首页期刊导航|光电子·激光
期刊信息/Journal information
光电子·激光
光电子·激光

巴恩旭

月刊

1005-0086

baenxu@public.tpt.tj.cn；　baenxu@263.net

022-23679707

300191

天津市南开区红旗南路263号

光电子·激光/Journal Journal of Optoelectronics·LaserCSCD北大核心CSTPCDEI
查看更多>>本刊为专业技术性刊物。报道光电子、激光技术领域的研究成果，内容包括新型光电子器件、装置和材料、光电控制和检测、光存贮和光电信息处理、通讯和光纤应用技术光电集成技术、光计算和光学神经网络、激光加工和激光应用、光电生物医学等方面。
正式出版
收录年代

    基于逐点法刻写的偏芯光纤布拉格光栅应变和温度传感研究

    田晨陈海滨胡锴张军英...
    865-870页
    查看更多>>摘要：为解决当前光纤光栅制备灵活性较低,以及测量中不利于实现分布式波分复用的问题,提出了一种于基于逐点法刻写的偏芯光纤布拉格光栅传感器(eccentric fiber Bragg grating,EFBG).采用飞秒激光(femtosecond laser,FSL)逐点刻写技术,光栅刻写位置垂直偏离光纤中心3 μm,光栅长度为5 mm,光栅中心波长为1 633 nm.不同于传统光纤光栅,偏芯结构的光栅可以激发出较宽的包层模共振范围,通过分析包层模共振峰的波长漂移量,表征施加的应变大小或温度高低.实验结果表明,应变测量范围在0-500 με时,包层模灵敏度为0.98 pm/με,温度测量范围在30-80℃时,包层模灵敏度为10.89 pm/℃,并且包层模灵敏度相比芯模灵敏度数值相差较小,从而可以实现应变或温度的传感测量.

    光纤传感器光纤布拉格光栅包层模应变温度

      原文链接:
    • NETL
    • NSTL
    • 维普
    • 万方数据

    基于改进传感器模式噪声提取模型的源相机识别

    苏开清田妮莉潘晴
    871-878页
    查看更多>>摘要：针对当前基于传感器模式噪声(sensor pattern noise,SPN)提取模型处理压缩视频来源检测的识别效果较差问题,提出一种基于多尺度变换域自适应维纳滤波和一种加权最大似然估计的改进SPN提取模型.首先干预视频的编解码过程,在编解码器的环路滤波模块前提取视频帧,然后将视频帧输入双密度双树复小波变换自适应维纳滤波模型中提取噪声残差,最后使用加权最大似然估计从噪声残差中估计得到SPN.在公共视频源取证数据库VISION上进行测试比较,实验结果表明所提出的改进SPN提取模型在ROC曲线和Kappa统计系数两种评价指标上的识别效果优于传统SPN提取算法.

    传感器模式噪声压缩视频识别多媒体取证多尺度分解加权最大似然估计

      原文链接:
    • NETL
    • NSTL
    • 维普
    • 万方数据

    基于图变换和DWT-SVD的鲁棒图像水印算法

    闻斌张天骐熊天吴超...
    879-886页
    查看更多>>摘要：针对图像水印算法在攻击强度较大时鲁棒性差的问题,提出了一种基于图变换(graph-based transform,GBT)、离散小波变换(discrete wavelet transform,DWT)和奇异值分解(singular value de-composition,SVD)的鲁棒图像水印算法.首先对载体图像进行不重叠分块处理,挑选出像素方差值较高的子块进行DWT得到其低频系数矩阵,然后对低频系数矩阵依次进行GBT和SVD得到奇异值矩阵,最后将水印信息嵌入到奇异值矩阵的最大奇异值中.实验结果表明,Pirate图像结构相似度(structural similarity,SSIM)达到0.97以上时,本文算法能有效抵抗噪声、滤波、JPEG压缩、剪切和交换行列等攻击,归一化互相关系数(normalization coefficient,NC)值均在0.9以上.

    图像水印图变换小波变换奇异值分解像素方差值

      原文链接:
    • NETL
    • NSTL
    • 维普
    • 万方数据

    基于U-Net网络改进算法的视网膜血管分割研究

    金鹭张寿明
    887-896页
    查看更多>>摘要：针对视网膜图像血管细小,细节特征丢失、梯度下降、爆炸而导致分割效果差的问题,本文提出了一种引人残差块、循环卷积模块和空间通道挤压激励模块的U-Net视网膜血管图像分割模型.首先通过使用一系列随机增强来扩展训练集并对数据集进行预处理,然后在U-Net模型中引入残差块,避免随着网络深度增加,分割准确率达到饱和然后迅速退化以及优化计算成本;并将U-Net网络的底部替换为循环卷积模块,提取图像低层次的特征,并不断的进行特征积累,增强上下文之间的语义信息,获得更有效的分割模型;最后在卷积层之间嵌入空间通道挤压激励模块,通过找到特征较好的通道,强调这一通道,压缩不相关的通道使得网络模型能够加强关键语义特征信息的学习,通过训练过程学习到有效的特征信息,同时增强抗干扰能力.通过在DRIVE数据集上的验证结果可得,本文所提模型的准确率为98.42％,灵敏度达到了 82.36％,特异值达到了 98.86％.通过和其他网络分割方法比较,本文所提分割方法具有更优的分割效果.

    视网膜血管分割U-Net网络残差块循环卷积模块空间通道挤压激励模块

      原文链接:
    • NETL
    • NSTL
    • 维普
    • 万方数据

    投稿须知

    封4页
      原文链接:
    • NETL
    • NSTL
    • 万方数据