基于像素位移估计的水下湍流退化图像畸形校正算法

针对由湍流引起的水下畸变退化图像,提出了一种基于估计畸变帧相对于参考帧的像素移位来校正畸变图像的算法。通过自定义度量标准选择参考帧和清晰度较高的输入帧序列,使用像素配准、二维配准和核相关滤波算法对畸变图像进行复原和重建。为验证该算法,分别进行了室内水下湍流模拟系统实验及海洋实地实验,并将实验结果与盲复原算法、凸集投影超分辨率重建算法进行对比。从主观评价上, 图像畸变得到了有效抑制;从客观评价标准来看,指标高于传统的复原和重建算法。实验结果说明,该算法有效提高了水下湍流退化图像的去畸效果,为海洋目标检测的准确作业提供了保证。     

基于深度学习的双通道夜视图像复原方法

针对夜间场景光线微弱、能见度低导致夜视图像信噪比低、成像质量差的问题,提出了基于深度学习的双通道夜视图像复原方法。首先,用两种基于全连接多尺度残差学习分块（FMRB）的卷积神经网络（CNN）分别对红外夜视图像和微光夜视图像进行多尺度特征提取和层次特征融合,从而得到重建的红外图像和增强的微光图像;然后,两种处理后的图像通过自适应加权平均算法进行融合,并根据场景的不同自适应地凸显两个图像中具有更高显著性的有效信息;最后,得到分辨率高且视觉效果好的夜视复原图像。使用基于FMRB的深度学习网络得到的红外夜视重建图像,相较于卷积神经网络超分辨率（SRCNN）重建算法得到的在峰值信噪比（PSNR）和结构相似性（SSIM）的平均值上分别提升了3.56 dB和0.091 2;相较于MSRCR,得到的微光夜视增强图像在PSNR和SSIM的平均值上分别提升了6.82 dB和0.132 1。实验结果表明,所提方法得到的重建图像的清晰度明显得到改善,获得的增强图像的亮度也明显得到提升,而且前二者的融合图像的视觉效果较好,可见所提方法能有效改善夜视图像的复原效果。     

基于深度学习的无人机航拍车流量监测

随着智慧城市概念的普及,交通道路智能化管理已成为学者关注的热点.针对道路的车流量统计问题,文中基于深度学习方法,提出了基于残差网络的无人机航拍车流量监测算法,该算法引入了全连接的多尺度残差学习分块(FMRB),在解决梯度弥散现象的同时使得图像特征能够被更好地提取和学习.现有的车辆检测算法准确率较低,且大多数仅能对车辆进行检测,不能对车流量进行统计.文章结合视频帧估计方法,实现了车流量的实时监测与统计.在车辆检测性能上将所提算法与SSD,YOLOv2,YOLOv3算法进行对比,结果表明,在自建数据集训练的条件下,所提算法引入多尺度残差学习分块(FMRB)对遥感图像进行车辆识别,能够取得更高的识别精度;在实地车流量监测中,所得结果误检率小于1％,具有较强的实用效果.     

基于混沌理论的图像加密技术研究

为对基于混沌理论的图像加密技术有一个更加系统的了解,对其进行了一个简单的研究。混沌密码学因其较低的数学复杂性和更好的安全性而受到越来越多的关注。它成功避免了数据扩展,从而降低了传输成本和传输延迟,基于混沌理论的数字图像加密技术利用了被称为混沌映射的离散非线性系统动力学原理,根据系统的类型,可以使用多种类型的混沌映射。通过对已有的基于混沌理论的加密技术进行归纳总结,并进行相关的实验研究,寻找其中的异同点,以谋求对这一领域的进一步了解。     

LD夜视成像探测中基于PSF的超分辨率重建技术研究

夜视目标识别在视频监控中起着非常重要的作用。从早期的红外热成像发展至今,激光夜视成像系统被广泛的应用。它不仅受到大气吸收和散射特性的影响,还与光学系统中的透镜及传感器的衍射极限有关。在既有成本下,通过图像复原和超分辨率重建,可以尽可能的提高夜视成像的成像质量。很多学者的研究结果表明,成像系统的点扩散函数作为先验知识,可以提高图像复原的质量。因此,本文在最大后验概率框架下,实现点扩散函数与凸集投影超分辨率重建相结合,并应用到半导体激光夜视成像探测系统中,客观的图像质量评价标准被用来决定迭代次数。目标识别的实验结果表明,用本文提出的重建方法可以有效提高半导体激光夜视成像的范围和成像质量。     

LD光束准直方法研究

半导体激光器(LD)用于成像系统的时,要对光束的发散角进行压缩才可以使用。目前常用的几种LD光束准直设计方法数值计算过程繁琐,设计完成后的加工成本昂贵。当工作条件对光束的准直度要求不高,且只要求目标尺寸与投射光斑大小匹配时,可将LD视为一个理想点光源;当这个点光源在理想凸透镜的前焦点处时,光束经透镜作用后,变换为平行光。点光源由前焦点处向柱透镜移动,光束发散角会增大。Zemax用于调整LD和柱透镜的距离,模拟出目标处光斑大小,最终使光斑大小与目标尺寸匹配。根据仿真结果选取合适的产品,这种设计缩短了设计周期。     

针对信息及通信专业课程《矩阵论》基于MATLAB的教学研究

矩阵论是一门硕士研究生的重要基础理论课程,是对学生的数学素养和应用能力进行培养。由于科学理论研究中矩阵的应用领域极为广泛,包括图像处理、数学建模等,因此矩阵论课程能为学生解决科学研究上的数学问题打下基础。然而,矩阵论作为一门基础课程,其中大量的定理定律和计算公式使得工科电子信息及通信专业类的学生缺乏学习兴趣和主动性。MATLAB的全称是矩阵实验室,矩阵论的理论在MATLAB中可以得到完美的呈现。文章基于信息通信专业研究生课程的教学经验,提出将MATLAB引入到矩阵论课堂教学中,从MATLAB在矩阵论课程教学中的应用出发,针对教学内容、教学方法、教学改革进行深入探讨。     

基于蓝图可分离卷积的轻量级水下图像超分辨率重建

由于水体中存在的悬浮颗粒以及高频随机运动的湍流引起光的散射和吸收而导致水下图像存在纹理模糊、分辨率低、扭曲失真等系列问题,而目前存在的大部分深度学习图像超分辨率重建算法存在着计算复杂、模型的复杂度大、内存占用高等不足。针对这些不足,提出基于蓝图可分离卷积的轻量级水下图像超分辨率重建网络,该模型分为浅层特征提取、深度特征提取、多层特征融合以及图像重建四个阶段,深度特征提取阶段中,在BSRN的基础上去除特征蒸馏分支、采用增加通道数进行补偿,同时利用三个蓝图卷积来进行残差局部特征学习以简化特征聚合,实现网络的轻量化。实验结果表明,所提出的方法在运行时间、参数量、模型复杂度方面均优于目前已提出的超分算法,放大因子为2和4时,峰值信噪比(PSNR)和结构相似度(SSIM)均值分别达到了31.5560dB、0.8620和27.7088dB、0.7213,重建质量获得进一步提升。     

基于深度学习的水下图像超分辨率重建方法

由于水体本身的特性以及水中悬浮颗粒对光的吸收和散射作用,水下图像普遍存在信噪比（SNR）低、分辨率低等一系列问题,但大部分方法传统处理方法包含图像增强、复原及重建,都依赖退化模型,并存在算法病态性问题。为进一步提高水下图像恢复算法的效果和效率,提出了一种改进的基于深度卷积神经网络的图像超分辨率重建方法。该方法网络中引入了改良的密集块结构（IDB）,能在有效解决深度卷积神经网络梯度弥散问题的同时提高训练速度。该网络对经过配准的退化前后的水下图像进行训练,得到水下低分辨率图像和高分辨率图像之间的一个映射关系。实验结果表明,在基于自建的水下图像作为训练集上,较卷积神经网络的单帧图像超分辨率重建算法（SRCNN）,使用引入了改良的密集块结构（IDB）的深度卷积神经网络对水下图像进行重建,重建图像的峰值信噪比（PSNR）提升达到0.38 dB,结构相似度（SSIM）提升达到0.013,能有效地提高水下图像的重建质量。     

激光气泡检测中图像的边缘正则化复原

基于光学成像的激光气泡检测已被广泛应用于工业领域,如气密性检测等.然而,检测图像的降质严重影响了测量的准确性.为了提高气泡检测的图像质量,提出一种估计动态调制传递函数进行边缘正则化的半盲图像复原法,采用客观图像的质量指标来对半盲解卷积算法进行约束,并将图像复原法与二值形态滤波比较.实验结果证明了该方法的有效性,由此可以得出该方法能有效提高激光气泡检测的成像质量,保留气泡检测图像的边缘细节,以达到更高的检测精度.