一种基于深度学习实现干涉条纹滤波方法

    公开(公告)号:CN116777763A

    公开(公告)日:2023-09-19

    申请号:CN202310454768.5

    申请日:2023-04-25

    摘要: 本发明公开了一种基于深度学习实现干涉条纹滤波方法,包括:S1、设计用于干涉条纹图像去噪的GAN神经网络及用于噪声建模的DnCNN神经网络;S2、通过程序生成干涉图像样本,并加入DnCNN生成的噪声获取清晰‑噪点对图像数据集;S3、通过生成数据集进行网络训练,得到基于GAN的干涉条纹滤波模型;S4、获取光学系统捕获的真实带噪声干涉条纹图;S5、通过GAN网络输出无噪点的清晰干涉图像。根据本发明,获取干净、清晰的干涉条纹图,本发明保证了良好的去噪效果,缩短计算机运算时间,同时无需额外硬件设备,减少成本。

    一种基于密度峰值搜索和局部特征的红外小目标检测方法

    公开(公告)号:CN116681875A

    公开(公告)日:2023-09-01

    申请号:CN202310612434.6

    申请日:2023-05-29

    摘要: 本发明公开了一种基于密度峰值搜索和局部特征的红外小目标检测方法,包括:S1、通过高斯差分滤波预处理图像且抑制高亮度杂波;S2、通过密度峰值全局搜索方法在预处理图像中确定候选目标的位置;S3、对候选目标进行局部对比增强梯度特性并抑制背景杂波;S4、通过Facet模型来计算每个候选目标的多向梯度特性;S5、以候选目标点为中心,捕捉不同大小目标的八个方向上的梯度特性;S6、通过对候选目标点对称方向上的区域做差来抑制背景杂波的梯度特性并使用对称区域差的标准差加权梯度响应值;S7、对候选目标梯度特性响应值进行自适应阈值分割方法得到红外弱小目标。根据本发明,在各种场景下均具有较高的检测率,且运算过程相对更加简单。

    一种基于深度学习和鬼成像的等分辨率图像隐藏加密方法

    公开(公告)号:CN116743934A

    公开(公告)日:2023-09-12

    申请号:CN202310612463.2

    申请日:2023-05-29

    摘要: 本发明公开了一种基于深度学习和鬼成像的等分辨率图像隐藏加密方法,包括:S1、利用深度学习方法对若干图像样本进行训练,得到基于编码器‑解码器结构的等分辨率图像隐写模型ERIH‑Net;S2、将两幅测试图像(明文图像和载体图像)作为ERIH‑Net模型Hide‑Net图像隐藏网络的输入端,生成一幅含有明文图像特征信息的含密图像(一级密文图像);S3、通过数字微镜装置DMD加载一系列哈达玛相位调制矩阵调制光场,生成一系列照明散斑;通过照明散斑照明含密图像,利用不具有空间分辨能力的桶探测器装置BD计算图像空间范围内光强信息,生成一系列光强值(二级密文);S4、通过压缩感知图像重构算法,利用调制的光场信息和采集到的桶探测器值重构出含密图像;S5、将重构的含密图像作为ERIH‑Net模型图像提取网络Extract‑Net的输入端,成功地提取出明文图像信息。根据本发明,可以提升光学图像加密系统的安全性和信息隐藏容量,单位像素点隐藏信息量可达8bit。

    一种基于时变湍流下Coiflet-wavelet阶关联成像方法

    公开(公告)号:CN117590420A

    公开(公告)日:2024-02-23

    申请号:CN202311338992.4

    申请日:2023-10-17

    IPC分类号: G01S17/89

    摘要: 本发明公开了一种基于时变湍流下Coiflet‑wavelet阶关联成像方法,包括:激光器、设置于激光束一侧的分束器、设置于分束器一侧的第一空间光调制器、设置于分束器下方的第二空间光调制器及设置于第二空间光调制器一侧的CCD采集相机,具体步骤为:激光器产生照明光经过由第一空间光调制器调制生成的时变湍流环境;由第二空间光调制器调制带有时变湍流信息的照明光;通过优化后Hadamard矩阵对光场进行调控;调制完成的光和物体进行相互作用,通过通探测器记录获物体信息;S5、经过多次采样由二阶关联公式得到关联成像重构后物体。根据本发明,利用功率谱反演法模拟时变湍流引起的相位扰动影响并将其加载到关联成像中,对湍流环境下目标成像进行细致分析。

    一种基于深度学习和鬼成像的等分辨率图像隐藏加密方法

    公开(公告)号:CN116743934B

    公开(公告)日:2024-05-14

    申请号:CN202310612463.2

    申请日:2023-05-29

    摘要: 本发明公开了一种基于深度学习和鬼成像的等分辨率图像隐藏加密方法,包括:S1、利用深度学习方法对若干图像样本进行训练,得到基于编码器‑解码器结构的等分辨率图像隐写模型ERIH‑Net;S2、将两幅测试图像(明文图像和载体图像)作为ERIH‑Net模型Hide‑Net图像隐藏网络的输入端,生成一幅含有明文图像特征信息的含密图像(一级密文图像);S3、通过数字微镜装置DMD加载一系列哈达玛相位调制矩阵调制光场,生成一系列照明散斑;通过照明散斑照明含密图像,利用不具有空间分辨能力的桶探测器装置BD计算图像空间范围内光强信息,生成一系列光强值(二级密文);S4、通过压缩感知图像重构算法,利用调制的光场信息和采集到的桶探测器值重构出含密图像;S5、将重构的含密图像作为ERIH‑Net模型图像提取网络Extract‑Net的输入端,成功地提取出明文图像信息。根据本发明,可以提升光学图像加密系统的安全性和信息隐藏容量,单位像素点隐藏信息量可达8bit。

    一种基于深度学习和多模光纤散斑的抗扰动成像方法

    公开(公告)号:CN116468821A

    公开(公告)日:2023-07-21

    申请号:CN202310461587.5

    申请日:2023-04-26

    摘要: 本发明公开了一种基于深度学习和多模光纤散斑的抗扰动成像方法,包括:S1、利用第一光学实验系统获取无扰动情况下多模光纤模式色散后出现的散斑图;S2、通过深度学习方法对无扰动样本进行训练,得到基于U‑net的多模光纤散斑成像模型;S3、利用第二光学实验系统获取有扰动情况下多模光纤模式色散后出现的散斑图;S4、将扰动情况下的样本与未扰动的样本用深度学习方法进行相似度度量,同时利用离群点检测方法确定剔除阈值来区分离群点和正常点,剔除部分异常相似度的数据点,得到基于VGG的自适应校准模型,将扰动样本用未扰动样本进行校准;S5、扰动样本校准为未扰动样本后使用U‑net模型进行成像。根据本发明,可以提升扰动情况下多模光纤散斑的成像效果,以便实验条件改变时从其校准状态也能实现高质量成像效果,从而提高模型的抗干扰能力。