飞秒激光等离子体光斑图像增强及亮度分析

飞秒激光加工单晶硅材料过程中会伴随产生等离子体,通过CCD相机采集等离子体的光辐射信号得到等离子体光斑图像。针对光斑图像边缘与背景区域对比度不明显、信噪比低的特点,对光斑图像进行增强处理,并进一步对光斑图像亮度特征进行分析。首先,对原始光斑图像进行滤波,采用主成分分析方法将其增强,对得到的第一主成分图像进行伪彩色处理,以便于分析其能量分布,并依据其能量分布信息将光斑的核心区域分割出来。其次,分别计算原始光斑图像的质心、长轴以及核心烧蚀区的质心与长短轴,分析图像的几何特征,据此判断激光烧蚀加工的方向。再次,采用Niblack分割方法分割原始图像的灰度图,基于分割后的二值图像掩模亮度信息,得到光斑图像的亮度特征。最后,分析光斑亮度特征与激光烧蚀加工方向、激光功率的关系。亮度特征与加工方向的相关系数小于0.09,与激光功率的相关系数大于0.5。结果表明:光斑图像的亮度特征不受加工方向的影响,光斑亮度特征具有较强的稳定性,可用于激光烧蚀功率的识别。     

飞秒激光烧蚀光斑图像的周期灰度变化分析

在不同的飞秒激光烧蚀功率下,由于核心烧蚀区被烧蚀掉的材料体积不同,使得衍生的等离子体发光强度也不同。因此,有必要研究序列烧蚀光斑图像灰度变化与烧蚀工艺之间的关系。首先,连续采集2400帧光斑图像,获得光斑图像的灰度周期变化曲线,并对曲线进行小波去噪处理;其次,分析光斑图像周期性灰度变化曲线与烧蚀加工周期间的关系;再次分析了不同烧蚀状态下的光斑图像熵与光斑图像灰度间的对应关系;最后,分析了同一烧蚀功率,不同烧蚀时刻下烧蚀光斑图像灰度变化的稳定性。研究结果表明:烧蚀光斑灰度的周期变化与激光工作台的周期运动一致。在工作台向左或向右运动时,烧蚀过程是稳定的,光斑较亮。而在左右端点处,烧蚀光斑灰度值较低。     

飞秒激光烧蚀光斑图像的双边滤波增强及FCM分割

飞秒激光烧蚀单晶硅材料过程中会伴随衍生等离子体发光,由CCD相机采集等离子体的光辐射信号可获得激光烧蚀光斑图像。针对光斑图像核心烧蚀区域易受光晕、烧蚀热过渡区域等因素影响问题,提出了烧蚀光斑图像的双边滤波增强结合模糊C均值聚类(FCM)分割策略,将光斑不同区域分割出来。首先,采用主成分分析(PCA)方法对光斑图像进行主成分提取,增强图像并去除噪声影响。其次,在PCA提取的第一主成分图像基础上,用双边滤波对光斑图像进一步增强处理,突出了光斑核心目标区域的层次。最后,采用模糊C-均值聚类(FCM)将光斑图像的各个区域精确的分割出来。通过与Canny算子结合高斯滤波的光斑图像分割效果对比表明,本文提出的光斑图像分割方法,对光斑核心区域、光斑细节及光斑层次分割方面具有优势。     

等离子体冲击波效应对飞秒激光烧蚀面齿轮形貌的影响研究

利用烧蚀阈值理论，研究飞秒激光对面齿轮的烧蚀特征，得到了面齿轮的烧蚀阈值。建立烧蚀模型，计算仿真了飞秒激光在单脉冲与多脉冲烧蚀过程中的理论宽度与深度。利用等离子体冲击波传播半径随时间变化的规律，耦合飞秒激光多脉冲烧蚀时的表面残余温度变化，得到等离子体冲击波的动态反冲压力机理图，并得到飞秒激光加工过程中，等离子体冲击波动态反冲压力对烧蚀的凹坑形貌以及扫描隧道与烧蚀平面形貌变化的影响。通过试验验证飞秒激光对面齿轮进行隧道扫描时，随着扫描速度的增加，隧道的直线度降低。高功率条件下，增加相邻扫描道扫描间距，烧蚀后的齿面精度更高。     

基于多元正态分布的飞秒激光烧蚀光斑质心提取

飞秒激光在加工单晶硅过程中伴随着等离子体衍生发光现象,并以激光光斑形式表现出来,激光烧蚀效果受激光脉冲能量、光学设置、材料特性、环境参数等因素的影响,参数的选择是实现理想加工的关键,由此引入光斑质心的提取,研究光斑的变化规律以提高加工精度的目的。常用的质心提取算法有灰度质心法、高斯曲面拟合法等,但由于受到噪声的影响,光斑的灰度峰值可能发生偏差,提取的质心同真实质心相比误差较大,由此引入多元正态分布,在多个方向拟合高斯曲面,通过极大似然法估计质心,在精度方面得到了很大的改善。     

基于粒子滤波跟踪的步态特征提取算法研究

步态识别是一种基于步态特征的生物特征识别技术,包括身高和体形等。步态特征中的傅里叶描述子具有尺度、平移和旋转不变性,可以表示人体的轮廓特征。本文提出了一种识别方法：首先运用粒子滤波算法得到更准确的目标位置信息,在此基础上计算傅里叶描述子,进而实现更优越的步态识别效果。通过对滤波前后的傅里叶特征与真实目标特征的对比,证明此方法提取的特征信息更为准确,从而提高对人体目标的识别效率。     

一种结合边缘与区域信息的图像特征提取算法

为了能够较准确地表示图像的形状特征,提出了一种融合边界和区域信息的新的形状描述子。首先对图像进行二维离散余弦变换,获得低频系数作为区域特征。之后提取图像的轮廓并进行采样,形成描述形状轮廓的有序点列表,对每个采样点分别顺时针和逆时针等距离跟踪获得2个邻点,计算拱高以及质心距离。然后获取由拱高和质心距离组成的复函数的频域描述子,并组合区域特征与轮廓特征。对 MPEG-7标准图形库的检索实验显示,该描述子的检索性能显著优于三角形面积函数、质心距离函数与拱高半径复函数等同类描述子。     

飞秒激光液相烧蚀的超快观测展望（特邀）

飞秒激光液相烧蚀技术具有局部、瞬时、超快、超强等典型极端制造特点,在精密加工和纳米材料合成领域展现了独特优势。然而,飞秒激光液相烧蚀是跨多时间、空间尺度,多物理化学现象耦合的复杂过程,现阶段研究缺乏全面有效手段、对机理理解不足。简要介绍了飞秒激光液相烧蚀的基本过程和相关超快观测技术的发展历程,并进一步总结了超快观测技术在光丝、溶剂化电子、等离子体、气泡演化等过程中的应用。最后总结了飞秒激光液相烧蚀方法、观测和机理研究存在的问题,并基于现有问题对未来飞秒激光液相烧蚀中可能应用的超快观测技术进行了展望。     

远场激光光斑图像处理方法研究

常用的基于高斯光束特性的激光光斑图像处理算法,处理远场光斑图像会丢失部分能量较低的光斑数据,致使处理出的光斑能量密度低端精度不能达到0.01J/cm2的需求。为了得到更精确的远场激光光斑数据信息,提出了基于噪声特性的激光光斑图像自动阈值处理算法。该算法在分析系统噪声特性的基础上,依据3原则确定图像提取阈值进行光斑图像处理。通过试验验证了该算法既能够有效抑制系统噪声,又能够改善光斑图像的处理质量,恢复光斑图像丢失的数据信息,使光斑能量密度低端达到探测需求。结果表明,基于噪声特性的光斑图像处理算法能够有效提高远场激光光斑的处理精度,更适用于远场激光光斑图像的处理。     

飞秒激光诱导TC4表面微观组织研究

为探究超快激光对金属材料的烧蚀特性,利用飞秒脉冲激光加工TC4,研究加工后TC4表面的形貌特点,分析飞秒激光加工金属的作用机理。当激光能量密度为8.05 J/cm2时,用白光干涉和扫描电镜观察不同扫描速度下材料表面的形貌变化。随着扫描速度的降低,表面条纹变深,条纹上方的二级微纳凸起尺寸增大,粗糙度增加,条纹侧面出现经典低空间频率条纹。从高斯光束特点和光斑重叠率角度对各种形貌的形成机理进行分析,高斯光束光斑中心处能量密度高,条纹上方形成凸起,侧面形成经典条纹;当光斑重叠率越大,单位面积内能量密度就越大,表面微结构尺寸也随之增大。     

一种用于形状描述的拱高半径复函数

提出了一种新的用于形状描述的轮廓线函数-拱高半径复函数(AHRC).AHRC用中心距离和带正负号的拱高来分别描述形状的全局特征和局部细节.用AHRC的傅立叶变换系数构成描述形状的特征向量.在MPEG-7标准测试集上对该方法进行图像检索实验,并将其实际应用于植物叶片图像的检索,同现有的分别基于中心距离、三角形面积、最远点...     

极坐标图像的机场目标特征提取方法

提出了一种机场场面监视雷达图像的机场目标特征提取方法。首先,为了解决雷达图像的亮点噪声问题,采用类形态学的图像预处理方法;然后,采用邻域链路法标记目标的轮廓像素;最后,单元面积作为权值,估计极坐标图像下机场目标的特征,并对权值的计算方法进行了讨论。实验表明,所提方法能够消除亮点噪声,得到比较准确的特征信息,为目标分类识别和多目标跟踪提供正确的特征。     

基于光斑图像特征的飞秒激光烧蚀功率分类模型研究

针对光晕导致的光斑图像边缘模糊的特点,采用Niblack局部阈值分割得到光斑目标区域,并提取光斑的几何特征;以Niblack分割得到的图像边缘对原始光斑图像进行裁剪,得到去除光晕影响的光斑目标灰度图像,在此基础上提取该区域光斑图像亮度,结合光斑几何特征构造6维特征矩阵。分别采用BP神经网络、线性局部切空间排列LLTSA-BP网络、局部保持投影LPP-BP模型对烧蚀功率进行识别;进一步采用极限学习机(ELM-Extreme Learning Machine)、LLTSA-ELM和LPP-ELM降维模型,基于降维后的特征矩阵进行烧蚀功率分类。对比研究发现BP神经网络在对6维特征矩阵分类时收敛时间比ELM分类模型短,所需隐含层神经元个数少。而流形学习-ELM模型则在对降维之后的数据分类时表现较优,所需时间远远小于BP神经网络模型的处理时间,其中LPP-ELM模型对光斑的分类效果最优。     

3维卷积递归神经网络的高光谱图像分类方法

为了针对高光谱图像中空间信息与光谱信息的不同特性进行特征提取，提出一种3维卷积递归神经网络(3-D-CRNN)的高光谱图像分类方法。首先采用3维卷积神经网络提取目标像元的局部空间特征信息，然后利用双向循环神经网络对融合了局部空间信息的光谱数据进行训练，提取空谱联合特征，最后使用Softmax损失函数训练分类器实现分类。3-D-CRNN模型无需对高光谱图像进行复杂的预处理和后处理，可以实现端到端的训练，并且能够充分提取空间与光谱数据中的语义信息。结果表明，与其它基于深度学习的分类方法相比，本文中的方法在Pavia University与Indian Pines数据集上分别取得了99.94%和98.81%的总体分类精度，有效地提高了高光谱图像的分类精度与分类效果。该方法对高光谱图像的特征提取具有一定的启发意义。     

基于光斑轮廓特征的目标快速识别算法研究

大视场的视觉着陆引导系统在引导无人机自主着陆过程中,需要快速检测出安装在无人机上的合作目标。该合作目标在图像上是以光斑形式存在,因此为了满足系统的实时性要求,本文提出了基于轮廓特征的快速检测光斑算法。该算法是根据光斑在图像中的特征,采用了目标裁剪方法,将原始图像中的光斑部分裁剪出来,从而降低算法运算量;再通过图像预处理,消除背景的无关信息与噪声干扰,增强光斑的清晰度;最后利用最小二乘算法进行椭圆拟合定位出光斑的中心位置。将本实验算法与其他光斑检测算法进行实验对比,从而验证系统的实时性。结果表明：利用本文算法可以在保证精度的同时将运行时间缩减到36 ms。     

一种适用于智能手机的图像识别算法

针对目前常用的图像识别算法运算复杂和内存占用量大,不能很好的应用于移动平台等问题,本文提出了一种适用于智能手机的图像识别算法：首先,通过使用BRISK特征点检测算法提取图像特征和低字节的FREAK描述符对特征进行表述,解决了特征检测时间长和特征描述符内存占用大的问题;其次,将智能手机的重力信息添加到图像特征中改善了BRISK特征的区分能力,解决了相似结构特征难以区分的问题;最后,建立描述符的多级索引,实现相似描述符的快速查找,解决了描述符匹配问题.实验结果表明,本文提出的算法能有效地运行在资源受限的智能手机上实现对场景的实时识别.     

联合多尺度多特征的高分遥感图像场景分类

高分辨率遥感图像地物信息丰富,但场景构成复杂,目前基于手工设计的特征提取方法不能满足复杂场景分类的需求,而非监督特征学习方法尽管能够挖掘局部图像块的本征结构,但单一种类及尺度的特征难以有效表达实际应用中复杂遥感场景特性,导致分类性能受限.针对此问题,本文提出了一种基于多尺度多特征的遥感场景分类方法.该算法首先设计了一种改进的谱聚类非监督特征（iUFL-SC）以有效表征图像块的本征结构,然后通过密集采样提取每幅遥感场景的iUFL-SC、LBP、SIFT等三种多尺度局部图像块特征,并通过视觉词袋模型（BoVW）获得场景的中层特征表达,以实现更为准确详实的特征描述,最后基于直方图交叉核的支持向量机（HIKSVM）进行分类.在UC Merced数据集以及WHU-RS19数据集上的实验结果表明本文方法可对遥感场景进行鉴别特征提取,有效提高分类性能.     

基于深度卷积神经网络和条件随机场模型的PolSAR图像地物分类方法

近年来,极化合成孔径雷达(PolSAR)图像地物分类得到了深入研究。传统的PolSAR图像地物分类方法采用的特征往往需要针对具体问题进行设计,特征表征性不强。因此,该文提出一种基于卷积神经网络(CNN)和条件随机场(CRF)模型的PolSAR图像地物分类方法。利用预训练好的实现图像分类任务的卷积神经网络模型(VGG-Net-16)提取表征能力更强的图像特征,再通过CRF模型对多特征及上下文信息的有效利用来实现图像的地物分类。实验结果表明,与3种利用传统经典特征的方法相比,该方法能够提取更有效的特征,取得了更高的总体分类精度和Kappa系数。