首页期刊导航|激光与光电子学进展
期刊信息/Journal information
激光与光电子学进展
激光与光电子学进展

范滇元

月刊

1006-4125

lop@siom.ac.cn

021-69918222

201800

上海市嘉定区清河路390号（上海市800-211信箱）

激光与光电子学进展/Journal Laser & Optoelectronics ProgressCSCD北大核心CSTPCD
查看更多>>本刊由中科院上海光学精密机械研究所和国家惯性约束聚变委员会联合主办。旨在关注科技发展热点，报道高新技术前沿，追踪科技研发动态，介绍科学探索历程；展示最新科技产品，汇萃时尚科技讯息。
正式出版
收录年代

    一种基于清晰区域筛选的图像增强方法

    张谦谦马卫红
    427-434页
    查看更多>>摘要：针对目前图像处理方法在待测物尺寸超出成像系统景深条件下图像部分区域模糊的问题,提出基于清晰区域筛选的图像增强方法.首先对成像系统使用步进截获的方法,完成同目标多清晰区域的图像组抓取.之后结合双边滤波和边缘提取算法弱化图像低清晰度区域,保留其强边缘特征,再进一步进行强边缘及区域衔接组合,解决模糊区域对边缘的误导问题.最后引用基于图像方差特征的高清晰度区域筛选算法筛出非边缘区域清晰图像,与强区域边缘图匹配,获得目标图像.实验结果表明,综合三个实验用例,与常用图像增强算法相比,所提算法处理后的图像的清晰区域变化幅度小,模糊区域得到有效加强.与直方图均衡化、自适应滤波、Retinex三种算法的结果相比,所提方法的信息熵、信噪比、结构相似度和清晰度平均提高了4.1%、21.3%、36%、9.53%,标准差平均降低了23.3%.

    图像处理图像增强清晰区域筛选模糊区域

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

    基于特征融合与集成学习的细粒度图像分类

    张文丽宋威
    435-447页
    查看更多>>摘要：细粒度图像分类旨在准确分类给定超类的子类别,面临类内差异大、类间差异小和训练样本有限等挑战.目前,大多数方法基于Vision Transformer进行改进以提升分类性能,但仍存在一些问题:忽略不同层次分类令牌的互补信息导致全局特征提取不完整,多头自注意力机制中不同头部表现不一致导致局部定位不准确,以及有限训练样本易过拟合.基于此,提出一种基于特征融合与集成学习的细粒度图像分类网络,该网络包含3个模块:多层次特征融合模块融合互补信息以获取更完整的全局特征,多专家局部投票模块基于集成学习投票定位局部令牌以增强局部特征表示能力,注意力引导的混合增强模块缓解过拟合问题,提高分类准确性.所提网络在CUB-200-2011、Stanford Dogs、NABirds和IP102等数据集上的分类精度分别为 91.92%、93.10%、90.98%和 76.21%,相较原始Vision Transformer模型分别提高1.42百分点、1.50百分点、1.08百分点和2.81百分点,优于其他对比细粒度图像分类模型.

    细粒度图像分类VisionTransformer特征融合集成学习混合增强

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

    基于改进大气光估计的单幅机场图像去雾

    周睿孟双杰李明邱爽...
    448-454页
    查看更多>>摘要：为提高机场监视系统在大雾天气的可靠性,提出了一种面向机场图像去雾的大气光值估计方法.首先,该方法基于暗通道先验(DCP)估计大气透射率,利用标准大气散射模型还原初始去雾图像;然后,引入清晰度系数来公式化图像去雾输出的反馈,在此基础上设计了一种大气光值更新规则,利用图像去雾输出的反馈来迭代更新大气光值,直至清晰度系数达到峰值便停止更新;最后,在更新后的大气光值引导下,利用大气散射模型重建出最优无雾图像.实验结果表明,相较于传统DCP方法,所提方法可以得到更准确的大气光值估计和更自然的去雾图像,在图像去雾客观评价指标上表现得更好.

    大气散射模型大气光值估计暗通道先验图像去雾

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

    基于SwinT-MFPN的高分辨率边坡场景图像分类

    涂印李登华丁勇
    455-465页
    查看更多>>摘要：针对高分辨率图像计算复杂度快速增长和收敛速度慢等难题,基于Swin-Transformer及特征金字塔网络(FPN)提出一种兼顾性能、推理速度和收敛速度的SwinT-MFPN边坡场景图像分类模型.首先在FPN中引入Mish激活函数构建MFPN结构,对原高分辨图像进行特征提取,得到长宽减小的特征图,并剔除部分底层冗余特征信息,强化关键特征;然后引入深层次特征提取能力强的Swin-Transformer作为模型的主干特征提取网络,并使用加权交叉熵损失函数替换Swin-Transformer的原始交叉熵损失函数,优化由于类别数据量不平衡对模型预测产生的影响.提出精度均方根误差评价指标,并基于自建的大坝边坡数据集,验证了所提模型的稳定性.实验结果表明,所提模型的平均精度均值(mAP)高达95.48%,时间性能提升了3.01%,优于大部分主流模型,证明了所提模型的适用性和有效性.

    高分辨率图像分类边坡特征金字塔网络Swin-Transformer

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

    激光与光电子学进展60年发展大事记

    封2页
      原文链接:
    • NETL
    • NSTL
    • 万方数据