1 中山大学电子与信息工程学院，广东 广州 510006
2 华南师范大学信息光电子科技学院，广东 广州 510631
3 华东师范大学精密光谱科学与技术国家重点实验室，上海 200241
生物组织折射率在微观上的不均匀分布造成了光学散射，进而导致了光在组织深处聚焦能力的丧失。波前整形技术通过补偿不同散射通道间的相位延迟，能够实现散射光的重新聚焦。该技术的有效实施依赖于散射过程的确定性，一旦散射过程在调控完成前发生变化，预补偿的相位将无法抵消散射带来的影响，最终会造成焦点强度的下降甚至是完全消失。然而在实际应用中，散射过程通常处于一个不断变化的动态状态，例如在生物活体内，血液的流动、心跳，以及呼吸等动态生理活动均会引起散射过程的动态变化。因此，为了保障波前整形技术在生物活体中的应用开展，提升波前整形系统的调控速度显得尤为关键。针对该问题，本综述主要对高速波前整形的发展现状进行了回顾，概述了调控速度的未来优化方向，分析并展望了其在生命科学中的潜在应用和前景。
激光与光电子学进展
2024, 61(10): 1000004
汕头大学 工学院 机械工程系, 广东 汕头 515063
视差不连续区域和重复纹理区域的误匹配率高一直是影响双目立体匹配测量精度的主要问题，为此，本文提出一种基于多特征融合的立体匹配算法。首先，在代价计算阶段，通过高斯加权法赋予邻域像素点的权值，从而优化绝对差之和（Sum of Absolute Differences，SAD）算法的计算精度。接着，基于Census变换改进二进制链码方式，将邻域内像素的平均灰度值与梯度图像的灰度均值相融合，进而建立左右图像对应点的判断依据并优化其编码长度。然后，构建基于十字交叉法与改进的引导滤波器相融合的聚合方法，从而实现视差值再分配，以降低误匹配率。最后，通过赢家通吃（Winner Take All，WTA）算法获取初始视差，并采用左右一致性检测方法及亚像素法提高匹配精度，从而获取最终的视差结果。实验结果表明，在Middlebury数据集的测试中，所提SAD-Census算法的平均非遮挡区域和全部区域的误匹配率为分别为2.67%和5.69%，测量200~900 mm距离的平均误差小于2%；而实际三维测量的最大误差为1.5%。实验结果检验了所提算法的有效性和可靠性。
机器视觉 立体匹配 SAD-Census变换 十字交叉法 引导滤波 machine vision stereo matching SAD-Census transform cross method guided filtering
1 西安建筑科技大学 信息与控制工程学院，陕西西安70055
2 建筑机器人陕西省高等学校重点实验室，陕西西安710055
3 西安市建筑制造智动化技术重点实验室，陕西西安710055
针对混凝土表面裂缝分割过程中分割精度低、细微裂缝漏分和背景干扰等问题，提出一种联合线性引导和网格优化的裂缝分割模型。首先，在主干网络中引入多分支线性引导模块，通过自适应单维度池化增强网络对裂缝线性结构的表达能力，让不同区域的裂缝建立联系，增强全局上下文信息感知能力，提高网络分割精度；然后，提出网格细节优化模块，通过分区-优化-合并三步骤，将整个空间域划分为若干个空间网格，提取空间网格中的细微裂缝信息，防止细微裂缝漏分；最后，在主干网络的跳跃连接处嵌入混合注意力模块，在空间和通道双维度突出裂缝特征，减少背景干扰。在Deepcrack537，Crack500和CFD裂缝数据集上，所提模型的IoU值分别达到77.07%，58.96%和56.55%，F1-score值分别达到87.05%，74.19%和72.24%，明显优于大多数现有方法，具有更高的分割精度。
裂缝图像 线性引导 语义分割 网格优化 注意力机制 crack image linear guide semantic segmentation mesh optimization attention mechanism
1 南京理工大学机械工程学院，江苏 南京 210094
2 南京理工大学智能弹药国防重点实验室，江苏 南京 210094
针对传统多尺度融合方法不能突出目标信息、融合图像缺失细节与纹理的问题，提出一种基于梯度域引导滤波和显著性检测的红外与可见光图像融合方法。该方法利用梯度域引导滤波将输入图像分解为基础层和细节层，同时利用加权的全局对比度方法将基础层分解为特征层以及差异层。在融合过程中，分别采用相位一致性组合加权局部能量、局部熵结合加权最小二乘优化、平均规则来融合特征层、差异层、细节层。实验结果表明，所提融合方法的多项指标相对于其他方法提升较多，且图像视觉效果更好，在突出目标信息、保留轮廓细节、提高对比度和清晰度方面十分有效。
图像融合 引导滤波 显著性分析 多尺度分解 激光与光电子学进展
2024, 61(8): 0837010
1 中国科学技术大学生物医学工程学院（苏州）生命科学与医学部，江苏 苏州 215163
2 中国科学院苏州生物医学工程技术研究所医用光学技术研究室，江苏 苏州 215163
在显微成像过程中，受系统景深限制，沿光轴方向不同层面之间聚焦位置存在显著差异，同时不同层面的显微图像存在部分聚焦区域重叠，现有多聚焦融合算法往往无法并行提取和融合多幅显微图像中最清晰的聚焦部分。提出一种多聚焦显微图像融合算法，首先构造了一种类高斯四邻域梯度算子并结合快速引导滤波，实现高频聚焦信息的提取；同时针对大视场显微图像序列中存在聚焦信息重叠、像素数量大的情况，引入了一种小区域聚焦度量方法，提高了对聚焦清晰区域高频信息提取的能力，实现了多图最佳聚焦点的融合。拍摄3组包括4 mm和2 mm对角线视场的多聚焦显微图像序列进行测试，相较5种常用多聚焦图像融合算法，所提算法的峰值信噪比平均提高了2.4772，结构相似性指数达0.9400以上，对聚焦清晰区域有更好的融合效果，融合图像细节丰富且清晰度高，能够满足大视场多聚焦显微图像融合的准确性要求。
图像处理 多聚焦显微图像 引导滤波 聚焦信息检测 多图融合 激光与光电子学进展
2024, 61(6): 0618022
天津大学精密仪器与光电子工程学院光电信息技术教育部重点实验室，天津 300072
在基于强度信息的光学相干断层扫描血管造影（OCTA）技术中，去相关映射被广泛应用，但该方法易受噪声影响，尤其是对于低信噪比区域，噪声会使帧间高相关的静态组织信号呈现出高去相关性，与血流信号的高去相关值混叠，从而会降低微血管图像的成像质量。本文提出了一种基于局部信噪比动态阈值调节的分光谱振幅去相关方法，首先探讨了图像局部信噪比与静态体素去相关值的关系及影响因素，并以分频谱处理数据的方式削弱轴向运动伪影并加强血流信息，然后依据图像局部信噪比与静态体素去相关的关系调整设定阈值，用以判定区分动静态体素，阈值以下的去相关值视为静态体素，结合Sigmoid函数予以抑制。采用该算法在高信噪比的皮肤数据和低信噪比的视网膜数据处理中均能取得较好的效果：皮肤enface图像信噪比提升约4 dB；视网膜enface图像的对比度相较其他算法优势明显，相比于未进行静态抑制的分频谱振幅去相关造影（SSADA）方法，enface图像的对比度提升了0.0182。可见该方法能够有效地抑制微血管图像中的静态体素噪声，提升图像对比度和血管可视性，有利于疾病的诊断和评估。
光学相干层析 血管造影 分频谱 相关映射法 信噪比引导
昆明理工大学国土资源工程学院，云南 昆明 650093
针对红外与可见光图像融合过程中细节信息丢失过多、融合结果纹理不清晰、对比度不高等问题，提出一种基于图像增强和二次非下采样轮廓波变换（NSCT）分解的红外与可见光图像融合方法。首先，对可见光图像采用基于引导滤波的图像增强算法提升图像可视性。其次，对增强后的可见光图像和红外图像分别进行NSCT分解得到低频子带和高频子带，并且在不同子带间使用不同的融合规则，得出一次融合图像的NSCT系数。然后，对一次融合图像的NSCT系数重构再分解为高频子带和低频子带并分别与可见光图像的高低频子带融合得到二次融合图像的NSCT系数。最后，对二次融合图像的NSCT系数进行逆变换重构得到最终的融合图像。利用公共数据集进行大量试验，使用8种评估指标，与8种基于多尺度的融合方法对比。实验结果表明：所提方法能保留更多源图像中的细节信息，还能提高融合结果的边缘轮廓清晰度、整体对比度，在主观视觉和评价指标上都存在优势。
图像融合 引导滤波 高频子带 低频子带 激光与光电子学进展
2024, 61(4): 0437001
1 东南大学智能影像与介入医学国家级重点实验室培育建设点，江苏 南京 210009
2 中国科学院深圳先进技术研究院生物医学与健康工程研究所劳伯特生物医学成像研究中心医学成像科学与技术系统重点实验室，广东 深圳 518055
近红外二区（NIR-Ⅱ）金纳米团簇（Au NCs）具有明亮的多色荧光、良好的生物相容性和可肾脏清除的特性，已成为当前生物医学光子学领域中备受关注的纳米材料。首先介绍了NIR-Ⅱ Au NCs的合成方法，讨论了其面临的低产率和缺乏规模化制备的问题。其次，介绍了NIR-Ⅱ Au NCs的表面调控技术，讨论了调控团簇表面结构、组成和形态的方法，以及增大发光波长和提高荧光量子产率的方法。然后，总结了NIR-Ⅱ Au NCs在血管成像、淋巴管和淋巴结成像、肿瘤成像以及成像引导治疗等方面的最新研究进展。最后，讨论了NIR-Ⅱ Au NCs在生物医学光子学领域中面临的机遇与挑战。
生物光学 金纳米团簇 近红外二区荧光 生物医学光子学 生物成像 成像引导治疗
1 中国工程物理研究院 应用电子学研究所，四川 绵阳，621900
2 中国工程物理研究院研究生院，四川 绵阳，621900
3 中国工程物理研究院 流体物理研究所，四川 绵阳，621900
4 95972部队，甘肃 酒泉，735300
在探测目标尺寸小且距离远时，由于光电系统的视场角很小，有效的目标前级引导是光电系统跟瞄目标的前提。目标引导的本质是将大地坐标系下的目标点转换至光电系统局部坐标系下，转换过程中引入一系列旋转和平移参数，其准确程度决定了最终的目标引导精度。提出基于无人机航迹的光电系统引导误差校正方法，通过围绕光电系统周围无人机航迹数据，求解引导数据计算过程中坐标变换的最优参数，进而提高目标引导精度。在本项目搭建的实验装置上实现了方位引导标准方差小于0.052°，俯仰引导标准方差小于0.04°，最大误差不超过0.7°。目标前级引导的引导精度越高，光电系统捕获目标速度越快，对于提高目标处置相应速度具有重要意义。
目标引导 引导误差 目标探测 target guidance guidance error target detection
郑州西亚斯学院计算机与软件工程学院, 郑州 451000
针对现有的基于CNN的方法存在特征信息丢失、杂波信息干扰严重、忽略了不同尺度特征之间的相关性、需要大量训练样本等问题, 提出了一种基于孪生特征引导多尺度网络(SFGMSN)的坦克检测方法。在SFGMSN方法中, 设计一种改进的Inception模块, 提取坦克目标图像的多尺度特征, 并进行特征融合, 更好地恢复了坦克目标的精细分段信息; 为了提高目标区域的特征感知能力和抑制背景干扰, 设计了一种局部通道注意机制(LCA-M), 得到更加精准的检测结果; 最后, 利用元学习器检测坦克目标。SFGMSN方法充分利用多尺度卷积、空洞卷积、孪生网络、局部通道注意机制和元学习器的优势, 能够解决传统CNN模型过度依赖大量训练样本以及在小样本条件下可能出现的准确率低和泛化性差的问题。在坦克图像数据库中进行实验, 结果表明, 所提方法具有较好的检测效果, 平均检测精度为90.12%, 可实现复杂场景下坦克检测, 对低分辨率坦克图像具有很好的鲁棒性。
坦克检测 孪生网络 多尺度CNN 元学习器 孪生特征引导多尺度网络(SFGMSN) tank detection Siamese network multi-scale CNN meta-learner Siamese Feature-Guided Multi-Scale Network (SFGMSN
