一种基于特征分类的液体内杂质检测方法

在酒类产品的杂质检测过程中,不可避免地会产生气泡,而当前的杂质检测算法并不能有效消除气泡对检测的影响,尤其是在大量气泡存在的情况下。针对此问题,提出了一种基于特征分类的液体内杂质检测方法,通过提取目标的细微特征来区分杂质和气泡,算法通过双边滤波来预处理图像,改进了多尺度小波变换边缘检测算法,并用其来检测目标边缘,最后通过特征分类的方法来判定杂质。实验结果表明,该方法能有效消除噪声和气泡对检测的干扰,杂质检测的准确率达到了95%。

基于高效随机并行梯度下降算法的板条激光光束净化

为解决传统随机梯度下降(SPGD)算法参数难以实时调节、收敛速度较慢的难题,提出了一种基于自适应增益及联合指标优化的高效SPGD算法,建立了该算法的数值仿真模型,并将该算法用于千瓦级板条激光器的光束净化。仿真结果表明:与传统SPGD算法相比,提出的算法无需参数调节,且收敛速度和收敛效果均有显著提升,在对千瓦级板条激光器的光束净化实验中,激光光束质量β由7.89优化至1.95。

基于波前传感器标定优化的自适应光学校正方法

在自适应板条固体激光器光束净化研究中,基于最小二乘法的传统自适应光学系统以斜率残差平方和最小为校正目标。当激光器光束的波前畸变无法被变形镜完全补偿且补偿后仍然有大量的波前残差时,斜率残差平方和最小不能等效于光束质量最优值,因此该方法只能获得系统的次优解。针对此问题,提出一种新颖的自适应光学校正方法。该方法以提高光束质量为目标,根据波前畸变以及变形镜的校正能力,使用优化算法对波前传感器的标定位置进行优化,再使用传统自适应光学系统进行像差补偿。仿真结果表明,相较于未进行标定优化的传统自适应光学系统,使用该方法可以在变形镜校正能力有限的情况下有效提升自适应光学系统的校正效果。

基于图像分割和全变分的肺CT图像增强

现有图像增强算法在处理肺部计算机断层扫描(CT)图像时,易产生不自然的外观,引入不必要的人工伪影,并会产生洗去效应。针对此问题,本团队提出了一种基于图像分割和全变分模型的图像增强算法。该算法将图像分割为前景和背景,先对前景肺实质图像的直方图进行修改,然后根据修改的直方图对图像进行伽马拉伸,得到对比度增强的前景图像,再将其与背景图像融合作为全变分模型的输入;然后通过全变分能量泛函将图像分解为纹理层和结构层,对纹理层进行小波阈值去噪,将去噪后的纹理层与结构层进行融合得到增强图像。实验结果的主观分析和客观评价指标均表明,该算法不仅可以有效抑制图像中的伪影噪声,解决现有算法过度增强肺CT图像的问题,还可以充分提高图像的对比度,并保留图像的自然外观显示、纹理细节和边缘特征等信息。