重，垃圾自动检测识别具有越来越重要的应用价值。改进了YOLOv5算法，提升了对户外复杂背景下垃圾的检测性能，收集了6个类别的户外常见垃圾的图片，建立了一个背景复杂的垃圾图片数据集，提出了一种简单、高效的方法用于生成图片中垃圾目标物的简易真值热力图。基于YOLOv5网络，以真值热力图为量化标准，设计并实验得出一种用于生成垃圾目标物预测热力图的分支结构。随后，将预测热力图送回YOLOv5的backbone结构，增加目标检测网络前向传播过程中特征图的空间注意力权重，以提高整个目标检测网络的性能，改进后的网络仅增加了少量参数，生成了效果可观的预测热力图，垃圾检测的性能得到较大提升。
机器视觉 图像处理 目标检测 垃圾识别 神经网络训练 热力图 激光与光电子学进展
2023, 60(22): 2210002
1 福州大学 先进制造学院，福建泉州362200
2 中国福建光电信息科学与技术创新实验室，福州350116
提出一种多层特征图信息融合的海滩小目标检测方法，从上下文信息与强化特征图信息融合的角度提升小目标游客的检出率。首先，透过更全面、有效的GAM注意力机制思想结合CSP结构提出GCSAM结构，用于增强检测YOLOv5模型中主干网络跨纬度感受区，聚焦小目标特征学习；其次，在颈部融合端使用BIFPN结构优化YOLOv5网络中PANet结构，补全跨层特征信息之间的传递，使得特征图包含更多的上下文信息；最后，采用幂变换改进YOLOv5网络中CIOU_Loss为Alpha‑CIOU_Loss，有效提升预测框的回归精度。实验证明，在满足实时性要求的前提下，相比于原始YOLOv5网络，文中方法在海滩小目标游客检测上查准率提升2.00%，查全率提升5.33%，平均精度均值提升4.36%。文中方法在海滩小目标游客密集、遮挡、目标更小的情况下具有更好的鲁棒性。
深度学习 小目标检测 注意力机制 特征图 deep learning small object detection attention mechanism feature map
1 中国科学院合肥物质科学研究院安徽光学精密机械研究所, 中国科学院通用光学定标与表征技术重点实验室, 安徽 合肥 230031
2 中国科学技术大学, 安徽 合肥 230026
在遥感图像中，大面积的薄云会使得地物信息被遮蔽，从而对后续图像的判读以及应用产生极大的影响。为消除卫星图像中薄云对下垫面的影响，开发了针对多光谱图像的薄云检测与去除算法。该算法首先利用蓝绿波段合成外推波段，通过暗像元搜索，生成薄云厚度图 (HTM) 和薄云掩膜图，进而得到无云区像元与云区像元；再计算图像每个波段的HTM，利用外推波段的HTM与每个波段的HTM求得每个波段的线性回归系数，由该系数对图像进行薄云去除。将该方法应用于环境减灾二号 (HJ-2A/B) 卫星的多光谱图像，研究结果表明，对不同地表类型，薄云去除后图像质量均得到明显的提升，能够清晰地展现出薄云下覆盖的地物信息，并且不影响无云区域的图像质量。利用该算法进行薄云去除后，卫星多光谱图像的清晰度、对比度和标准差都有显著的提升，为后续图像应用提供了质量保障。
遥感影像 薄云去除 云检测 薄云厚度图 环境减灾二号卫星 remote sensing image thin cloud removal cloud detection haze thickness map HJ-2 satellite 大气与环境光学学报
2023, 18(4): 383
