用多项式近似逆滤波函数实现场曲修正

根据光电成像系统传递函数,确定逆滤波函数对获得图像进行反降质恢复.将连续逆滤波函数按泰勒级数展开,用多项式近似表示.对逆滤波函数的多项式作反傅里叶变换,得到图像恢复在空间域中的近似运算表达,即图像信号及其各阶导数的线性组合,而不是复杂的反卷积操作.该方法特别适合空间移变系统的图像恢复.详细分析了这种方法的原理,推导了运算公式,并给出了对场曲图像处理的结果.     

基于GUI的阿贝-波特滤波实验的计算机仿真

介绍了阿贝-波特空间滤波的实验原理,在Matlab环境下建立了带有图形用户界面（GUI）的计算机仿真平台.不仅可以准确地完成针对不同输入图像、不同滤波要求的滤波过程,还可以通过调整滤波器参数观察滤波效果的差异,形象地展现光学空间滤波过程的物理本质,提高教学效果.     

空间滤波实验的微机演示

本文给出了空间滤波实验的数学模型,并用微机进行了模拟演示。     

基于液晶空间光调制器的空间滤波实验

空间滤波实验可以实现对输入物体的频谱分析及图像的边缘增强、噪声消除等各种图像处理。液晶空间光调制器可以作为衍射波面变换器件来使用。在空间滤波实验系统的滤波面上放置了液晶空间光调制器,并用CCD数码相机进行输出图像的观察和记录,分别给出了低通滤波、高通滤波、方向滤波等的仿真实验结果。该实验实现了输入数字物体的实时改变,并能够实时观察采用不同空间滤波器对输出像的影响。     

基于分层引导滤波与最近邻正则化子空间的高光谱图像分类

针对高光谱图像中同质异谱现象造成的分类精度较低以及边缘像元在联合空间光谱信息分类时特征易混淆的问题,提出了基于分层引导滤波与最近邻正则化子空间的分类方法.利用主成分分析获得高光谱图像的第一主成分.以第一主成分为引导图像对高光谱图像执行分层引导滤波操作,引导滤波的边缘保护特性,有效阻隔了边缘处类间光谱信息的混淆,并减小了局部区域类内光谱的差异,最后将预处理后的高光谱图像送至最近邻正则化子空间分类器进行分类识别.在Indian Pines,Salinas以及GRSS_DFC_2013高光谱数据集上与现有的方法进行对比实验.结果表明,本文提出的方法在三个数据集上分别取得了98.63%,99.13%与99.42%的总体分类准确率,有着更优的分类精度与可视化效果.     

人脸检测中盲解卷积的点传输函数和光学传输函数分析

分析了高速实时人脸检测系统中的光学衍射、离焦和采样效应.通过理论分析,构造了表征光学成像系统空间和频率特性的近似点扩展函数和光学传输函数.在假设这些近似点传输函数已知的基础上,提出了两个盲解卷积滤波器,并且和拉普拉斯算子以及最优聚焦算子的光学传输函数作了对比研究.该系统采用一个马达推动光学镜头来获得高清晰度图像,并在预处理级进行了内插滤波.演示系统在较高的准确率时检测帧率达到15.6 fps,实验结果验证了理论分析.     

人脸检测中盲解卷积的点传输函数和光学传输函数分析

分析了高速实时人脸检测系统中的光学衍射、离焦和采样效应.通过理论分析,构造了表征光学成像系统空间和频率特性的近似点扩展函数和光学传输函数.在假设这些近似点传输函数已知的基础上,提出了两个盲解卷积滤波器,并且和拉普拉斯算子以及最优聚焦算子的光学传输函数作了对比研究.该系统采用一个马达推动光学镜头来获得高清晰度图像,并在预处理级进行了内插滤波.演示系统在较高的准确率时检测帧率达到15.6fps,实验结果验证了理论分析.     

激光共焦扫描显微镜中的图像复原方法

在非负值和有限支撑域的递归逆滤波（NAS-RIF）盲图像复原算法的基础上,根据激光共焦扫描显微镜(LCSM)采集到的图像特点,提出了改进方法.首先对LCSM采集到的显微图像进行高斯滤波以提高退化图像的信噪比,然后进行局部直方图均衡以突出显微图像的细节,最后在代价函数中加入空间自适应正则化项,较好地恢复了具有丰富细节信息的显微图像.     

θ调制板的改进

θ调制板是光学“空间滤波”实验中的重要器件。目前,多数院校采用“天安门”图样,把它置于白光源的阿贝成象光路中(作物),经滤波后象面可得兰天、红楼、绿地的彩色图象,如图1所示。我们作如下改进后,不仅可以演示光学空间滤波,同时能演示彩色混合,在教学上收到一举两得的效果。自然学生对此实验的兴趣更浓。     

空间信息自适应融合的高光谱图像分类方法

针对单一的滤波器提取高光谱图像空间纹理信息时不能获得完整的图像特征的不足,提出一种结合双边滤波和域转换标准卷积滤波的高光谱图像分类算法.该方法采用空间信息自适应融合的分类寻优,先对高光谱波段进行抽样分组,再用双边滤波和域转换标准卷积滤波对分组后的波段进行滤波,两种空间信息进行线性融合后交由支持向量机完成分类.实验表明,相比使用光谱信息、高光谱降维、空谱结合的支持向量机分类方法和边缘保持滤波以及递归滤波的方法,本文所提算法对高光谱图像的分类精度有较大提高,在训练样本仅为5%和3%的情况下,对印第安农林和帕维亚大学图像的总体分类精度分别达到了96.95%和97.89%,比其他算法高出213个百分点,验证了该方法在高光谱图像分类的有效性.