光谱编码计算关联成像技术研究

现有的多光谱成像技术通常采用光学分光的方式，使用多个探测器对成像场景的光谱图像进行采集，导致现有成像系统复杂，数据量大、效率低。针对现有技术的不足，提出基于正交调制模式的光谱编码计算关联成像技术。通过正交光谱编码矩阵融合Hadamard基图案构造投影散斑对宽带光源进行调制，单像素探测器收集成像物体与调制光源相互作用后的反射信号；应用演化压缩技术复原成像物体的混叠光谱图像；利用编码矩阵的正交性质解码出欠采样的光谱分量图像，对分离出的图像应用组稀疏压缩感知算法重构全采样的光谱分量图像，最后融合出成像物体的多光谱图像。通过数值模拟与实验两方面验证了所提方法的高效性。所提的技术简化了多光谱关联成像系统，降低了数据量。光谱编码方法可以扩展到更多的光谱通道，也可以应用在偏振关联成像、信息加密等领域。     

利伐沙班的定量检测:拉曼光谱法与远红外吸收光谱法

利伐沙班是一种新型口服抗凝药，它具有疗效确切、安全性好、使用方便等优点，所以经常用于静脉血栓栓塞性疾病的预防与治疗，以及非瓣膜性房颤的卒中预防。由于利伐沙班在患者体内的浓度会影响其对凝血因子Xa的抑制作用，这导致患者的临床反应有个体差异，影响最终治疗效果。为了更加合理地使用利伐沙班，临床上需要监测人体血液或尿液中利伐沙班的浓度。针对该临床需求，文中基于远红外指纹谱和拉曼特征谱在物质有效识别和定量分析的优势，采用傅里叶变换红外光谱仪和激光共聚焦拉曼光谱系统，针对液体状态下利伐沙班进行识别并定量检测。文中先通过傅里叶变换红外光谱仪检测利伐沙班的远红外吸收谱随其浓度发生的变化，再通过激光共聚焦拉曼光谱系统检测了利伐沙班的拉曼光谱随其浓度发生的变化，最后比较了远红外光谱法与拉曼法的准确率。经过比较，远红外检测的精度比拉曼光谱检测的精度提升2倍。这些结果对临床医学中利伐沙班的使用具有重要意义。     

反褶积拓宽频率方法研究

反褶积技术是地震资料处理中最常规和最重要的手段之一,反褶积的主要目的是压缩地震子波,提高地震资料的分辨率,等同于在频率域拓宽地震资料的频带。另外反褶积还可以压制多次波,提高信噪比。预测反褶积是反褶积中比较常用的方法之一。首先介绍了预测反褶积技术的基本原理,通过模型试算验证了预测反褶积算法的有效性及正确性。并将编写的预测反褶积算法应用于实际地震数据,反褶积后频带拓宽了17Hz,高低频成分均得到了提升。     

基于K空间理论的磁共振图像空间分辨率影响因素分析

空间分辨率是对磁共振成像设备进行质量控制的主要性能参数。利用美国体膜实验室生产的Magphan SMR100体膜在自旋回波序列T1加权模式下对磁共振成像设备的空间分辨率进行计量检测，基于K空间理论，结合扫描视野的形状及频率编码矩阵和相位编码矩阵的大小及取向，对决定图像空间分辨率的因素进行了深入分析，获得了在不降低空间分辨率的前提下以较小的信噪比损失成比例缩短扫描时间的参数选取规则，从而提高磁共振成像设备周期检定的实践水平。     

基于近红外光谱的橙汁中酸土脂环酸芽孢杆菌的生长预测

酸土脂环酸芽孢杆菌（Alicyclobacillus acidoterrestris）是引起橙汁劣变的主要微生物，为研究酸土脂环酸芽孢杆菌在橙汁中的生长规律，利用近红外光谱获取橙汁中酸土脂环酸芽孢杆菌含量的信息，采用标准化（autoscale）、多元散射校正（multiplicative scatter correction,MSC）、标准正态变换（standard normal variate,SNV）、去趋势化（detrend）对光谱进行预处理，结合化学计量学，构建近红外光谱与酸土脂环酸芽孢杆菌含量预测模型。在此基础上，将近红外光谱转换为酸土脂环酸芽孢杆菌预测菌落数据，并采用“一步法”直接基于预测菌落数构建橙汁中酸土脂环酸芽孢杆菌的生长模型。结果表明，利用标准化进行光谱预处理建立的偏最小二乘（partial least squares,PLS）模型对橙汁中酸土脂环酸芽孢杆菌含量的预测效果相对较好，其预测决定系数（prediction determination coefficient,Rp2）与预测均方根误差（root mean square error of prediction...     

西藏丁青象牙玉的玉石学及矿物学特征

矿床产于西藏丁青县，其质地温润细腻，色如象牙，故得名“象牙玉”， 矿石呈砾石状，部分呈磨圆状、椭圆状。运用紫外可见光谱、X射线荧光光谱、红外光谱、X射线粉晶衍射及扫描电镜等技术对象牙玉进行了玉石学及矿物学特征研究。结果表明:象牙玉摩氏硬度在4~6，相对密度2.92~3.05，折射率1.62~1.70，无多色性，无特征吸收谱带，主要矿物成分为菱镁矿（MgCO₃），少量石英（SiO₂），微量方解石（CaCO₃）。丁青象牙玉的玉石学及矿物学特征可作为产地鉴定的依据。      

基于改进残差特征蒸馏的轻量级超分辨率网络

基于深度学习的图像超分辨率算法通常采用递归的方式或参数共享的策略来减少网络参数，这将增加网络的深度，使得运行网络花费大量的时间，从而很难将模型部署到现实生活中。为了解决上述问题，本文设计一种轻量级超分辨率网络，对中间特征的关联性及重要性进行学习，且在重建部分结合高分辨率图像的特征信息。首先，引入层间注意力模块，通过考虑层与层之间的相关性，自适应地分配重要层次特征的权重。其次，使用增强重建模块提取高分辨率图像中更精细的特征信息，以此得到更加清晰的重建图片。通过大量的对比实验表明，本文设计的网络与其他轻量级模型相比，有更小的网络参数量，并且在重建精度和视觉效果上都有一定的提升。     

机器学习理论的超光谱遥感图像无损压缩

针对一般超光谱遥感图像的压缩方法无法同时实现图像信息缩减和图像完整性的问题，提出一种机器学习理论的超光谱遥感图像无损压缩方法。利用机器学习中的聚类算法进行第一次压缩，减少超光谱遥感图像中的冗余波段光谱，并降低图像维度；再利用机器学习中的人工神经网络进行第二次压缩，将不同图像子块送入不同压缩率的神经元当中，通过隐含层自主完成图像压缩编码。通过与四种一般压缩方法的对比验证，本方法图像压缩后，图像压缩率更小，图像分辨率和信息熵更高，既有效地减少了图像信息量，能够保留有效关键信息，达到了图像信息缩减和图像完整性的双重目标。     

基于RGB颜色信息聚类的光谱反射率重建

针对光谱反射率研究中因训练样本数据量大造成的冗杂等问题，提出了一种基于RGB信息进行聚类的样本分类方法。首先对颜色进行聚类并确定聚类个数，后对每一类光谱反射率使用BP神经网络分别进行重建。对于实验结果，使用ΔE₀₀、均方根误差（RMSE）以及适应度系数等标准进行评价，同时与主成分分析算法进行对比。从实验分析可得出，在聚类数目为7时光谱反射率重建效果最好，这时的平均CIE2000的色差为0.836，平均RMSE为0.0149，平均适应度系数为99.82%，并且，在最后对重建色差较大的色块进行了优化处理。实验证明，颜色聚类方法可以很好的应用于光谱反射率重建。     

高光谱成像用高帧频CMOS图像传感器北大核心

针对高帧频、全局曝光和光谱平坦等成像应用需求,设计了一款高光谱成像用CMOS图像传感器。其光敏元采用PN型光电二极管,读出电路采用5T像素结构。采用列读出电路以及高速多通道模拟信号并行读出的设计方案来获得低像素固定图像噪声(FPN)和非均匀性抑制。芯片采用ASMC 0.35μm三层金属两层多晶硅标准CMOS工艺流片,为了抑制光电二极管的光谱干涉效应,后续进行了光谱平坦化VAE特殊工艺,并对器件的光电性能进行了测试评估。电路测试结果符合理论设计预期,成像效果良好,像素具备积分可调和全局快门功能,最终实现的像素规模为512×256,像元尺寸为30μm×30μm,最大满阱电子为400 ke^(-),FPN小于0.2%,动态范围为72 dB,帧频为450 f/s,相邻10 nm波段范围内量子效率相差小于10%,可满足高光谱成像系统对CMOS成像器件的要求。