980 nm 和1480 nm 抽运下铋基EDFA放大特性的比较研究

The population rate and power propagation equations are presented and solved to compare the amplification performances of bismuth-based Er3+-doped fiber amplifier (EDFA) pumped by 980-and 1480-nm lasers,respectively.In both single signal and coarse wavelength-division-multiplexing(CWDM)signals inputs,the 1480-nm pumped bismuth-based EDFA provides a larger signal gain than the 980-nm pumped one does,whereas the latter provides a relatively lower noise figure (NF).Comparative results indicate that the 1480-nm pumping scheme is more advantageous for bismuth-based EDFA regarding the band width and gain property.     

Er3+/Ce3+共掺铋锗酸盐玻璃及其光纤的制备和光谱性质

用高温熔融法制备了Er3+/Ce3+共掺铋锗酸盐(Bi2O3-GeO2-Ga2O3-Na2O)玻璃,研究分析了该玻璃中Er3+离子1.5μm波段荧光和上转换发光,Ce3+离子共掺引入的Er3+:4I11/2→Ce3+:2F5/2间能量传递能有效地抑制上转换发光并增强1.5μm波段荧光发射.同时,利用该组分玻璃拉制了包层直径为125 μm的铋锗酸盐玻璃掺Er3+光纤,1310 nm波长处光纤传输损耗为3.4 dB/m.通过对975 nm波长激励下光纤的放大自发辐射(ASE)测试表明,铋锗酸盐玻璃掺Er3+光纤可在1450～1650 nm波长范围获得宽带ASE光谱,因此是一种适用于宽带光纤放大器的增益介质.     

压缩域H.264视频转换编码及其关键技术分析

在分析最新的视频编码标准H.264与以前的编码标准差异基础上,针对压缩域的H.264视频转码,系统地研究了其关键技术的进展,并按DCT到HT的系数变换、运动矢量快速重估计、修正和帧内/间编码模式和速率控制等4个方面进行了分类归纳,还对未来本领域值得研究的问题进行了展望和预测。     

一种量化误差补偿的压缩域H.264/AVC视频水印算法

提出一种基于H.264的压缩域视频水印方法.根据块编码模式参数CBP和非零DCT系数个数,对DCT块分类,选取非零DCT系数较多的块作为嵌入区域.为了保持嵌入前后视频流码率基本恒定,水印只嵌入到非零DCT系数.此外,提出了一种量化误差补偿机制,它对不同的DCT系数定义了一个误差准则函数,根据该函数的值动态地选择水印的嵌入位置,并根据视频的修改程度,自适应地嵌入不同强度的水印.仿真实验结果表明,该算法能快速地嵌入和提取水印信息,水印嵌入容量较大,且嵌入补偿机制有效降低了量化和水印引起的误差.     

像素域运动对象提取算法的研究

针对像素域运动对象的提取,较系统地分析比较了现有主要算法各自的原理、提取效果及时间特性,为研究者在各种不同的场合选择不同的提取算法提供了依据。为使算法具有可比性,实验在同一Hall_Monitor序列上进行。然后,提出一种改进的、同时进行帧间差分和减背景的运动对象提取算法,其鲁棒性在于能对光照变化、运动物体的暂停,显露部分的背景区域等复杂情况作出正确判断处理。     

MPEG-2压缩域车辆牌照字符提取算法

针对车辆牌照字符这一特殊场景文本的提取,提出一种压缩域文本提取算法,它集文本区域检测、定位、跟踪和字符识别等环节于统一的框架。直接利用DCT系数可以表征图像的纹理特征这一特性,建立加权频率分量和的自适应阈值判断规则初步检测车辆牌照区域,利用分块的DC+2AC纹理值投影特征进行文本定位;利用与定位得到的文本框相交面积高于预定阈值的宏块运动矢量均值实现跟踪;在OCR识别前采用OTSU算法把车辆牌照区域图像转换为黑白二值图像。实验表明了算法的有效性,召回率与准确率分别可达95%与96.2%,该算法也适用于其他类型文本的提取。     

基于Matlab Simulink的仿真方法研究

本文介绍了运用Matlab工具箱之一的动态仿真工具Simulink进行仿真的方法 ,并结合一个异步电动机的实例 ,对仿真过程中出现的一些热点问题如提高仿真速度、仿真结果分析等进行了深入的阐述。同时对Simulink与GUI的接口也作了介绍     

深度视频修复篡改的被动取证研究

深度视频修复技术就是利用深度学习技术, 对视频中的缺失区域进行补全或移除特定目标对象。它也可用于合成篡改视频, 其篡改后的视频很难通过肉眼辨别真假, 尤其是一些恶意修复的视频在社交媒体上传播时, 容易造成负面的社会舆论。 目前,针对深度视频修复篡改的被动检测技术起步较晚, 尽管它已经得到一些关注, 但在研究的深度和广度上还远远不够。 因此, 本文提出一种基于级联 ConvGRU 和八方向局部注意力的被动取证技术, 从时空域角度实现对深度修复篡改区域的定位检测。首先,为了提取修复区域的更多特征, RGB 帧和错误级分析帧 ELA 平行输入编码器中, 通过通道特征级融合, 生成不同尺度的多模态特征。其次, 在解码器部分, 使用编码器生成的多尺度特征与串联的 ConvGRU 进行通道级融合来捕捉视频帧间的时域不连续性。最后, 在编码器的最后一级 RGB 特征后, 引入八方向局部注意力模块, 该模块通过八个方向来关注像素的邻域信息, 捕捉修复区域像素间的异常。实验中, 本文使用了 VI、 OP、 DSTT 和 FGVC 四种最新的深度视频修复方法与已有的深度视频修复篡改检测方法 HPF 和 VIDNet 进行了对比, 性能优于 HPF 且在编码器参数仅 VIDNet 的五分之一的情况下获得与 VIDNet 可比的性能。结果表明, 本文所提方法利用多尺度双模态特征和引入的八方向局部注意力模块来关注像素间的相关性, 使用 ConvGRU捕捉时域异常, 实现像素级的篡改区域定位, 获得精准的定位效果。