增强现实显示技术综述

增强现实显示技术近年来发展迅速,已成为全球信息技术及产业的研究热点和发展重点,有望彻底改变人们感知和处理各种数字信息的方式。同时,微显示技术和光学技术的最新进展为增强现实显示技术的进一步发展指明了方向。本文分析了人眼视觉系统对增强现实头戴式显示器的光学性能要求,将目前增强现实头戴式显示器可实现的规格与之进行比较,说明了现阶段增强现实显示技术的发展水平和面临的主要挑战;重点阐述了增强现实显示技术中各种微显示器和光学组合器的基本原理和所能达到的参数指标,说明了它们的技术先进性和可实现性,同时对它们的发展前景进行了展望。     

基于Medium型Camera Link的多通道图像实时显示系统设计

为了实现对相机拍摄到的图像数据的实时显示,提出了一种基于Medium型Camera Link的多通道图像实时显示系统设计方案,并完成系统的软硬件设计。该系统的硬件部分用来接收相机端的实时图像数据输入并对数据进行高速传输,软件部分实现对数据的筛选,整理,格式转换等功能,能够完成对图像的实时显示。     

高动态范围红外图像的显示与细节增强

针对高动态范围的红外图像动态范围压缩和细节增强问题,文中采用基于基层-细节分层处理融合的增强框架,提出基于拉普拉斯滤波器的基层处理方法,将高动态红外图像的动态范围压缩到可显示的低动态范围图像,同时保留图像局部对比度。针对图像中的细节分量,提出对原始输入高动态范围红外图像提取梯度信息并做非线性增强,然后将低动态范围图像与增强的梯度信息通过优化融合重建,得到细节增强的红外图像。实验结果表明,新算法有效地提高了红外图像的整体对比度,保留图像的细节信息,有较佳的图像视觉表现。     

基于深度学习的无人车夜视图像语义分割

为了增强无人车对夜视图像的场景理解,在夜间模式下更快更精确地探测和识别周围环境,将深度学习应用于夜视图像的场景语义分割,提出了一种基于卷积-反卷积神经网络的无人车夜视图像语义分割方法。在传统的卷积神经网络中加入反卷积网络,构建卷积-反卷积神经网络,无需手工选取特征。通过像素到像素的学习和训练,得到图像语义分割模型,可直接用该模型预测夜视图像中每个像素所属的场景语义类别,实现无人车夜间行驶时的环境感知。实验结果表明,该方法具有较好的准确性和实时性,平均IU达到68.47。     

基于ARINC661规范的平视显示器显示技术研究

作为新一代驾驶舱显示系统的行业标准,ARINC661规范推动着整个航空机载电子设备的发展。针对传统的定制式平视显示器显示形式,根据其工作原理,提出了基于ARINC661规范的整体设计方案,并对具体的功能模块及通信过程进行了详细研究。为提高系统的实时性,在UA模块运用了NNAF数据挖掘算法实现对飞行参数的预处理,在渲染模块采用了深度优先搜索算法进行遍历,并给出设计实例对系统进行验证,结果表明基于ARINC661规范的平视显示器开发更具有开放性和扩展性。     

基于编码解码结构的微血管减压图像实时语义分割

针对真彩色微血管减压图像实时语义分割网络参数量大、语义分割精度低的问题,本文提出了一种适用于微血管减压场景的U型轻量级快速语义分割网络U-MVDNet (U-Shaped Microvascular Decompression Network),该网络由编码解码结构构成。在编码器中设计了轻型非对称瓶颈模块(LABM)对上下文特征进行编码,解码器中引入了特征融合模块(FFM),有效组合高级语义特征和低级空间细节。实验结果表明：对于微血管减压测试集,U-MVDNet在单NVIDIA GTX 2080Ti上的参数量只有0.66 M,平均交并比(mIoU)达到了76.29%,速度达到140 frame/s,且当输入图像尺寸为640×480时,U-MVDNet在嵌入式平台NVIDIA Jetson AGX Xavier上实现了实时(24 frame/s)语义分割。本文方法未使用任何的预训练模型,参数量少且推理速度快,语义分割性能优于其他对比方法,在分割精度和速度上做到了良好的平衡。同时,还可以方便地在嵌入式平台上开发和应用,性能优越,易于部署。     

类别非均衡遥感图像语义分割的全卷积网络方法

基于U-Net模型,提出了一个全卷积网络(FCN)模型,用于高分辨率遥感图像语义分割,其中数据预处理采用了数据标准化和数据增强,模型训练过程采用Adam优化器,模型性能评估采用平均Jaccard指数。为提高小类预测的准确率,模型中采用了加权交叉熵损失函数和自适应阈值方法。在DSTL数据集上进行了实验,结果表明所提方法将预测结果的平均Jaccard指数从0.611提升到0.636,可实现对高分辨率遥感图像端到端的精确分类。     

基于编码-解码卷积神经网络的遥感图像语义分割

农村地区遥感图像语义分割是进行城乡规划、植被以及农用地检测的基础。农村地区高分辨率遥感图像含有较为复杂的地物信息,对其进行语义分割难度较大。基于此,提出一种改进的对称编码-解码网络结构SegProNet,利用池化索引与卷积融合语义信息及图像特征,通过1×1卷积构建Bottleneck层进一步提取细节、减少参数量,逐步加深过滤器深度以构建端到端的语义分割网络,改进激活函数进一步提升网络性能。实验结果表明,在CCF卫星数据集上,所提方法及经典语义分割网络U-Net、SegNet的准确率分别为98.4%,80.3%,98.1%,所提方法较其他方法更优。     

基于PXI总线高速图像采集显示系统设计

为解决高速Camera Link数据视频图像信号的采集与显示问题,提出了以PXI系统为平台,利用FPGA强大的并行处理能力及内部丰富的块RAM资源,模块化设计PXI接口模块,Camera Link数据接收模块,SDRAM缓存模块及VGA显示控制模块,同时利用FPGA构造出相应的VGA时序信号,控制视频转换芯片ADV7123实现两路图像数据的图形显示的系统设计。试验结果表明,该系统可实现输入100MB/s图像数据的实时显示,达到了预期的效果,具有一定的实用性和推广价值。     

增强现实近眼显示中辐辏调节冲突研究进展

近眼显示光学系统是增强现实（AR）技术的核心基础,是接收虚拟画面信息和融合现实环境进行显示的直接载体。辐辏调节是人眼生理机能的辐辏距离和晶状体聚焦调节距离相匹配的基本生理反应。当前AR近眼显示方案仅提供具有左、右眼视差片源形成的3D显示效果,相对于正常环境的目视观察有极大差距,造成人眼辐辏调节冲突（VAC）。缓解或消除VAC是AR近眼显示系统发展和普及的必由之路,其主要解决方案包括：部分深度信息的光学显示系统,如两焦面或多焦面近眼显示光学方案;完整深度信息的光学方案,如集成成像光场显示技术和计算全息波前重建的近眼显示方案;无深度信息的光学显示方案,如基于Maxwellian显示技术的近眼显示光学系统。本文综述了当前技术发展过程中缓解或消除VAC的近眼显示光学方案,分析了各技术的特点、实现方式,以及优缺点,最后总结了当前AR近眼显示中解决VAC问题面临的挑战,并对未来技术和显示方案的发展前景进行了展望。     

结合光源分割和线性图像深度估计的夜间图像去雾

夜间有雾图像通常具有对比度低、光照不均匀、颜色偏移以及噪声较多等现象,这些退化现象使得夜间图像去雾具有极大的挑战性。针对夜间图像存在的退化问题,本文提出了一种能够在夜间图像中有效去雾并提高图像质量的方法。首先,将图像分解成光晕层和有雾层,并对有雾层进行颜色校正。其次,通过一种新提出的带有伽马变换的图像光源分割方法来分割光源,并设置分割阈值作为像素点属于光源区域的概率值。然后,将得到的概率值与最大反射先验相结合来估计光源和非光源区域的大气光值。最后,根据图像深度与亮度、饱和度以及梯度之间的关系建立线性模型,进一步估计透射率的值。实验得到的分割阈值为0.07,线性深度估计参数分别为1.026 7、-0.596 6、0.673 5、0.004 135。实验结果表明本文方法在夜间图像去雾、消除光晕、减少噪声,以及提高可视度方面取得良好的效果。     

基于Mask R-CNN结合边缘分割的颗粒物图像检测

对颗粒物的尺寸检测是生产中重要的环节,使用相机采集图像并处理是常用的非接触检测方法。围绕颗粒物的识别与尺寸检测需求,选用沙粒为检测对象,提出了一种改进颗粒物边界掩膜的Mask R-CNN模型。该模型结合经典的边缘检测技术,并利用深度学习模型预测掩膜,根据边缘分割的结果来得到更高精度的掩膜。使用DenseNet作为检测网络的主干网络,使得整体网络参数量更少,并利用通道注意力机制加强网络的特征提取能力。实验结果表明,改进的网络可以提高检测的精度,且结合图像处理的方式能够改善掩膜尺寸检测的准确度,为颗粒物的工业检测提供了一种有意义的方法。     

面向车载增强现实抬头显示的大幅面体全息光波导

增强现实抬头显示（AR-HUD）是下一代智能座舱的关键显示系统,能够极大地提升驾驶安全性和体验感。基于体全息光波导的AR-HUD具有光学系统体积小、能量利用率高等优势,是AR-HUD领域关注的重点。然而,传统基于棱镜耦合的双光束曝光方法实现大幅面体全息光波导的制造极具挑战性。从体全息光波导的曝光参数出发,在矢量球中基于光栅简并理论给出了非全反射条件下体全息光波导曝光的参数设计方法,设计并搭建了一套大幅面体全息光波导自动化拼接曝光系统,制作了幅面尺寸为130 mm×270 mm的大幅面体全息光波导,并给出了增强现实显示效果。     

基于改进DeepLabv3+的无人车夜间红外图像语义分割

为了增强无人车对夜间场景的理解能力,针对无人车在夜间获取的红外图像,提出了一种基于改进DeepLabv3+网络的无人车夜间红外图像语义分割算法。由于自动驾驶场景中的对象往往显示出非常大的尺度变化,该算法在DeepLabv3+网络的基础上,通过引入密集连接的空洞卷积空间金字塔模块,使网络生成的多尺度特征能覆盖更大的尺度范围。此外,该算法将编码器模块的多层结果拼接在译码器模块中,以恢复更多在降采样过程中丢失的空间信息和低级特征。通过端到端的学习和训练,可直接用于对夜间红外图像的语义分割。实验结果表明,该算法在红外数据集上的分割精度优于原DeepLabv3+算法,平均交并比达到80.42,具有良好的实时性和准确性。     

结合稀疏编码和空间约束的红外图像聚类分割研究

提出了结合稀疏编码和空间约束的红外图像聚类分割新算法, 在稀疏编码的基础上融合聚类算法, 扩展了传统的基于K-means聚类的图像分割方法. 结合稀疏编码的聚类分割算法能有效融合图像的局部信息, 便于利用像素之间的内在相关性, 但是对于分割会出现过分割和像素难以归类的问题.为此, 在字典的学习过程中, 将原子的聚类算法引入其中, 有助于缩减字典中原子所属类别的数目, 防止出现过分割; 考虑到像素及其邻域像素具有类别属性一致性的特点, 引入了空间类别属性约束信息, 并给出了一种交替优化算法. 联合学习字典、稀疏系数、聚类中心和隶属度, 将稀疏编码系数同原子对聚类中心的隶属程度相结合, 构造像素归属度来判断像素所属的类别. 实验结果表明, 该方法能够有效提高红外图像重要区域的分割效果, 具有较好的鲁棒性. 关键词： 图像分割 稀疏编码 聚类 空间约束     

贝叶斯概率图像自动分割研究

探讨了一种新的图像自动分割的方法。提出应用高斯有限混合模型与期望－极大化算法对图像特征空间的数据进行聚类，采用信息理论准则（ITC）确定要分割的图像区域数目，用贝叶斯概率分割图像。整合这些技术可以实现图像自动分割，而且实验结果表明信息理论准则可以确定适当的区域数目。     

超表面图像显示技术研究

提出了一种通过超表面实现超高分辨率灰度图像的存储和显示方法。利用金属纳米砖阵列的偏振分光特性,结合马吕斯定律,将图像的灰度信息转换为纳米砖阵列中纳米砖的方向角排布,从而实现精确、连续的灰度调制。实验结果表明,可在该超表面的反射近场处观测到清晰的灰度图像,分辨率高达90 714ppi。这种基于超表面的图像显示技术设计方法简单灵活,且超表面具有体积小、重量轻、结构紧凑、易于集成等优势,因此可广泛应用于高密度光信息存储,高端产品防伪,信息加密等领域。     

改进图像阈值分割算法的研究

研究了利用阈值对图像进行分割的一般算法。根据图像的特点,从不同的数学角度对阈值的选取进行了分析,改进了基于图像灰度统计特征的边缘强度分割和逐次逼进的阈值迭代算法,并尝试采用多个阈值进行局部分割的算法。对分割结果的对比分析表明,改进后的算法在分割的完整性和一致性上具有更好的效果。     

显微图像阈值分割算法的研究

针对细胞图像分割问题,考虑传统阈值分割方法的局限性,提出一种自适应局部阈值分割算法。该算法的基本思想是通过自适应阈值选取对每个像素确定以它为中心的一个邻域窗口,计算窗口内像素的最大和最小值,再取它们的均值为阈值,以此分割图像。分别用自适应阈值分割法和迭代阈值的图像分割方法实现图像分割,实验结果表明:自适应阈值分割法效果良好,具有鲁棒性。