基于深度学习的彩色以及近红外图像去马赛克

单传感器捕获的彩色-近红外（RGB-NIR）图像存在光谱干扰，从而导致重建出的标准彩色图像（RGB）图像与近红外（NIR）图像存在色彩失真以及细节信息模糊。针对这个问题提出一种基于深度学习的去马赛克方法，通过引入跳远连接与稠密连接解决了梯度消失和梯度弥散问题，使得网络更容易训练，并且提升了网络的拟合能力。首先，用浅层特征提取层提取了马赛克图像的像素相关性以及通道相关性等低级特征；然后，将得到的浅层特征图输入到连续多个的残差稠密块以提取专门针对去马赛克的高级语义特征；其次，为充分利用低级特征与高级特征，将多个残差稠密块提取到的特征进行组合；最后，通过全局跳远连接恢复最终的RGB-NIR图像。在深度学习框架Tensorflow上使用公共的图像与视觉表示组（IVRG）数据集、有植被的户外多光谱图像（OMSIV）数据集和森林（Forest）三个公开数据集进行实验。实验结果表明，所提方法优于基于多级自适应残差插值、基于卷积卷积和神经神经网络以及基于深度残差U型网络的主流的RGB-NIR图像去马赛克方法。     

多次采样平均在长波红外高光谱成像系统中的应用

长波红外高光谱成像系统由于光谱细分导致探测器所接收的目标信号的能量较一般成像系统弱,因此系统噪声对成像效果影响较大。针对这一现象,本文在分析系统噪声成分的基础上,提出采用ADC多次采样平均的方法来降低其噪声,并从理论上推导了该方法的有效性。然后搭建了实验系统,分析计算不同积分时间下,利用多次采样平均技术得到的信号和噪声大小,并计算系统的信噪比和NETD。结果表明,多次(m次)采样平均对系统的信号值几乎无影响,但可以将系统噪声降低至原来的m~(-1/2)倍。因此,该方法可将系统的信噪比提高至原来的m~(1/2)倍,并能有效降低系统的NETD,提高系统灵敏度。该方法为改善长波红外高光谱成像系统成像效果提供了一种方案。     

固体自拉曼激光器多波长输出研究

实验对比了a切和c切的Nd∶YVO4晶体作为激光晶体时,激光器输出光光谱及输出功率上的区别。设计了一种小型化固体自拉曼多波长激光器,实验证明通过调节倍频晶体BBO的角度,可实现多波长选择性输出及同时输出,并测量了其输出光谱及单波长输出时的功率。     

基于超材料的无标记光学生物传感

超材料(metamaterials)因为能够在亚波长尺度范围内精细调控电磁波而受到人们广泛关注。超材料具有丰富的电磁模态,在表面支持高度局域场增强且对周围介电环境极其敏感,可应用于无标记光学生物传感领域。与传统光学生物传感器相比,超材料生物传感器具有小型化、集成化、高度灵敏、多功能可定制等突出优点。本文总结了近年来超材料生物传感器在可见光、近红外、中红外以及太赫兹波段的研究进展,包括折射率生物传感、表面增强拉曼散射、表面增强红外吸收和太赫兹生物传感等。     

高压下CL-20拉曼光谱和红外光谱相变研究

为了更好地认识和了解CL-20晶体结构演变规律和相变行为,利用金刚石对顶砧超高压实验技术,在0~50GPa下,研究了高压下ε-CL-20的原位拉曼光谱和红外光谱。结果表明,CL-20晶体在整个加压过程中存在两个相变,第一个相变发生在4.2~7.5GPa,认为是ε相到对称性更低的γ相转变,相变产生的原因是在压强的作用下,笼环外的硝基方向发生改变,电子云密度重置导致的分子构型转变;第二个相变发生在14.2~18.9GPa,属于γ相到ζ相的晶体结构转变;卸压后,拉曼和红外光谱恢复常压状态,表明CL-20晶体在研究压强范围内的相变过程是可逆的。