一种自适应的三维荧光光谱去散射方法

三维荧光光谱因其数据量大、灵敏度高等优点,在食品科学、分析化学、生物化学和环境科学等领域应用广泛。然而,因为同时存在瑞利散射和拉曼散射,给三维荧光光谱的定量分析和数据显示带来了困难。因此,在数据处理前期,消除散射干扰对其具有重要意义。在已有方法中,对较低浓度溶液和散射峰与物质荧光信号重叠严重光谱的去散射算法的研究相对空白。针对现有问题,提出了一种自适应的三维荧光光谱去散射方法。首先,该方法通过减去每次实验获取的溶剂的光谱基线来校正拉曼散射和背景干扰。然后综合考虑散射峰与物质峰的荧光强度和重叠程度将光谱分为五类情况对应三个重叠等级:无重叠、微弱重叠和严重重叠,分别采用置零法、分段三次Hermite插值多项式算法和高斯拟合-分段三次Hermite插值多项式耦合算法对瑞利散射进行校正处理。此方法基于一维插值,仅对单个发射光谱进行研究,降低了算法复杂度,计算时间较短。通过对酪氨酸、黄腐酸、萘乙酸和罗丹明B四种典型有机化合物进行实验,评估了该方法扣除散射干扰的有效性。并且与现阶段研究中使用最多的Delaunay三角形内插值法进行比较,以重叠区域散射校正后的数据对四种有机化合物分别进行浓度回归,此自适应方法所得的平均决定系数为0.9962,相比于Delaunay三角形内插值法提高了5.04%。同时,通过对比天然有机化合物黄腐酸分别经此方法和Delaunay三角形内插值法进行散射校正后的三维荧光光谱,进一步证明了该方法更好地保持了物质荧光光谱区域的结构特征,有效地避免了过拟合现象的发生。最后,利用该方法对模拟突发污染水样进行监测,验证了此方法具有很好的普适性,有实际应用价值,为三维荧光光谱去散射提供了一种新的思路。

用于深海视频去散射的深度校正散射统计模型

深海探测目前广泛应用于环境、结构监测和油气勘探等领域,越来越受到各国的重视。而散射现象严重降低了深海探测中的视觉图像质量,且现有的方法在多深度或非均匀照明的深海散射环境中均受限。因此,文中提出了一种基于深度校正统计散射模型的深海去散射方法,提出的模型利用透射图建模了深度归一化的散射图像,并利用高斯统计模型估计局部散射,得到每个颜色通道中深度校正的散射图,从而实现在多深度和非均匀照明情况下对散射的精确建模。为了验证笔者算法的有效性和鲁棒性,在浅海和深海不同场景的图像上进行了测试,同时也在深海的视频序列上进行了测试,实验结果均表明,提出的方法在主观质量和客观评价方面均优于现有方法。

基于深度学习复杂环境的偏振成像技术研究进展(特邀)

偏振成像技术通过偏振信息的获取和解译,可以有效抑制复杂环境干扰,提升成像质量,增强目标感知能力,对于复杂环境下的光学成像探测具有独特优势。然而,在散射、低照度等复杂环境下,偏振图像退化机理呈现非线性特征,偏振信息解译方法复杂度高。深度学习方法具有强大的特征提取和学习能力,通过学习大规模数据隐藏的映射规律获得偏振信息的复原效果,特别适合偏振成像这种多维度、相互关联的复杂信号处理问题。文中基于偏振成像的基本原理以及复杂环境偏振成像技术的范式,针对散射和噪声这两类典型的成像环境,介绍了深度学习偏振成像技术的研究进展,同时阐述了深度学习赋能复杂环境偏振成像任务的优势,最后对该领域的未来发展方向作以展望。

端对端深度学习无损去图像散射研究

针对光线通过介质会产生散射现象,提出了一种基于神经网络的端对端图像去散射方案,对于散射退化的图片进行退散射的处理,此方案不需要复杂的光学设备,应用场景广泛,在仿真和实际实验中都取得了预期的结果。提出了一套利用拍摄屏幕来建立散射退化图片和无散射图片的数据集的方法,且这一方法在许多其他的图像处理图像恢复工作中有应用价值。

利用偏振图像加权融合及CLAHE算法的水下成像方法

针对传统基于偏振差分原理的水下光学成像方法中,由于目标退偏振特性差异引起的图像中局部反射光损失的问题,提出了基于偏振图像加权融合与限制对比度自适应直方图均衡(CLAHE)算法的水下成像方法。一方面,将原始水下图像分解为偏振光强图像和非偏振光强图像,根据不同退偏振特性目标在两幅图像中的灰度值分布特点,设计相应的权重因子,对两幅图像进行加权融合,从而实现在压缩原始水下图像中散射光的同时保留更多目标反射光,提升整体目标反射光在融合图像中所占的比例。另一方面,为了进一步提升融合图像的对比度,利用CLAHE算法对融合图像进行处理。该算法能够在提升融合图像对比度的同时,有效避免图像噪声的放大。实验结果表明,相较于传统的偏振差分方法以及独立的直方图均衡算法,该算法能够有效提升水下图像的清晰度和对比度。

三维荧光光谱结合交替惩罚三线性分解同时对水中三种酚类测定

酚类化合物对动植物机理有着严重危害,利用三维荧光光谱结合交替惩罚三线性分解(APTLD)算法,完成了不含干扰物和干扰物共存时激发-发射荧光光谱重叠严重的麝香草酚、对苯二酚和苯酚的直接快速准确定性、定量分析。研究了温度对三种酚类化合物荧光强度的影响。对扫描所得激发-发射矩阵信号(EEM)进行二次去散射和光谱校正预处理,最大程度保留了原光谱信息,避免光谱严重失真。将APTLD算法与平行因子(PARAFAC)和交替三线性分解(ATLD)算法进行对比,突显该算法的优势。实验得出,APTLD算法能够较好的解析荧光光谱数据的重叠峰,分别得到三种目标分析物的荧光光谱,实现快速定性分析;定量分析时平均回收率为(97.4±4.5)%～(103.1±3.0)%;预测均方根误差(RMSEP)低于1.664×10^(-2)μg·mL^(-1),且检测限低于国家标准;处理过程简洁快速,为水环境中酚类化合物实现现场检测和在线实时监测提供了有力依据。

基于主动光照的深海图像增强算法

为了改善主动光在水下传播过程中由散射与吸收效应导致的深海图像对比度低下以及颜色失真问题,提出一种水下图像增强算法.不同于传统方法利用最亮点的强度值作为背景光,提出基于物体与背景光非相关性的背景光估计方法,有效避免了前景处的亮像素或白色物体像素对背景光的误判,同时确保了去散射的精确性,提高水下图像的对比度;针对人造光源的颜色增益和光路衰减导致的图像色偏等问题,在去散射图像上选取离光源最近的灰色像素,利用其对光源的敏感性,将光照强度分离出来.最终,通过估计并去除光源本身的颜色增益,同时补偿光在传播过程中的损失,实现图像的颜色校正.实验结果表明,所提算法可以有效去除水下图像的散射效应,较好地恢复图像色彩,进而获得较优的增强图像.相比于其他算法,增强后的图像信息熵和水下图像质量评价指标值较高,说明该算法能显著提升水下图像的质量,同时保留图像有用信息.

一种基于色彩补偿的水下图像综合增强算法

针对退化的水下图像在高级视觉分析任务中无法进行有效的目标检测及识别的问题,提出了一种通过色彩补偿和对比度拉伸,HSV空间γ校正和亮度通道去模糊系列方法实现了对水下图像的色彩校正、色彩对比度、饱和度和细节清晰度的综合提高。其中,提出了基于高斯滤波的亮度通道去散射方法,并对典型水体水下图像综合增强参数进行了分析。实验对比了综合增强方法和其他增强方法对偏蓝、偏绿、偏黄、白色近岸浅滩水下图像的处理结果并通过目标检测网络对7种算法增强后的水下图像数据集进行训练与测试,对比了平均水下目标识别准确率和检测到的目标数量与实际目标数量的比值来评估各个增强算法对于水下目标识别和检测任务中的作用。实验表明,与现有方法相比,该算法不仅可以有效地实现各类水下图像清晰度和色彩增强,适用范围广,而且可以有效地提高水下图像目标识别任务的准确率和检测数量。