基于卷积神经网络的散斑图像位移场测量方法

提出了一种基于卷积神经网络(CNN)的数字散斑图像位移场测量方法.采用给定多种变形模式的精确位移场系列数字散斑图像构建数据集,提出了一种数字散斑图像位移场识别CNN模型.模拟散斑图像的验证实验表明,所提方法对随机变形、轴向均匀变形、剪切变形等模式具有良好的计算效率和测试精度.硅胶单轴拉伸验证实验表明,所提方法也可以精确测试真实实验散斑图像位移场并具有较高的计算效率.所提深度CNN能够高效、精确地测试数字散斑图像位移场,在材料变形测试中具有良好的应用前景.     

频谱卷积神经网络实现全息图散斑降噪

数字全息系统是一种非常先进的成像系统,但相干光源数字全息系统中散斑噪声会对全息图的质量产生不利影响,常规实验降噪或基于传统神经网络算法降噪方法均存在不足。为实现全息图中的散斑降噪以及权衡降噪效率问题,提出一种基于卷积神经网络的单幅全息图快速降噪算法,使用散斑噪声数据集对多等级神经网络进行训练。理论分析及实验结果表明卷积神经网络应用于数字全息图的频谱域去噪能有效提高全息图的质量,且仅使用一幅全息图就可以有效地处理不同等级散斑噪声,在保持去噪性能的前提下,能最大限度保存全息图有效干涉条纹。     

水下高分辨率声图中小目标的深度网络分类方法

针对声成像数据缺少条件下的水下沉底小目标分类问题,提出一种深度网络分类算法。首先,采用高斯混合模型对声影区统计特性进行建模并提取声图阴影,在此基础上构建仿真数据集和真实数据集。将仿真数据集输入卷积神经网络进行训练,保留其特征提取部分,用于对真实数据集进行特征提取.重建网络分类部分并采用真实数据集的特征向量进行训练。结果表明,所提出的方法分类正确率可达88.24%,与6种对照方法相比平均分类正确率分别提升8.67%,20.47%,19.78%,11.59%,9.01%,11.58%。验证了所提出方法在小样本条件下具有较好对水下沉底小目标的分类能力。其学习曲线收敛到96.25%,仅比验证曲线高5.14%,说明在一定程度上缓解了过拟合问题。将改进的卷积神经网络应用于融合分类器,通过与逻辑回归分类器、支持向量机对目标进行分类并融合决策,正确率为93.33%,可进一步提高算法的正确率和稳定性.      

大气湍流下光学平面面形的估计

针对大气湍流环境下光学元件平面面形PV值测量这一问题。首先建立了一种大气湍流下斐索干涉仪的模型,通过该模型得到1000张干涉条纹图像;然后提出了一种基于卷积神经网络估算PV值的方法,将干涉条纹图像作为卷积神经网络的输入,利用卷积神经网络提取图像的特征信息,得到PV值;最后将得到的结果与ASTM计算得到的结果、相位解包裹得到的结果以及BP神经网络得到的结果进行对比,发现利用卷积神经网络的方法偏差为2.25×10^-4λ,较ASTM、相位解包裹以及BP神经网络得到的结果偏差更小。实验结果表明此方法具有抗干扰性强、精度高、运算快的优点,是一种有效的抗大气湍流影响的光学检测方法。     

基于机器学习检测相位畸变后的涡旋光束轨道角动量

针对涡旋光受大气湍流而产生的相位畸变问题,设计了卷积神经网络检测涡旋光束轨道角动量态.将相位畸变的拉盖尔高斯涡旋光光强图像作为样本数据输入,网络利用输入的数据集进行自主学习,经过多次迭代能够精确检测出光束高阶轨道角动量信息.仿真结果表明:在大气湍流强度不确定的情况下,模型对轨道角动量态范围为1～40、1～100、1～1...     

基于主动散斑投射的水下双目视觉三维成像

基于主动散斑投射的双目立体视觉成像技术仅需一次投影拍摄即可实现三维重建,适合于动态成像,但在水下应用时,存在小孔模型失效、极线约束匹配条件不满足,以及投射散斑左右图像因受水下环境吸收、散射影响产生退化等问题。本文重新建立了基于主动投射散斑图案的水下双目视觉成像模型,分析了散斑图案对水下双目对应点匹配精度的影响,搭建了主动散斑水下双目视觉动态三维成像系统实验装置。实验结果表明,基于主动散斑投射的水下双目立体视觉技术具有较好的动态3D成像效果,动态误差在该双目立体视觉实验装置本身结构和系统参数决定的静态误差之内。     

采用GAF-D3Net深度学习网络的水下目标有源识别方法

提出一种基于格拉姆角场(GAF)和卷积神经网络(CNN)的水下目标有源识别方法。该方法利用GAF将目标回波信号编码为二维图像,使用空洞卷积构建轻量级的卷积神经网络GAF-D3Net实现对目标的特征提取与分类识别。实验表明,与基于传统图像特征的分类方法相比,所提方法的分类精度有显著提高,达到99.65%。在泛化性测试中,对比了经典CNN使用声呐图像的迁移学习方法,本文方法的曲线下面积(AUC)达到89%,具有更好的泛化性能以及抗干扰能力,为实现水下目标有源识别提供了一种可靠方法。     

基于RGBD图像和卷积神经网络的快速道路检测

针对移动平台有限的计算资源以及基于彩色图像的道路检测方法在极端光照情况下及路面类型变化时存在的不足,提出了一种融合彩色图像和视差图像的基于9层卷积神经网络的快速道路检测算法。提出一种数据输入层预处理方法,将视差图变换为视差梯度图以强化地面特征,降低网络深度需求。所提两种网络结构为双通道后融合网络和单通道前融合网络,分别用于卷积特征分析和快速道路检测。实验使用KITTI道路检测数据集并人为划分为普通和困难两组数据集,对该算法进行实验对比和分析,结果表明:与基于彩色图像的卷积神经网络方法相比,该算法在普通数据集上最大F1指标(MaxF1)提升了1.61%,在困难数据集上MaxF1提升了11.58%,算法检测速度可达26frame/s,可有效克服光照、阴影、路面类型变化等影响。     

基于长短期记忆网络与特征融合的微表情识别算法

为了提高视频识别领域中微表情识别的准确率,提出了一种基于长短期记忆网络与特征融合的微表情识别算法。提取微表情图像的颜色特征和纹理特征,将所提取的空间特征传入卷积神经网络进行融合。设计了学习时域相关性的长短期记忆网络结构,将融合的特征集传入长短期记忆网络学习微表情的时域特征,将长短期记忆网络接入分类器网络识别出微表情的类标签。在两个公开的微表情识别数据集上完成了验证实验,结果显示算法实现了较好的微表情识别性能,在SMIC数据集和CASMEⅡ数据集上的准确率分别达到64.7%和65.8%.     

相位互异散斑校正技术研究

相位互异散斑（PDS）是一种新颖的成像技术，可用来克服由于未知相差（如大气扰动）带来的图像退化。利用泽尼克多项式拟合未知扰动造成的相位失真，并用一对图像求得波前相位。从分析相位互异散斑技术的机理出发，使用遗传算法作为迭代算法，基于仿真实验数据验证了该技术的可行性，并在仿真实验中分析影响该技术性能的一些因素，如泽尼克多项式模式和湍流大小的影响等。这些研究结果为探索模糊图像恢复提供了新的途径。     

基于密集卷积和域自适应的高光谱图像分类

针对常规的高光谱图像分类算法不能很好地解决不同图像中的频谱偏移的问题,提出了一种基于密集卷积和域自适应的高光谱图像分类算法,首先在源域中使用密集卷积进行深度特征学习,然后应用域自适应技术转移到目标域。目前的域自适应高光谱图像分类框架中常用卷积神经网络进行特征学习,但是当深度增加时会出现因梯度消失而导致分类精度下降的情况,因此本文通过引入密集卷积进行深度特征学习,提高域自适应高光谱图像分类的精度。在Indiana高光谱数据集和Pavia高光谱数据集上验证所提算法的有效性,整体分类精度分别为61.06%和89.63%,与其他域自适应高光谱图像分类方法对比,所提方法具有更好的分类精度。     

水下激光目标的统计对消分割法

水下激光目标的识别是一个崭新的研究领域,有许多问题需要解决,其中,目标分割是关键.水下激光图像中夹杂着严重的散斑噪声,受其影响,要识别水下激光目标,就要对图像进行有效的消噪,然后进行目标分割.本文依据具有相似统计特征的噪声可抵消图像中的相应噪声这一基理,结合小波变换和统计法,提出了一种水下激光目标的统计对消分割法,以去除噪声,提取目标.实验结果表明该方法是有效可行的.     

角度散斑相关方法表面粗糙度测量实验

基于角度散斑相关原理开展了对喷砂表面粗糙度样块的粗糙度测量实验研究.通过对散斑图像数据的处理和分析,提出了求取角度散斑相关系数最大值的滑动相关算法.该算法能有效克服表面小平度、波度等因素序不利影响.从最佳测量条件出发,提出了最佳入射角增量的概念,并在此基础上形成了包括散斑图像采集过程币图像数据处理方法在内的一整套表面粗糙度测量方法.该测量方法的核心是对被测表面的多个激光照明区域币多个激光入射角下的远场散斑图像的采集及数据处理.实验结果表明,应用本测量方法得到的轮廓均方根偏差磊佳估计值d.与表面样品给定的轮廓算术平均偏差Ra成很好的线性关系.     

基于一维卷积神经网络的雌激素粉末拉曼光谱定性分类

拉曼光谱物质定性鉴别已被广泛应用于诸多行业和研究领域,但传统拉曼光谱分析过程中的预处理主要依赖人为经验,光谱特征提取虽然能够降低信号维度,同时也会造成部分光谱信息损失。特性相近物质本身光谱相似度较高,受到测量过程中环境干扰和分析过程中多种误差影响,导致最终分类效果并不理想。针对此问题,提出基于一维卷积神经网络（one-dimensional convolution neural network,1D-CNN）的拉曼光谱定性分类方法。实验采集雌酮（Estrone）、雌二醇（Estradiol）,雌三醇（Estriol）三种不同雌性激素粉末的拉曼光谱,设计随机平移、添加噪声和随机加权三种光谱数据增强方法,构建数量充足的拉曼光谱数据库用于神经网络模型训练与测试;基于拉曼光谱数据特点提出一维卷积神经网络分类模型,将光谱预处理、特征提取和定性分类的全过程融为一体。通过大量仿真实验,优化所提出的神经网络模型超参数和训练过程并测试分类效果,从预处理对光谱分类结果的影响和模型抗干扰性能两个方面与多种传统拉曼光谱分类算法对比,评价模型性能。实验结果表明,本文提出的一维卷积神经网络模型可实现三类雌性激素粉末拉曼光谱快速准确分类,分类正确率最高可达98.26%,分析过程中无需光谱预处理和特征提取步骤,简化了光谱分析流程,并能保留更多有效信息。同时,当模拟测量噪声强度达到60 dBW时,传统方法分类正确率均明显出现不同程度明显降低,卷积神经网络模型依然能够取得96.81%的分类正确率,说明相比对传统拉曼光谱分类方法,所提出方法受光谱测量噪声影响更小,鲁棒性更强,适用于分析更复杂现场测量的强噪声拉曼光谱信号。该研究结果表明深度学习方法在拉曼光谱的分析与处理领域具有很大的应用潜力和研究价值。     

基于自适应脉冲耦合神经网络的水下激光图像分割方法EI北大核心CSCD

距离选通式水下激光成像技术是一种能够有效抑制水介质的后向散射效应的探测技术,在海洋研究、深海探测和水下作业领域中拥有广阔的应用前景。然而在水下激光图像中出现的散斑噪声和灰度不均匀现象使得实现目标的准确分割较为困难。通过分析散斑噪声形成的机理,提出了一种水下激光图像的有效分割方法。该方法根据像素的噪声响应和灰度分布特性自适应确定各神经元的关键参数,并对噪声位置的神经元的行为进行抑制,基于最大二维Renyi熵准则采用梯度下降法确定了神经元的动态阈值,通过实验结果的比较分析说明该方法明显优于Normalized Cut、模糊C均值、均值漂移和分水岭分割方法,而运行时间约为常规脉冲耦合神经网络的五分之一。     

基于自适应脉冲耦合神经网络的水下激光图像分割方法

距离选通式水下激光成像技术是一种能够有效抑制水介质的后向散射效应的探测技术,在海洋研究、深海探测和水下作业领域中拥有广阔的应用前景。然而在水下激光图像中出现的散斑噪声和灰度不均匀现象使得实现目标的准确分割较为困难。通过分析散斑噪声形成的机理,提出了一种水下激光图像的有效分割方法。该方法根据像素的噪声响应和灰度分布特性自适应确定各神经元的关键参数,并对噪声位置的神经元的行为进行抑制,基于最大二维Renyi熵准则采用梯度下降法确定了神经元的动态阈值,通过实验结果的比较分析说明该方法明显优于Normalized Cut、模糊C均值、均值漂移和分水岭分割方法,而运行时间约为常规脉冲耦合神经网络的五分之一。     

基于3D卷积神经网络的脑肿瘤图像分割

三维脑胶质瘤磁共振成像肿瘤形状各异、边缘模糊,目前大多数基于2D卷积神经网络的分割方法不能很好的分割三维图像。为了能够准确分割出三维图像中的肿瘤部分,提出一种融合多尺度特征信息的3D卷积神经网络脑肿瘤图像分割方法。利用并行的3D空洞卷积提取特征信息,将不同感受野的信息融合。将Dice损失和BCE损失结合,形成一种新的损失函数并配合恒等映射,进一步提高分割精度。在BraTs2020数据集上对模型进行验证,结果表明,该模型分割的全肿瘤区、核心区和增强区的Dice系数分别为89.1%、83.9%和82.6%。在LGG脑部肿瘤图像数据集上对模型进行验证,结果表明,Dice系数达到了93.3%。所提出的分割方法不仅能够精确的分割三维脑胶质瘤图像,而且同样适用于分割二维脑胶质瘤图像。     

基于卷积神经网络的烟叶近红外光谱分类建模方法研究

卷积神经网络(CNN)在图像分类识别领域应用广泛,但其在近红外光谱分类中的研究还未见报道,对基于CNN的近红外光谱分类建模方法进行了研究。针对近红外光谱数据的特点,提出了一种改进的卷积神经网络建模方法,对CNN经典模型LeNet-5所做改进：①将方形矩阵卷积核改为适用于一维近红外光谱的向量卷积核;②简化网络结构,将LeNet-5结构中C5,F6及输出层改为单层感知机。同时,采用隔点采样的方法对近红外光谱降维,加快收敛速度;并对卷积核尺寸对建模结果的影响进行了研究。以我国东北、黄淮、西南三大烤烟产区的600个中部烟叶样本的近红外光谱为实验对象,建立烟叶产区分类NIR-CNN模型。该模型对训练集和测试集的判别准确率为98.2%和95%。实验结果表明,应用卷积神经网络可对近红外光谱数据准确、可靠地判别分类;烟叶产区NIR-CNN建模方法可为卷烟企业烟叶原料科学合理利用提供指导,为维护卷烟产品的质量稳定有重要意义;基于卷积神经网络的近红外光谱判别方法也可推广到其他农产品的分类应用中。     

一种基于Inception思想的人脸表情分类深度学习算法研究

人脸的情感识别在人机交互领域有着重要作用,对人脸表情进行分类也是研究图像情感的一种方法。针对目前公开的人脸表情数据集数据量少,卷积神经网络的结构较复杂、参数多且计算量大、易出现过拟合的现象,需要构建一种针对小数据集的人脸表情分类模型。利用MTCNN模型进行人脸检测后,结合Inception的思想提出一种新的卷积神经网络模型,使用1×1卷积核对特征维数进行缩减,增加并平衡网络深度和宽度的同时不增加额外的计算负担,更精准的对人脸特征进行提取。经实验验证,提出的算法在CK+和JAFFE人脸数据集上,较其他方法有更好的效果,构建的人脸表情分类卷积神经网络模型能有效进行人脸表情的分类。     

基于深度学习的透过散射介质偏振识别

当偏振光在散射介质中传播时,由于散射粒子的多重散射作用而造成偏振信息的扰乱和丢失.为了保证偏振信息在散射介质中高效和高保真的传输,提出一种基于深度学习的透过散射介质偏振识别方法.通过构建卷积神经网络来提取散斑光强信息中入射光波偏振信息的特征,实现对入射光波偏振态的高分辨率识别,并使用初始相位不同的偏振光来验证卷积神经网络对偏振态识别的鲁棒性.实验结果表明,所提方法具有识别速度快和准确率高的优点,理论上可以通过无限大的数据来训练神经网络,因此该方法在偏振光学成像和激光通信等领域具有巨大的应用潜力.