图像分类问题的几种深度学习策略

针对图像分类学习不够深入的问题,提出图像分类问题的几种深度学习策略研究。通过分析当前主流的主动深度学习图像、多标签图像和多尺度网络图像三种深度学习方法的工作原理和存在的优势与不足,探讨图像分类问题的优化学习策略。随后采用图像分类问题的几种深度学习策略实验的方式加以对比,实验结果表明,参数共享的深度学习图像分类方法不仅提高了预测速度,而且还能确保模型的准确性。     

基于分类器决策融合的红外图像目标识别方法

提出基于分类器决策融合的红外图像目标识别问题。采用稀疏表示分类（Sparse representation-based classification,SRC）和卷积神经网络（Convolutional neural network,CNN）作为基础分类器。对于测试样本,首先基于SRC进行分类,并根据输出的决策变量判断决策可靠性。当判定识别结果可靠时,则识别过程结束,输出目标类别。反之,根据SRC的结果遴选部分置信度较高的候选类别,并在下一阶段针对这一步类别采用CNN进行确认分类。此外,将CNN的输出结果与SRC进行线性加权融合处理,根据融合结果做出最后的目标类别决策。提出方法通过综合SRC和CNN两者分类器的优点,综合提升红外目标识别性能。同时,这种层次化的决策融合方式避免了对所有样本的两次分类过程,整体上能够保证识别算法的效率。实验采用五类日常生活中常见的车辆目标红外图像进行,分别设置了原始样本条件、噪声样本条件以及遮挡样本条件。通过与部分现有方法进行对比,结果反映了提出方法的有效性和可靠性。     

大视场微球透镜超分辨显微成像技术的研究进展

光学显微镜是人类探索微观世界的重要工具,在生物学、医学、材料学、精密测量学等领域发挥重要作用。由于衍射极限的存在,发展更高质量、更高空间分辨率的超分辨光学显微成像技术成为当下研究的前沿热点。基于微球透镜的超分辨显微成像技术有着易于实现、简单直接和免标记的显著优点,发展潜力巨大。但是单个微球的视野有限,且难以进行精确定位。提高微球的可操控性,拓展超分辨显微成像视场的范围,已成为该技术突破发展的核心关键。文中在介绍微球超分辨的成像原理,分析影响成像质量主要因素的基础上,重点总结了国内外团队在拓展微球透镜超分辨显微成像视场方面的最新研究进展。根据微球的操控方式,将研究工作总结为机械接触控制、微球辅助增强层、非接触控制和微球物镜一体化四类进行介绍,探讨其技术特点,并对大视场成像、图像拼接等面向视场拓展的图像处理技术进行论述。最后,提出微球透镜超分辨显微成像技术亟待解决的关键问题、存在的难点与挑战,以及未来开展研究工作的突破点,展望了该技术的发展与应用拓展方向。     

基于多目标图像清晰度评价的LAMOST光谱仪离焦诊断方法

研究表明,当温度产生一定变化时,会导致大天区面积多目标光纤光谱天文望远镜（LAMOST）光谱仪的内部器件产生热诱导变形,引起CCD靶面上的图像离焦模糊,降低了天文数据测量精度,也大大增加了16台光谱仪的日常维护难度。基于LAMOST运行前拍摄的定标灯谱数据,提出了一种基于多目标图像清晰度评价的离焦诊断方法。该方法通过对不同离焦量下的定标灯谱图像进行分析,提取了一定数量的光斑的半高全宽（FWHM）及其总体分布情况,建立多目标图像清晰度与系统离焦量之间的离焦函数模型,实现对LAMOST成像像质的离焦诊断,为后续智能化主动补偿技术的实现提供了技术支撑。介绍了LAMOST光谱仪的工作原理及结构,给出了光谱仪对调焦精度的需求;详细介绍了光斑FWHM值的测量原理与多目标图像清晰度评价函数的构建方法。与传统图像清晰度评价函数的对比结果显示,文中方法具有更高的清晰度对比率与精度,对定标灯谱图像的离焦诊断误差在10 μm以内,有效降低了人为局部诊断带来的误差,提高了16台光谱仪系统一致性,有望提高LAMOST日常运行效率与光谱仪的长期稳定性。     

自适应调节滤波强度的SAR图像非局部平均抑斑算法

为提升对SAR图像乘性相干斑的抑制水平与边缘保护性能,该文提出了一种可自适应调节滤波强度(AFS)的SAR图像非局部平均(NLM)抑斑新算法(AFS-NLM).该算法利用Frost滤波图像计算的局部均值与方差来改善SAR图像场景参量的估计,形成了一种能更好刻画SAR图像同质区与边缘区的改进Kuan滤波系数.利用局部均值比与改进Kuan滤波系数分别作为新的相似性测量参量与自适应衰减因子,构建了一种更适应SAR图像乘性噪声特性的改进NLM滤波.利用偏平滑参数与偏边缘保护参数控制下的改进NLM滤波,分别替代经典Kuan滤波模型中的像素局部均值与自身灰度值作为加权项,并采用由改进Kuan滤波系数构建的自适应调节因子对二者进行加权平均,从而形成了一种可自适应调节滤波强度的加权滤波新模型.实验表明,该文算法与近期多种先进算法相比,具有更好的相干斑抑制与边缘保护性能.     

基于超像素级卷积神经网络的多聚焦图像融合算法

该文提出了基于超像素级卷积神经网络(sp-CNN)的多聚焦图像融合算法。该方法首先对源图像进行多尺度超像素分割,将获取的超像素输入sp-CNN,并对输出的初始分类映射图进行连通域操作得到初始决策图;然后根据多幅初始决策图的异同获得不确定区域,并利用空间频率对其再分类,得到阶段决策图;最后利用形态学对阶段决策图进行后处理,并根据所得的最终决策图融合图像。该文算法直接利用超像素分割块进行图像融合,其相较以往利用重叠块的融合算法可达到降低时间复杂度的目的,同时可获得较好的融合效果。     

基于小波变换模极大法的聚乙烯催化剂表面分形分析

运用分形和小波相结合的方法研究负载型聚乙烯催化剂(简称催化剂)表面形态. 采用小波变换模极大(WTMM)法提取了催化剂表面多尺度边缘(细节)图像, 用分形和多重分形方法研究了各尺度边缘图像中边缘点的分布情况, 并用基于小波变换模极大的多重分形谱法讨论了催化剂边缘点奇异强度的分布状况. 研究结果表明, 催化剂的较小尺度边缘图像的分维和多重分形谱可以与催化剂的表面形态和活性进行较好的关联; 高活性催化剂的基于WTMM的多重分形谱的奇异强度跨度更宽, 拥有较多具有较高奇异强度的奇异点. 基于小波和分形对催化剂表面形态的研究, 发挥了小波和分形各自的优点, 为研究物体表面形态提供了思路.     

集成电路芯片封装可靠性知识

B-SCAN:(1)Show the x-sectional image from each inter-face.可以显示各个纵切面的平面图像(2)Detectable defects:Crack,Tilt and Void.可发现的失效现象:裂缝、倾斜、气泡(3)Merit:Analysis of the level of defects arepossible.优点:对平面的失效点进行分析C-SCAN:(1)Shows the horizontally x-sectioned imagesafter fours at an interface.显示水平剖面的图象(2)Detectable defects:Delamination,Die crack.可发现的失效现象:离层、芯片裂缝(3)Merit:The most precise inspection method.优点:最精确直观的检测方法(4)Wea…