山地坡度自适应星载光子计数激光雷达点云去噪方法

星载光子计数激光雷达在接收信号的过程中会产生大量噪声,并且在复杂的山区地形中信噪比低,极大地影响对植被点云信号的准确提取。为解决该问题,提出了一种基于山地坡度的密度聚类算法。通过分析点云数据的密度和森林目标地形特征,用最大密度中心搜索法进行粗去噪,基于点云数据计算坡度角以优化密度聚类,完成数据精去噪。通过对提取的森林区域信号进行分类,拟合植被冠层廓线和地表廓线,结果表明本算法提取植被光子信号的准确率较高,地面与冠层廓线的RMSE分别为0.3588 m和3.7449 m,更适用于植被遥感点云数据处理。

基于改进三维块匹配滤波的红外全息降噪算法

红外全息技术更适用于长距离的大视场成像,但其散斑噪声与高斯噪声对图像质量的影响也更加显著,限制了红外全息技术的应用与推广。本文通过引入全局傅立叶阈值与自适应维纳滤波的方法对三维块匹配滤波算法进行优化,提高了其对红外全息图像降噪的适应性与细节保留,得到改进的三维块匹配滤波算法,并与多种采用传统滤波方法的结果进行了对比。结果表明,改进后的算法可以在对红外全息图像中的高斯噪声等环境噪声与散斑噪声进行降噪的同时保留更多细节,是一种更加适用于红外全息图像的降噪方法。

基于深度学习的彩色全息图重建

针对较大尺寸物体彩色全息图重建操作复杂、色彩融合不准确、重建时受零级影响等问题,提出一种基于深度学习的彩色全息图重建方法。采用改进的U-Net模型作为网络结构,使用混合实际拍摄和模拟生成的彩色离轴菲涅耳全息图频谱作为训练样本,实现对彩色全息图的准确重建。对模拟全息图和实际拍摄的数字全息图进行重建实验,结果表明,所提方法相较于传统方法,能够在保持重建图像高分辨率和颜色准确性的同时,具有更好的重建效果。研究结果可应用于大尺寸检测场彩色全息图的重建,为彩色全息检测及深度学习在光学成像领域中的应用提供有益的参考。

透烟雾红外数字全息像的亮度增强算法

红外数字全息具有强穿透性,可以透过烟雾成像,但研究发现在烟雾环境下,红外数字全息重建像存在部分阴影区域,不能满足对成像质量的要求。为此提出了一种透烟雾红外数字全息像的亮度增强算法。该算法首先使用双边滤波器去除图像的散斑噪声,然后利用二值化、边缘提取、形态学算法分割阴影区域,最后使用基于Tent优化的麻雀搜索算法寻找阴影区域与明亮区域的类间方差最小值,实现增强阴影区域亮度的目的。在烟雾环境下进行实验,拍摄一系列红外全息图后,选取一个完整烟雾周期内的六张样本图像进行处理。实验结果表明,经提出的算法处理后,图像的峰值信噪比(PSNR)、均方误差(MSE)和特征相似度(FSIM)值都优于其他图像增强算法,验证了此算法对透烟雾红外数字全息图像阴影区域亮度增强的有效性与优越性。