兰州交通大学电子与信息工程学院,甘肃兰州 730070
目前,红外与可见光图像融合算法依然存在着对复杂场景适用性低、融合图像细节纹理信息大量丢失、对比度与清晰度不高等问题,针对上述存在的问题,本文结合非下采样剪切波变换( Non-Subsampled Shearlet Transform, NSST)、残差网络( Residual Network, ResNet)与生成对抗网络(Generative Adversarial Network, GAN)提出一种 N-RGAN模型。通过 NSST变换将红外与可见光图像分解为高频子带和低频子带;对高频子带进行拼接并输入由残差模块改进过的生成器,并将源红外图像作为判决标准,以此提升网络融合性能与融合图像细节刻画以及目标凸显能力;对红外图像与可见光图像进行显著性特征提取,通过自适应加权对低频子带进行融合,提升图像对比度与清晰度;对高频子带的融合结果与低频子带的融合结果进行 NSST逆变换,从而得到红外与可见光图像的融合结果。通过与各类算法的融合结果进行对比,本文所提方法在峰值信噪比( Peak Signal to Noise Ratio, PSNR)、平均梯度( Average Gradient, AVG)、图像熵( Image Entropy, IE)、空间频率( Spatial Frequency, SF)、边缘强度( Edge Strength, ES)、图像清晰度( Image Clarity, IC)等多个客观指标上均有提高,可提升复杂场景下的红外与可见光图像融合效果,改善图像细节纹理信息损失严重的问题,同时提升图像对比度与清晰度。
图像融合 红外与可见光图像 显著性特征提取 非下采样剪切波变换 残差网络 生成对抗网络 image fusion, infrared and visible images, salient
1 中国科学院 核能安全技术研究所, 中子输运理论与辐射安全重点实验室, 合肥 230031
2 中国科学技术大学, 合肥 230026
为了验证SuperMC软件系统对装载MOX燃料压水堆的临界计算能力,采用国际经合组织核能署 (OECD/NEA)2001年发布的三维VENUS-Ⅱ国际基准模型对SuperMC3.1版本进行了测试验证。本次测试包括栅元和堆芯两个部分,分别计算了栅元无限增殖因数、重核反应率、堆芯有效增殖因数、堆芯轴向裂变反应率等关键物理参数。将SuperMC计算结果与基准模型实验测量值以及MCNP计算值作了对比。结果显示:在测试范围内,SuperMC计算值与参考值吻合得较好,表明SuperMC可应用于含MOX燃料堆芯的临界计算。
VENUS-Ⅱ基准模型 蒙特卡罗 MOX燃料 测试验证 SuperMC SuperMC VENUS-Ⅱ benchmark Monte Carlo MOX fuel validation 强激光与粒子束
2018, 30(1): 016008