非视域(NLOS)成像是一种综合成像和计算重构的技术,指在不直接拍摄场景的情况下通过获取介质上隐藏场景的散射或反射信息对其进行重建。目前的NLOS成像还处于早期发展阶段,场景模型、目标信息重建等尚无系统研究方法。为此,提出一种针...非视域(NLOS)成像是一种综合成像和计算重构的技术,指在不直接拍摄场景的情况下通过获取介质上隐藏场景的散射或反射信息对其进行重建。目前的NLOS成像还处于早期发展阶段,场景模型、目标信息重建等尚无系统研究方法。为此,提出一种针对无遮挡、非自发光场景的NLOS成像方法。基于光辐射理论,分析该场景下漫反射面的成像与隐藏物体形状的关系,确定NLOS成像模型与重建目标。使用渲染软件结合运动图像专家组7(MPEG7)数据集,生成符合实际物理意义的漫反射被动非视域全影(DS-NLOS)数据集。构建被动非视域重建网络模型(Re-NLOS),采用视觉Transformer(Vi T)结构结合生成式对抗网络(GAN)提取采集的漫反射面图像的全局特征,并恢复隐藏物体形状。在DS-NLOS数据集上的实验结果表明,该方法能够从漫反射面上恢复隐藏物体的形状信息,在测试集20个类别的物体上的峰值信噪比(PSNR)和结构相似性(SSIM)相比漫反射面全影图像平均提高了5.85 d B和0.0381,对真实室内场景也具有一定的恢复能力。展开更多
文摘应用全光谱测量水体化学需氧量(chemical oxygen demand,COD)、硝酸盐氮(NO_(3)-N)浓度等水环境质量指标容易受水质环境影响,检测模型与特征波长一直是全光谱检测推广关注重点。该文提出一种基于遗传算法-径向基神经网络(genetic algorithm-radial basis function neural network,GA-RBFNN)全光谱水体COD与NO_(3)-N浓度检测方法,鉴于GA搜索能力强、随机性高的特点,对预处理后全光谱吸收数据应用GA进行特征波长选取,以RBFNN神经网络留K法训练过程中平均决定系数作为适应度函数,输出最优特征波长与RBFNN神经网络参数进行部署,从而实现水体COD、NO_(3)-N浓度准确测量。最后,开展GA-RBFNN、偏最小二乘(partial least squares,PLS)、GA-PLS、RBFNN四种模型对160组水样的COD、NO_(3)-N浓度检测实验,结果表明GA-RBFNN模型对COD、NO_(3)-N检测平均决定系数、最大误差分别为0.9964、0.9950和3.9%、4.9%,均优于其他模型,方法具有重要推广价值。
文摘非视域(NLOS)成像是一种综合成像和计算重构的技术,指在不直接拍摄场景的情况下通过获取介质上隐藏场景的散射或反射信息对其进行重建。目前的NLOS成像还处于早期发展阶段,场景模型、目标信息重建等尚无系统研究方法。为此,提出一种针对无遮挡、非自发光场景的NLOS成像方法。基于光辐射理论,分析该场景下漫反射面的成像与隐藏物体形状的关系,确定NLOS成像模型与重建目标。使用渲染软件结合运动图像专家组7(MPEG7)数据集,生成符合实际物理意义的漫反射被动非视域全影(DS-NLOS)数据集。构建被动非视域重建网络模型(Re-NLOS),采用视觉Transformer(Vi T)结构结合生成式对抗网络(GAN)提取采集的漫反射面图像的全局特征,并恢复隐藏物体形状。在DS-NLOS数据集上的实验结果表明,该方法能够从漫反射面上恢复隐藏物体的形状信息,在测试集20个类别的物体上的峰值信噪比(PSNR)和结构相似性(SSIM)相比漫反射面全影图像平均提高了5.85 d B和0.0381,对真实室内场景也具有一定的恢复能力。