快速三维扫描系统的研究

分析了三维扫描系统存在的问题及原因,提出了基于DSP的快速图象采集及处理系统的结构,这种主从式结构大大提高了三维扫描的速度,显著的改进了三维扫描系统的性能。     

基于等角度与等时间采样技术扫描成像系统

为满足扫描成像系统对图象配准精度,从理论上分析了在等时间采样方式下,遥感仪器对扫描系统速度稳定度的要求.探讨了等角度这一新型采样方式应用于未来遥感仪器的可行性.并将这两种采样方式成功应用于自行研制的短波红外成像仪.扫描图象表明等角度采样可以避免等时采样所产生的图象畸变.     

原子力显微镜的压电陶瓷非线性及图象畸变的校正

研制了卧式原子力显微镜(AFM)系统,讨论压电陶瓷的非线性及AFM图象畸变的软件校正方法.提出利用光束偏转法精确测定XY扫描器压电陶瓷的伸长量与控制电压之间的相互关系,得到压电陶瓷的非线性曲线;根据非线性的偏离程度,通过扫描软件对X和Y方向的扫描电压作逐点补偿,据此有效地校正图象畸变.并给出分别用未校正软件与校正软件扫描获得的部分样品的AFM图象.     

石墨单晶表面原子的扫描隧道显微象

扫描隧道显微镜(STM)是近几年发展起来的一种直接观察物质表面微观结构的仪器.利用量子隧道效应,将极细的金属针尖接近样品表面扫描,从而获得样品表面的三维图象,可以反映表面原子排列和原子形态.图1是我们设计制造的扫描隧道显微镜原理图.采用压电陶瓷管P作为x,y和z方向的三维扫描器件.管表面等分为相邻90°的四个电极,针尖T固定在其中的一个电极上.尖端曲率半径为100nm左右的金属针尖,可用化学腐蚀法制备.两对电极上施加扫描电压时,针尖便在垂直于管轴z的x-y方向扫描,而z方向的高低变化则由加在内管壁上的电     

使用非侵入性的组织识别成像术于真皮组织与水晶矿石之深层造影

欲了解皮肤深层的状况,使用三维医学影像技术实属必要,作者提出(组织识别成像术)的新技术,以减低扫描光源对组织之侵入性.先建立皮肤内各种不同组织如黑色素、胶原蛋白、血红素的反射光谱以组成组织数据库;于实际扫描待测皮肤时.依序读出样本组织深层中各空间点的反射光谱,将各点的反射光谱与组织数据库中各种组织的反射光谱做交叉相关程度之运算.可侦测出扫描的各点属于肌肤中的何种组织.其次,再于成像程序中依序给予各点以各对应组织的颜色,即可产生彩色的肌肤衫深层显像.组织识别成像术具有系统简单、成本低廉、彩色成像等优点,且对组织达到真正的非侵入性,将可将之微小化成为个人式、可携式的肌肤检测仪,对于美容市场极具潜力.     

一种基于减法运算的图象解卷积算法

分析了光学成象系统中点扩展函数的作用,采用减法运算从图象中消除了点扩展函数对图象造成的影响,从而实现了图象恢复.文章给出了该算法的流程及实例.     

利用激光引发的热透镜效应无损检测固体薄片中的深度缺陷

本文介绍利用激光引发固体薄片表面的热透镜效应无损检测固体薄片深层缺陷的理论分析和反射偏转法.面扫描信号通过计算机处理,以三维象或灰度象显示出深层缺陷,实验结果表明:缺陷的检测深度随泵浦光调制频率的增加而减少,利用相位信号,检测的深度比利用幅值信号的更深,和理论分析相一致.     

闪光X光照相数字图象处理技术

为了将闪光X光高速照相透视诊断技术过渡到精确定量,需要建立图象处理技术。精确定量要求包括测量穿透厚度(或穿透质量)和恢复二维(或三维)尺度。报告论述了闪光X光照相成象物理过程和数学表达式,讨论了图象质量退化诸因素,提出了穿透质量精确定量和模糊图象复原的数字图象处理方法,讨论了图象复原参数实验方法,给出了测量碎片质量和复原模糊图象初步的试验结果。     

一种新的图象展开算法

本文提出了一种对被压缩并产生几何畸变的图象进行展开的算法,它不仅可使图象的几何畸变获得了很好的矫正,而且使图象的灰度分布得到了恢复,图象边缘细节更清晰,实践已证明了该算法的高效性能.     

双成象单元扫描隧道显微镜与原子尺纳米计量技术

研制了双成象单元扫描隧道显微镜(STM),可同时对参考样品的原子晶格和被测样品扫描成象.计数原子晶格的数目,即可精确测定被测样品图象的尺度,以原子尺方式实现严格的纳米计量.本文介绍双成象单元的STM的原理和仪器系统,讨论原子尺纳米计量的可行性,给出被测样品图象的纳米计量结果.     

Triple-D network for efficient undersampled magnetic resonance images reconstruction

Compressed sensing (CS) theory can help accelerate magnetic resonance imaging (MRI) by sampling partial k-space measurements. However, conventional optimization-based CS-MRI methods are often time-consuming and are based on fixed transform or shallow image dictionaries, which limits modeling capabilities. Recently, deep learning models have been used to solve the CS-MRI problem. However, recent researches have focused on modeling in image domain, and the potential of k-space modeling capability has not been utilized seriously. In this paper, we propose a deep model called Dual Domain Dense network (Triple-D network), which consisted of some k-space and image domain sub-network. These sub-networks are connected with dense connections, which can utilize feature maps at different levels to enhance performance. To further promote model capabilities, we use two strategies: multi-supervision strategies, which can avoid loss of supervision information; channel-wise attention layer (CA layer), which can adaptively adjust the weight of the feature map. Experimental results show that the proposed Triple-D network provides promising performance in CS-MRI, and it can effectively work on different sampling trajectories and noisy settings.     

Influence of limited-view scanning on depth imaging of photoacoustic tomography

We study the influence of limited-view scanning on the depth imaging of photoacoustic tomography. The situation, in which absorbers are located at different depths with respect to the limited-view scanning trajectory, is called depth imaging and is investigated in this paper. The results show that limited-view scanning causes the reconstructed intensity of deep absorbers to be weaker than that of shallow ones and that deep absorbers will be invisible if the scanning range is too small. The concept of effective scanning angle is proposed to analyse that phenomenon. We find that an effective scanning angle can well predict the relationship between scanning angle and the intensity ratio of absorbers. In addition, limited-view scanning is employed to improve image quality.     

频域OCT的背向散射率补偿

针对频域OCT中背向散射光的强度随探测深度加深而急剧减弱,从而导致最后的组织成像模糊不清的现象,提出了一种对不同探测深度图像灰度补偿的方法。该方法通过补偿样品每层析面的入射光功率与背向功率散射率,来得到样品每层析面图像的真实灰度,提高了OCT图像质量。以理想的、由多层均匀介质组成的组织模型为基础,深入剖析了影响深度图像灰度的主要因素。通过建立以多层盖玻片为被测物体的频域OCT系统,得到多层盖玻片的深度图像。在对以盖玻片为被测物体的前提下,得出逐层深度图像灰度补偿的公式。并将理论补偿和实验系统的复杂情况相结合,对深度灰度图像进行入射和出射光强的补偿。实验结果证明这种补偿法是一种有效可行的补偿方法。     

基于深度玻尔兹曼模型的红外与可见光图像融合

为了克服红外与可见光图像融合时噪声干扰及易产生伪影导致目标轮廓不鲜明、对比度低的缺点,提出一种基于深度模型分割的图像融合方法.首先,采用深度玻尔兹曼机学习红外与可见光的目标和背景轮廓先验,构建轮廓的深度分割模型,通过Split Bregman迭代算法获取最优能量分割后的红外与可见光图像轮廓;然后再使用非下采样轮廓波变换对源图像进行分解,并针对所分割的背景轮廓采用结构相似度的规则进行系数组合;最后进行非下采样轮廓波反变换重构出融合图像.数值试验证明,该算法可以有效获取目标和背景轮廓均清晰的融合图像,融合结果不但具有较高的对比度,还能抑制噪声影响,具有有效性.     

改进RCF算法的电缆绝缘层边缘检测

目前电缆绝缘层厚度检测算法主要采用图像处理技术提取出绝缘层的边缘轮廓,此类算法存在绝缘层边缘过宽和边缘不连续等问题,影响了后续的检测精度.为提高绝缘层测量精度,新算法基于RCF算法进行改进,在模型的4、5阶段采用空洞卷积,增大模型的感受野;并在侧输出网络加入尺度增强模块(SEM模块)和由浅到深的级联网络,增加侧输出图像...     

模板匹配技术在玫瑰扫描亚图像目标识别中的应用

介绍了用模板匹配的方法在玫瑰扫描亚图像中识别目标。通过设计一目标匹配模板 ,用这个模板对二值图进行匹配处理 ,根据输出相关值识别目标。实际应用表明 ,模板匹配技术可以在亚图像中有效去除干扰假目标和大块背景 ,给出视场中物体为待识目标的可信度图像 ,从而达到识别目标的目的 ,并且具有速度快、准确度高的优点。     

高光谱影像的鲜桃可溶性固形物含量预测模型

可溶性固形物含量(SSC)是决定鲜桃风味和品质的重要成分。高光谱影像的特征提取为无损检测可溶性固形物含量提供了数据基础和方法路径。先前的研究表明,基于多光谱、荧光谱、近红外光谱、电子鼻的水果内部品质评估取得较好的结果。但是,由于缺少多特征融合,从而限制了水果品质的精准估测。为此,提出了一种基于堆栈自动编码器-粒子群优化支持向量回归(SAE-PSO-SVR)模型预测鲜桃可溶性固形物含量。首先,利用高光谱影像提取光谱信息、空间信息及空-谱融合信息。其次,设置普适性堆栈自动编码器(SAE)提取光谱信息、空间信息及空-谱融合信息的深层特征。最后,将深层特征作为粒子群优化支持向量回归(PSO-SVR)模型的输入数据进行鲜桃可溶性固形物含量的预测。其中,对于光谱信息作为输入的SAE模型,设计了453-300-200-100-40, 453-350-250-150-50, 453-350-250-100-60的三个隐含层结构。对于空间信息作为输入的SAE模型,设计了894-700-500-300-50, 894-650-350-200-80, 894-800-700-500-100的三个隐含层结构。对于融合信息作为输入的SAE模型,设计了1347-800-400-200-40, 1347-750-550-400-100, 1347-700-500-360-150的三个隐含层结构。实验结果表明,对于输入数据分别为光谱信息、空间信息及融合信息的SAE模型,结构为453-300-200-100-40, 894-800-700-500-100和1347-750-550-400-100的模型效果较好,而且基于融合信息的模型预测精度明显优于基于光谱信息或者图像信息的模型。为了验证模型的普适性,利用结构为1347-750-550-400-100的SAE模型提取融合信息的深层特征估测不同品种鲜桃的可溶性固形物含量并进行可视化。结果表明,基于结构为1237-650-310-130的SAE-PSO-SVR模型预测效果最好(R2=0.873 3, RMSE=0.645 1)。因此,所提出的SAE-PSO-SVR模型提高了鲜桃可溶性固形物含量的估计精度,为鲜桃的其他成分检测提供了技术支撑。     

对称点模式-深度卷积神经网络的红外光谱识别方法

红外光谱分析在自然科学、工程技术等诸多领域发挥着重要作用。随着计算机和人工智能技术的不断发展,对红外/近红外光谱分析提出了更高的要求。深度学习以人工神经网络为架构,通过对数据进行分层特征提取完成特征/表征学习,在解析数据细节特征方面具有独特的优势,在计算机视觉、语音识别、疾病诊断等多领域得到成功应用。尽管深度学习在图像、音频、文字分析方面获得了较好的效果,但是在红外/近红外光谱数据分析中的应用还十分有限。针对深度学习的卷积运算,首先将一维傅里叶变换（Fourier transform infrared spectroscopy,FTIR）红外光谱数据通过对称点模式（symmetrized dot patterns,SDP）变换为二维RGB彩色图像,然后将SDP变换得到的彩色图像数据作为VGG（oxford visual geometry group）深度卷积神经网络的输入进行深度学习,建立基于红外光谱数据的分类识别模型。对不同浓度甲烷（CH₄）、乙烷（C₂H₆）、丙烷（C₃H₈）、正丁烷（C₄H₁₀）、异丁烷（iso-C₄H₁₀）、正戊烷（C₅H₁₂）、异戊烷（iso-C₅H₁₂）七种单组分烷烃及其混合气体SDP转化获得的224×224彩色（RGB）图像,呈现出显著差别,且更符合VGG卷积运算的数据格式。将SDP-VGG方法应用于气测录井中甲烷浓度范围的识别：气测录井气体为上述七组分烷烃气体的混合气体,其中主要成分甲烷的浓度范围按照<20%,20%～40%,40%～60%,60%～80%,80%～100%分为5类,不同七组分烷烃混合气体样本的红外光谱由红外光谱仪在波数范围为4 000～400 cm-1、间隔12 nm的条件下扫描获得。在未经过特殊预处理和特征提取的情况下,采用随机选择的4 500个样本,由SDP-VGG法建立的七组分混合气体甲烷浓度范围识别模型,对5种甲烷浓度范围的识别准确率达到91.2%,优于相同红外光谱数据所建立支持向量机（support vector machine,SVM）和随机森林（random forest,RF）模型的识别准确率88.7%和86.2%。研究表明,SDP结合深度学习可以准确提取红外光谱数据的关键特征,提高了红外光谱识别的准确率,是一种更为有效的红外光谱分析方法,具有广阔的应用前景。     

Determination of geometrical factors in Layerwise Laser Melting using optical process monitoring

Layerwise Laser Melting (LLM) is a layerwise production technique enabling the production of complex metallic parts. In the process a thin layer of powder is first deposited on a base plate. With the energy of a scanning laser beam this layer is melted at selected places, according to a predefined scanning pattern. After scanning, a new layer of powder is deposited on top of the previous layer and selectively melted. This sequence of depositing and scanning is repeated until the complete part is built. The local geometry surrounding the melt pool has a large influence on the processing behavior. For process control issues, this influence must be known and quantified, in order to determine a priori optimal processing conditions and to interpret measured melt pool radiation. In order to study the melt pool behavior, optical process monitoring of LLM has been applied using a high speed near-infrared CMOS camera and a large area silicon photodiode sensor. Data processing rates up to 10 kHz and real-time process monitoring are achieved using image and signal processing on a Field Programmable Gate Array (FPGA). Several case studies will be presented showing that the geometric influencing factors can be studied and quantified by analyzing the melt pool sensor output.