针对红外成像系统在经过两点校正后，随时间漂移仍然会出现的非均匀性噪声，提出一种基于全卷积深度学习网络的红外图像非均匀性校正算法，使用子网络与主网络相结合的方式进行非均匀性校正。该算法设计了非均匀性等级估计子网络，将含有非均匀性噪声的红外图像输入子网络后，输出非均匀性等级估计图，并和待校正红外图像一并输入校正主网络。子网络生成的非均匀性等级估计图作为一个参数输入校正主网络，避免了网络只针对同一等级非均匀性产生过拟合。经过实验验证，该算法克服了传统的基于场景的算法所产生的边缘模糊问题，对条纹状非均匀性噪声校正效果较好，经过校正后的红外图像清晰度高、细节丰富、边缘清晰、图像质量良好。

针对基于场景的非均匀性校正算法存在非均匀性残余和鬼影等问题，本文提出了一种基于残差编解码网络的红外图像自适应算法。该算法针对自适应校正问题的特点，基于 UNet结构，通过多尺度采样学习残差映射生成非均匀性残差图像，加入批标准化和 PReLU激活函数提高校正效果，最后使用全局跳跃连接得到最终的校正结果。通过对模拟红外图像序列和真实红外图像序列校正的实验结果表明，相对于目前已有的非均匀性校正算法，该方法在 PSNR（Peak Signal to Noise Ratio）和粗糙度的客观数据上都有所提升，主观视觉效果也更加清晰，细节保留程度高。

在本刊前一篇文章中, 我们讨论了拉曼光谱在艺术品分析和考古学应用方面的实验技术并报道了一些中国古代艺术品中经常使用的红色、黄色和白色矿物颜料的拉曼光谱。本文延续前文工作, 测量了一些中国古代艺术品中常用的蓝色、绿色和黑色矿物颜料的拉曼光谱, 介绍了相关的背景知识, 并对这些光谱进行了解析, 我们相信, 一套比较全面的颜料拉曼光谱数据, 对于拉曼光谱技术在考古学和艺术品分析方面的应用将会起到重要的参考价值。

传统故障树分析方法需要获取事件发生概率的精确值,忽略了数据的不完备性和模糊性。在火控计算机系统可靠性研究中提出模糊故障树分析方法。建立火控计算机系统的故障树,采用三角模糊数描述基本事件发生概率,计算得到顶事件发生概率的置信区间,并采用中值法计算基本事件的模糊重要度。结果更加符合实际情况,表明该方法用于可靠性分析合理可行。

汽车牌照的定位是牌照识别的第一步,定位的准确与否将对后续操作起关键性的作用.在模式识别领域中,希望通过一种方法就完成一项实际工作是不可能的,必须要考虑多种方法融合的策略.提出了一种基于多方法的车牌定位策略.首先利用颜色信息对输入图像进行彩色粗分割,得到了颜色为车牌照的一些区域.然后将分割结果中的伪目标区域(即除了车牌照区域外的其他区域)分为两类(一类是与汽车牌照颜色相近的背景,一类是可能和牌照颜色相近的汽车外壳),分别进行处理,最终利用投影法得到准确的车牌位置.实验结果表明该方法效果良好。

在传统的基于模板匹配的跟踪方法中,均是给定一个模板,然后从图像中各个位置取出一个个与模板大小一致的区域进行相似性度量,找出与模板距离最小的一个区域作为当前模板,以便进行下一步的匹配跟踪工作.在景象匹配和相关跟踪过程中,由于所面临的大多数是变化的场景,实时获取的图像与预存模板之间存在比较大的差异,传统相关匹配方法的应用就会受到限制;而且在跟踪过程中,随时更新模板会造成跟踪性能对扰动过分敏感,从而产生漂移.首先拍摄目标不同角度的图像(尽可能包含目标可能出现的所有情况),构成目标图像训练集合,抽取出特征矩阵,对它进行奇异值分解,构成一个关于目标的多维空间.然后再用匹配方法在全局范围搜索,找出目标的大致位置,并利用收敛方法在确定的大致位置内进行搜索,确定目标的仿射变换参数,从而得到一个目标位置的确切描述.

传统相关跟踪方法是利用模板图像与目标图像对应像素的灰度差异信息进行跟踪,它对旋转变化敏感,且存在跟踪累积误差,容易导致模板漂移而丢失目标.文中提出基于奇异值分解的跟踪算法,算法首先建立模板图像训练集合,利用奇异值分解方法,张成模板图像特征空间,然后求出模板图像在特征空间里的投影值,代替传统算法中灰度对两幅待匹配图像进行的全局搜索定位.在进行投影值间的相似性度量时,欧氏距离同等对待所有的特征向量不够合理,文中采用了一种鲁棒估计方法,可以对不同距离的值做不同处理.匹配跟踪实验效果良好.