基于AFM的微位移测量新方法研究

提出了一种测量物体微位移的新方法。原子力显微镜作为测量工具,样品和扫描器置于待测物体上,物体每移动一定距离就由AFM扫描获得一幅样品图像,由此获得一系列连续的序列图像。采用模板匹配方法检测相邻序列图像的偏移,从而可计算出物体的微位移。实验结果表明,用该方法还可实现物体二维方向的微位移测量,且精度达到纳米量级。     

面向小目标测量的通道注意力网络与系统设计

微器件广泛应用于电子工业。由于衍射效应，微器件的物理边缘与光学边缘不一致，这给检测和测量带来了挑战。为提高微目标检测与测量精度，本文将图像超分辨率重建与目标测量结合，提出了一种基于边缘增强的图像超分辨率重建算法并搭建了对应的测量系统。首先提出了一种新的图像超分辨率重建质量评价参数，证明了图像超分辨率重建提高目标测量精度的可行性。针对目标边缘，将通道注意力机制引入网络，增强了网络对图像边缘的重建能力。最后，设计并搭建了目标测量系统，并进行了实验。结果表明：在公开数据集上，本文算法能取得更高的峰值信噪比（PSNR）和结构相似性（SSIM）等客观指标值；在实际测量中，本文算法可将原有测量系统极限分辨率提高25.9%，目标测量精度平均提高51.6%。本文研究为工业生产中的微目标检测和测量提供了一个潜在的发展方向。     

基于MAP的自适应图像配准及超分辨率重建

图像超分辨率重建是一种将多幅低分辨率图像合成为高分辨率图像的技术.当前的超分辨重建技术主要分为图像配准和超分辨率重建2个步骤,提出一种基于最大后验概率的图像超分辨率重建算法,将这2个步骤合二为一;与此同时,为了解决配准参数以及点扩展函数估计值的不精确性问题,在每一幅低分辨率图像代价函数的残差项引入了自适应加权系数并随之...     

基于亚像素图像块匹配方法的压电陶瓷驱动特性测量

为了高精度地测量压电陶瓷的驱动特性,提出一种基于计算机视觉的亚像素图像块匹配位移测量方法.对困扰亚像素图像块匹配方法的三个重要因素:搜索区域大小、模板图像大小、亚像素拟合精度进行详细分析和试验,提出根据试验结果和微纳米图像序列的测量特点选择最佳的搜索区域、模板大小、匹配准则函数和亚像素拟合方法的原则;使用高精度纳米平台、高倍显微镜以及标准栅格所组成的试验系统对该方法进行位移测量精度的验证试验;使用改进的亚像素图像块匹配方法对实际的压电陶瓷驱动器的驱动特性曲线进行测量.结果表明,该方法得到的压电陶瓷驱动特性曲线符合物理分析结果;并且方法本身操作简单、测量结果可靠,能够满足高精度的微纳米测量要求.     

基于超分辨率重建的亚像素图像配准

针对低分辨率图像在配准过程中精度较低的问题,提出了一种基于超分辨率重建的亚像素图像配准方法。首先,对具有1至9像素位移的图像序列进行10倍降采样,获取具有0.1至0.9亚像素位移的图像序列。然后,根据图像的获取过程建立数学模型,以Bayes理论为基础,使用最大后验概率法(MAP)对亚像素位移低分辨率图像进行超分辨率重建,获取高分辨率图像。最后,使用具有亚像素配准精度的扩展相位相关法对图像进行配准。配准实验与噪声实验表明,所提方法的最大配准误差为0.03pixel,能实现对低分辨率图像的亚像素级配准,具有配准精度高、噪声抗干扰能力强等特点,可同时满足可见光图像与红外图像的高精度配准要求。     

一种基于CT图像反求技术的实体几何造型方法

基于 CT图像的反求是反求工程中的重要内容 ,由 CT图像反求重建出的表面模型只包含了表面几何信息 ,而实体几何模型具有完备的几何和拓扑信息。针对 CAD造型系统中实体模型的特点 ,本文提出一种基于 CT图像反求技术的实体几何造型方法。应用 CT图像反求技术重建出物体的三维表面模型 ,在重建出的拟合曲面三角片序列的基础上 ,采用半边结构来表达重建的表面模型 ,并将该过程作为本研究所开发的特征造型原型系统 3D-Modeler2 .0中的一种造型方法     

基于小波分解与多约束改进的序列图像配准

序列图像配准是光学影像超分辨率重建应用中的关键技术,针对如何提高序列图像超分辨率重建过程中配准的速度和精度问题,提出了一种基于小波分解和改进的多约束准则相结合的配准方法.首先对参考帧和待配准帧进行小波分解,生成小波图像金字塔以缩小搜索空间.其次,从金字塔最高层开始利用由局部灰度熵准则、灰度相似性准则和简化欧式距离比例不变准则构成的改进多约束准则提取同名特征点对,利用最小二乘法计算初始配准参数,然后逐层向下,对配准参数进行修正,实现由粗到精的配准.最后,利用模拟生成图像序列与实际获取图像序列进行测试.实验结果表明该方法在参数获取达到较高精度的情况下能有效提高配准速度,具有较好的效果.     

基于区域划分的红外超分辨率重建

提出了红外超分辨率重建系统以获取高分辨率红外数据。首先,根据红外图像获取过程建立了数学模型,讨论了降采样、模糊、运动以及高斯噪声对红外系统的影响;在非退化特征提取的基础上提出了基于特征的亚像素配准算法,其根据所得到的非退化特征应用归一化均方根误差来估计两帧之间的亚像素位移。然后,分析了传统全变分因子在高分辨重建时的不足并对其进行改进;利用区域划分将图像划分为平滑区域和细节区域,并根据区域的不同情况自适应全变分因子,从而使细节区域不至于过平滑。最后,利用MM(Majorization Minimixation)算法对合成的低分辨率红外图像和真实红外图像进行了超锐度重建。与同类相关算法的比较实验显示:所提算法亚像素配准最大误差为0.09pixel,重建后的红外图像质量优于其他同类算法。所提算法可以对低分辨红外图像序列进行有效重建,具有配准精度高、重建图像细节丰富等特点,可应用于各种红外成像系统。     

基于序列局部图像的高精度测量

研究了基于序列局部图像的视觉测量方法.分析了机械零件图像边缘的过渡分布特征,提出用边缘像素补偿法来消除实际边缘不能精确定位对测量精度的影响.以直线边缘距离测量为原型,提出了基于序列局部图像尺寸特征的测量方法:对零件进行微小区域成像,生成在空间上连续的序列局部图像;应用相关系数法和双线性插值法获得相邻序列图像的亚像素级尺寸特征线,从而得到各局部图像的尺寸特征;对这些尺寸进行求和与补偿,得到零件的总体尺寸.实验结果表明,对常规尺寸零件的单幅图像运用边缘像素补偿法,相对测量误差在0.008%以内;对大尺寸零件应用序列图像测量法,相对测量误差在0.01%以内,并具有误差积累小的优点.本文算法可基本满足板类零件的精密自动化测量要求.     

舰船图像序列电子稳定算法的研究

分析了船载摄像系统获取的图像序列的特点,提出了稳定舰船图像序列的特征点电子稳像算法.详细地阐述了实现此算法的关键步骤:获取图像特征点,确定图像运动矢量和校正图像序列等.通过分析实际工作中舰船摄像系统的运动状态,进一步简化算法,提高了算法的精度.将此算法应用于舰船图像序列稳定实验,分别采用图像差值和图像序列的逼真度对稳定的结果进行了评定.试验和评定的结果表明,这种特征点稳像算法能够实现实时准确地稳定舰船图像序列.     

用于三维变形测量的数字图像相关系统

针对材料力学实验中的三维变形测量,提出并实现了一种基于双目立体视觉、摄影测量术和数字图像相关法的便携式三维变形测量系统。研究了该系统涉及的双目摄像机标定,图像相关算法,三维重建,以及三维位移、应变计算等关键技术。提出了一种基于摄影测量术的摄像机标定算法,该算法采用10参数镜头畸变模型,不需要高精度标定板即可实现摄像机的高精度标定。利用最小二乘非线性优化算法实现了数字图像的高精度匹配,针对非线性优化初值难求的问题,提出了一种基于种子点的初值计算方法,为非线性优化提供了可靠的初值。最后,介绍了三维重建以及计算三维位移、三维应变的方法。实验结果表明,标定结果的重投影误差为0.03 pixel,图像匹配的误差约为0.02 pixel,静态外形及位移的测量精度为0.05%,应变的测量精度优于0.5%。与传统的测量方法相比,本文提出的系统可以更准确、全面、直观地实现对位移场、应变场的测量。     

基于超分辨图像复原的显微圆孔孔径测量方法

为提高圆孔的光学显微测量准确性,研究了基于超分辨图像复原的显微圆孔孔径测量方法。该方法通过超分辨图像复原处理圆孔显微图像,提高了传统光学显微系统对圆孔成像的分辨率,确定了以超分辨复原图像灰度值为0.399作为圆孔物理边缘判据,实现对圆孔边缘的准确探测。理论分析表明该方法可准确测量微米级及以上直径圆孔。核孔膜孔径测量实验中,由二值化图像得到孔径测量结果为6.35μm(测量不确定度为0.08μm),与扫描电镜测量结果6.268μm(测量不确定度为0.083μm)相符,测量误差仅0.08μm。该技术有助于实现对圆孔形状的快速、准确在线测量。     

一种图像配准的超分辨率重建

提出了一种具有子像素级精度的图像配准方法,并通过迭代反投影算法进行超分辨率重建.介绍了基于3参数模型的图像配准方法并提出了基于4参数模型的图像配准方法,由于没有直接将旋转角度参量引入到运动模型中,有效地避免了原方法中泰勒级数展开时的小角度假设.最后,根据配准算法所得到的子像素级运动信息,用迭代反投影算法进行超分辨率重建.分别对多幅具有较大运动的模拟及真实的低分辨率图像进行实验,结果表明:该配准算法取得了更高的精度,平均平移误差减少了0.026 1 pixel ,平均旋转角度误差减少了0.356 4°;重建图像具有更好的视觉效果,平均PSNR值提高0.75 dB.本文方法可以被广泛地应用于相互间主要存在平移和大角度旋转的多幅低分辨率图像的大倍数超分辨率重建,可满足实际应用要求.     

Single image super-resolution using self-optimizing mask via fractional-order gradient interpolation and reconstruction

Image super-resolution using self-optimizing mask via fractional-order gradient interpolation and reconstruction aims to recover detailed information from low-resolution images and reconstruct them into high-resolution images. Due to the limited amount of data and information retrieved from low-resolution images, it is difficult to restore clear, artifact-free images, while still preserving enough structure of the image such as the texture. This paper presents a new single image super-resolution method which is based on adaptive fractional-order gradient interpolation and reconstruction. The interpolated image gradient via optimal fractional-order gradient is first constructed according to the image similarity and afterwards the minimum energy function is employed to reconstruct the final high-resolution image. Fractional-order gradient based interpolation methods provide an additional degree of freedom which helps optimize the implementation quality due to the fact that an extra free parameter α-order is being used. The proposed method is able to produce a rich texture detail while still being able to maintain structural similarity even under large zoom conditions. Experimental results show that the proposed method performs better than current single image super-resolution techniques.     

基于自相似性与多任务高斯过程回归的单帧图像超分辨率重建

在单帧图像超分辨率问题中,基于高斯过程回归的超分辨率算法没有挖掘相似图像片间的关联关系或者无差别地用相似图像片来扩充训练集合,都会导致重建的高分辨率图像中存在明显的噪声和伪影。对此提出了一种基于多任务高斯过程回归的超分辨率算法。该算法通过引入多任务学习思想,将输入的低分辨率图像进行分片处理,把每一个图像片的超分辨率过程视为一个任务。在对相似任务建模的过程中,通过最优化求解的参数集合来体现任务间的共性及差异,从而使模型的泛化能力和预测精度得以提高,在重建高分辨率图像清晰锐利的同时,噪声和伪影受到明显抑制。用常见的测试图像以及公开的图像测试集合进行的大量试验表明该算法在主观评价和客观评价两个方面均优于同类型算法及当前经典算法,峰值信噪比较其它常见超分辨率算法可提高约0.5dB。     

近似稀疏正则化的红外图像超分辨率重建

针对红外图像分辨率低、受噪声影响严重等问题,引入近似稀疏正则化和K-奇异值分解（K-SVD）法,提出了基于近似稀疏表示模型的红外图像超分辨率重建方法。考虑到红外图像受到噪声污染,首先建立了稳健近似稀疏表示模型。针对已有字典训练方法时间消耗巨大问题,在假定低分辨率图像空间和高分辨率图像空间具有相似流形的前提下,联合近似稀疏表示模型和K-SVD方法,提出近似稀疏约束的基于K-SVD的高低分辨率字典对学习算法。最后,通过高分辨字典和对应的红外图像群稀疏表示系数重建得到高分辨率的红外图像。为了验证算法的性能,对提出的算法与稀疏性正则化的图像超分辨模型（SRSR）和Zeyde算法进行了实验比较。结果表明,本文方法能够较好地减少红外图像中的噪声,同时获得更好的超分辨率重建效果。     

稀疏表示下的噪声图像超分辨率重构

为了能够完成噪声图像的超分辨率重构,提出了一种基于稀疏表示的噪声图像超分辨率重构方法,可以同时完成图像去噪和超分辨率重构。首先,对样本图像和低分辨率图像进行块划分,建立样本库。其次,建立图像退化模型,采用相似样本加权平均的方式对输出的高分辨率图像块进行表示。根据输入的低分辨率图像块,计算样本块与输出的高分辨率图像块之间的相似性。提出了一种相似性描述方法,能够很好地解决噪声带来的影响。然后,采用相似性对稀疏编码优化模型进行惩罚,提出一种权值求解模型。模型可以自适应的搜索相似样本块而不需要预先设定相似块的个数。最后,求解权值,根据权值和样本块重构高分辨率图像块,并重构高分辨率图像。实验结果表明:所提出的方法较其它常见超分辨率算法的峰值信噪比可提高0.5dB左右,重构的图像细节更丰富,去噪效果更好,更适合实际应用。     

用支持向量回归法实现单帧图像超分辨率重建

由于一些传统的超分辨率重建算法学习多幅不同类别的图像仍无法获得好的重建效果,本文提出了一种基于支持向量回归机和光栅扫描的单帧图像超分辨率重建算法。该算法首先采用光栅扫描法对一组高低分辨率训练图像提取图像块,从块中分别抽取输入向量和标签像素。利用Log算子判断这些块是属于高频空间还是低频空间,从而构建高低频空间向量对并对其进行优化。然后,用支持向量回归机(SVR)工具训练优化后的向量对,得到高低频空间下的两个字典;抽取测试低分辨率图像中的块并得到高低频空间下的输入向量,利用SVR工具回归对应的属于超分辨率图像块的标签像素并得到回归后的图像。最后,对图像进行后处理得到最终的超分辨率图像。与其它算法的对比实验表明:提出的算法具有较好的视觉效果。特别在放大倍数为2时,提出的算法在不同图像上的峰值信噪比(PSNR)和结构相似度(SSIM)值较双三次插值法分别提高了3.1%~5.3%和1.5%~8.1%。得到的结果显示提出的算法获得了更好的重建效果。     

基于光栅的快速精确图像拼接

为了提高IC芯片视觉检测中图像拼接的速度和精度,提出一种基于精密光栅运动系统的快速精确图像拼接技术。提出自标定技术解决了传统标定受标准件加工尺寸精度和光强影响的问题,提高了标定的准确度并降低了成本。在准确标定基础上,建立了基于光栅精确定位的拼接模型。实验表明,该方法拼接精度高,拼接平均误差在0.4 μm以内,2 σ为0.872 μm,达到亚像素级精度,而且拼接速度快,两幅图像拼接时间约为10 ms。