TEA CO_2激光器输出平顶模按厄米-高斯模的展开

TEA CO2激光器输出光束的能量密度分布一般为平顶型分布.为了给研究和分析TEACO2激光器输出光束提供一种新的处理方法,采用FGB理论,对实验测量的一台TEA CO2激光器输出的实际平顶型光斑的能量密度分布按厄米-高斯函数进行了展开.根据展开结果,对TEACO2激光器输出光束的空间分布特性进行了分析与讨论.初步证实了TEA CO2激光器输出光束的能量密度分布可以按厄米-高斯函数展开.

平方律折射率光波导—高斯模的研究

本文通过讨论平方律折射率光波导内光传播的模式—高斯模,把电磁场的传输理论与实际应用结合起来,对更深入地理解高斯光束的概念和电磁场理论是极其有益的。

高斯模式输出窗的热分析

输出窗的好坏对回旋管的功率容量、可靠性以及使用寿命等性能有直接的影响。在输出窗通过HE11模式的情况下,以氧化铍为输出窗窗片的材料,先进行理论分析,优化设计了无反射窗片的尺寸。然后利用热力学有限元分析软件对输出窗进行了稳态热分析和结构形变分析,得到半径为25mm,厚度为1.25mm的无反射输出窗窗片,能承受的最大连续波功率为210kW左右。为实际工程制管,提供了可靠的理论依据。

基于混合高斯模型与三帧差分的目标检测算法

针对传统目标检测方法中光照变化、复杂背景、阴影等难点,提出了一种结合三帧差分法和混合高斯背景建模的算法,既能很好地适应场景中的光照渐变和背景扰动,又能克服普通帧差法中检测目标不准确,容易产生孔洞及双影现象的问题。同时,采用了一种简易的阴影抑制算法和形态学滤波处理,有效地去除了阴影以及噪声。实验结果表明,该算法易于实现,具有较好地实时性和鲁棒性,能精确地检测出运动目标。

一种采用混合高斯模型与贝叶斯判别的彩色图像人脸检测方法

介绍了一种采用混合高斯模型与贝叶斯判别的彩色人脸检测方法。该方法首先利用图像的彩色信息以及人脸的基本特征信息来进行人脸粗检测,得到图像中的多个候选人脸区域;然后对训练图像集中的全部候选人脸区域进行判别特征分析和混合高斯建模;最后采用贝叶斯判别方法对候选人脸区域进行判决,得到人脸检测结果。实验结果显示该方法具有较好的推广效率和工程应用前景。

带光阑球面激光腔高斯模式的矩阵方法分析

应用矩阵方法分析带光阑球面谐振腔的光束参数 ,得到了束腰和两镜上的高斯模 ,并由此对带光阑球面腔进行了讨论 。

基于高斯模型的遥感影像目标识别方法的初探

迅猛发展的遥感技术为获取地球表面信息提供了充足的数据来源,并且获得的遥感影像分辨率越来越高,如何对遥感影像特别是高分辨率的卫星遥感影像数据进行快速、准确的判读分类,成为亟待解决的重要问题。首先利用小波变换对遥感影像提取特征,进而对图像特征进行高斯混合建模,为遥感影像中关键目标的识别进行了一些探讨性研究,为进一步实现遥感影像判读奠定了基础。

带光阑平凹腔高斯模式变化的矩阵方法分析

本文应用束腰不在光阑平面处的光阑矩阵，分析带光阑平凹谐振空腔的光束参数，得到了束腰和两镜上的高斯模，并将这一结果与带光阑半共焦腔和不带光阑平凹腔的结果进行了比较和讨论．

高斯模耦合效率的一般公式

本文用高斯光束近似法分析了半导体激光器与单模光纤的耦合,推导出在横向与角度偏差同时存在下的高斯模耦合效率公式.与原效率公式相比,该公式更具有普遍意义.

高斯模激光产生的夫琅和菲圆孔衍射

用高斯模激光演示夫琅和菲圆孔衍射,花样清晰,观察方便。为了使入射到衍射屏上的是平面波,可让激光器离圆孔足够远,但这样作的缺点是光源到观察屏的距离很长,安装、调节、观察均不便。高斯模激光的束腰处,波面是平面.

基于改进混合高斯模型和图形句柄的异常车辆检测

由于交通安全隐患在当下的生活中造成的不良影响越发严重,所以在步行街、校园等禁止车辆行驶的场景中,对异常车辆的检测具有一定的现实意义。针对利用混合高斯建立背景模型时易出现重影和空洞问题,提出了一种基于SSIM结构相似性的混合高斯建模的异常车辆检测,采用SSIM计算2幅图像像素点间的相似度,在高斯建模后进行二次背景建模,同时引入了指数函数来优化高斯建模过程中的权值更新过程,提高了更新速度。采用图形句柄函数优化连通域方法对前景区域进行异常车辆检测,能够检测出异常车辆且标注框更加贴近车辆形状。对580幅由视频分割得到的图像的实验结果表明,检测率可以达到90.3%。

厄米-高斯模与拉盖尔-高斯模的图像比较

简要地叙述了厄米-高斯模与拉盖尔-高斯模的一些理论,画出了具有代表性的厄米-高斯模与拉盖尔-高斯模在z=0平面的三维图像。为了了解厄米-高斯模与拉盖尔-高斯模的各种模态的关系,分别画出了它们的模态从(0,0)到(2,2)的强度等高线,并从模阶数与峰值、峰值的变化、延伸面积和对称性得到了它们各自的特性,然后进行对比得到它们之间的相同点和不同点。另外通过图像和公式说明了厄米-高斯与拉盖尔-高斯最低阶模(0,0)是一致的,即高斯模。对比了它们之间的电(磁)场和平均坡印廷矢量,不同点与模态有很大关系。画出横截面中振幅强度随传输距离增加而变化的图像,从中得到了束宽和峰值强度与传输距离之间的关系。

产生拉盖尔—高斯模的全息光栅实验研究

拉盖尔高斯(Laguerre-Gaussian,LG)模是光子的轨道角动量本征态,它在未来的光镊、量子信息和计算等领域有潜在的应用价值。分别用两种记录介质全息干板和喷墨透明胶片制作了全息光栅。通过这种全息光栅在实验上产生了拓扑数从一阶到高阶的拉盖尔高斯模,同时观察到高阶模的空间不稳定特性。并且详细讨论了光栅制作过程中的各种控制参量如曝光时间及强度对光栅衍射效率的影响。

基于多平面光转换的拉盖尔高斯模解复用混频器设计及仿真分析

为满足日益增长的通信容量需求,空分复用技术得到了快速发展,其中基于多平面光转换的模式复用及解复用混频器由于兼容模式多、插入损耗小等优点而成为了研究热点。为了简化相干通信接收端,本文提出了基于多平面光转换的拉盖尔高斯模解复用混频器,同时实现了模解复用和90°混频功能。本文首先提出拉盖尔高斯模解复用混频器的设计原理及参数定义,并采用基于角谱计算的波前匹配算法建立模解复用混频器模型。然后,基于模型仿真研究了正弦拉盖尔高斯模解复用混频器,仿真结果表明,所设计的混频器的插入损耗为-0.7020dB,信号光与本振光的耦合系数大于0.89,端口相位差小于10.1°。之后,进一步分析了相位板数量及像素尺寸、工作波长等对输出性能的影响,结果发现:在不考虑相位板反射等外部损耗时,随着相位板数量增加(≥8),插入损耗和模式相关损耗逐渐减小并趋于平稳;工作波长在1500~1600nm范围时,耦合系数、端口均一性、插入损耗和模式相关损耗变化较小;像素尺寸在3.2~19.2μm范围时,端口均一性和模式相关损耗变化较为平稳,耦合系数和插入损耗随着像素增大而恶化。最后,考虑到轨道角动量光束在空间光通信领域的广泛应用,在上述基础上进一步设计了轨道角动量光束的模解复用混频器,其性能满足应用要求。本研究结果表明:所提出的基于多平面光转换的拉盖尔高斯模及轨道角动量光束的模解解复用混频器可以同时实现模解复用和90°混频功能,性能较好,且具有较好的波长特性。本方案及仿真分析结果为空分复用技术中关键器件的设计提供了技术参考。

基于改进高斯混合建模和短时稳定度的运动目标检测算法

传统高斯混合建模方法中前景模型转换为背景模型的风险随着模型权值在一定更新率下的迭代累加而增大,使得传统方法难以有效检测低速运动目标。该文对高斯混合建模中背景匹配失败时生成的前景模型加以利用并引入短时稳定度指标进行综合判断,在深入挖掘前景模型中包含的运动目标信息和像素点级稳定性的基础上实时区分各像素点的状态。多场景下的实验结果表明,该方法对低速目标达到了更高的检出率。

基于改进混合高斯建模和短时稳定度的遗留物检测算法

传统遗留物检测算法存在算法过于复杂和环境适应性差的局限。本文将改进的混合高斯建模方法应用于遗留物检测,利用背景匹配失败时生成的前景模型进行前景匹配并引入短时稳定度指标,在深入挖掘前景模型中包含的遗留物信息和像素点级目标状态信息的基础上对遗留物进行综合判断。文中详细分析了传统方法的性能局限并阐述了新方法中前景模型和短时稳定度的作用原理同时给出了具体的算法流程。多场景下的实验分析表明,增加对前景模型的考察使算法在保留传统方法优点的同时具备了良好的遗留物检测能力,而短时稳定度的引入则能够进一步降低传统方法中前景模型向背景模型转换的风险。对比实验结果中本文方法在表现出良好环境适应性的同时误检团块数明显低于其他方法,算法在复杂背景条件下达到了良好的检测性能。

利用光学腔产生单环状拉盖尔-高斯模

提出并从实验上实现了利用光学腔产生单环状拉盖尔-高斯模的方法。给出了方案的理论描述及实验操作技巧。通过与平面波的干涉条纹验证了螺旋状的波前相位分布。

基于PCA和广义高斯建模的多聚焦图像融合

为了提高多聚焦图像的融合性能,针对统计图像融合方法中像素间融合参数估计的不足,提出一种基于小波变换域主成分分析(PCA)和广义高斯建模的多聚焦图像融合方法。将高频子带系数建模为广义高斯分布,并通过改进的最大似然估计法获取融合参数。结合低频子带系数的区域PCA融合方法,最终实现有效的图像融合。实验结果表明,该方法与传统的多聚焦图像融合方法相比,可使融合图像的信息量更丰富,具有更佳的视觉效果。

基于高斯背景建模的目标检测技术

研究了室内环境下的运动目标的检测技术。讨论了各种目标检测的算法,提出基于室内相对静止背景下的目标检测算法,利用高斯背景建模方法提取较为理想与"干净"的背景帧,并可进行背景的自适应更新,然后再利用所得的背景与当前视频帧进行相减,得到视频中运动目标的前景图像,经过平滑去噪处理得到较为理想的目标检测效果。

高斯混合模型聚类中EM算法及初始化的研究

EM算法是参数估计的重要方法,其算法核心是根据已有的数据来迭代计算似然函数,使之收敛于某个最优值。EM算法收敛的优劣很大程度上取决于其初始参数。运用EM算法来实现高斯混合模型聚类,如何初始化EM参数便成为一个关键的问题。在比较其他的初始化方法的基础上,引入“binning”法来初始化EM。实验结果表明,应用binning法来初始化EM的高斯混合模型聚类优于其它传统的初始化方法。