三个具有不同量子阱宽度的GaAs/AlAs多量子阱结构样品通过分子束外延生长设备生长在半绝缘的(100)p-型GaAs衬底上, 并且在量子阱层结构的生长过程中, 在GaAs阱层中央进行了Be受主的δ-掺杂。基于这3个结构样品, 通过光刻技术和半导体加工工艺制备了相应的两端器件。在4~200 K的温度范围内, 我们分别测量了器件的电流-电压特征曲线, 清楚地观察到了重、轻空穴通过δ-掺杂Be受主GaAs/AlAs多量子阱结构的共振隧穿现象。发现随着GaAs量子阱层宽的逐渐减小, 轻空穴的共振隧穿峰向着高电压方向移动, 这个结果和通过AlAs/GaAs/AlAs双势垒结构模型计算的结果是一致的。然而, 随着测量温度的进一步升高, 两个轻空穴共振峰都朝着低电压的方向移动, 并且在150 K温度下, 其中一个共振遂穿峰表现为一种振动模式。

在15 nm GaAs/5 nm AlAs单量子阱的GaAs阱层中间，分别进行不同浓度剂量的铍受主的δ-掺杂。铍受主在量子阱层中的扩散浓度分布，由扩散方程数值解出。高温下扩散在GaAs阱层中的Be受主将发生电离，成为带负电荷的受主离子，同时也向量子阱价带的子带中引入空穴。带负电荷的扩散受主离子和价带子带中的空穴，它们都是带电粒子在GaAs阱层中按库伦定律激发电场。相比较而言，对于无掺杂同结构量子阱，在空穴的薛定谔中增加了一个额外的微扰势，从而使无掺杂的量子阱价带的子带有所改变。在有效质量和包络函数近似下，通过循环迭代方法,数值求解了既满足薛定谔方程又满足泊松方程的空穴波函数，找出了自洽、收敛的空穴子带的能量本征值。计算发现考虑到这种额外微扰势，重空穴基态子带hh的能量有一个电子伏特变化，并且随着掺杂受主剂量的增加，重空穴基态子带hh向着价带顶红移，计算结果与实验测量符合得很好。

目前直接获取的深度图受其成像原理及硬件设备等因素的限制,存在分辨率低、边缘信息丢失等缺点,极大地影响了深度图的应用。针对这一问题,提出基于双通道卷积神经网络的深度图超分辨率重建模型。该模型由深、浅两个通道组成,21层的深层通道通过联合卷积与反卷积,结合跳跃连接与多尺度理论,实现深度图细节特征的快速学习;3层的浅层通道用于学习深度图的轮廓特征;最后融合深、浅两个通道,将细节与轮廓相结合,实现由低分辨率深度图到高分辨率深度图的端到端的学习。该模型充分利用卷积神经网络的学习能力自主提取深度图的有效特征,避免了手工提取特征的不准确性。在Middlebury RGBD数据集上的实验结果表明,本文模型在大采样因子8时仍能取得较好的效果,具有很高的实际应用价值。

视差是影响立体内容视觉舒适度的主要因素之一。结合视觉显著特性,通过大量主观实验研究视差因素对立体图像舒适度的影响,得到舒适视差的定量范围。首先,利用立体显著区域提取算法获得显著立体图像,并用眼动仪验证其合理性;然后,采用像素平移法对显著立体图像进行视差变换,得到实验素材,进行主观实验;最后,处理实验数据,得到舒适视差的定量范围。结果表明,人眼对水平视差和垂直视差的舒适度响应差异很大,水平视差舒适范围为(-0.379°,0.644°),而可接受的垂直视差范围为(-0.10°,0.11°)。验证实验的正确率在90%以上,表明所得舒适视差范围很好地反映了立体图像的主观舒适度,能为立体内容的制作提供更符合人眼视觉特性的定量标准。

立体图像观看舒适度的影响因素是立体成像技术领域的关键问题。结合视觉注意机制特性,定量研究饱和度因素对立体图像视觉舒适度的影响。首先,得到立体显著度图,利用模糊隶属度原理和掩膜对其进行优化获得最终的显著立体图像,并用眼动仪对所得立体图像显著区域的正确性进行验证。然后,采用改进的逐级逼近法进行主观实验,通过大量的实验数据得到显著立体图像的舒适饱和度匹配图和差异图。实验结果表明,双目视图舒适饱和度平均差异值最大可达0.29。验证实验表明所提方法的舒适饱和度范围具有更好的普适性,不仅为立体图像舒适度的研究提供了依据,而且为立体内容的制作提供了技术标准。

结合视觉注意机制,通过大量主观实验,定量研究了对比度因素对立体图像视觉舒适度的影响。首先结合平面显著图和立体视差图获得立体显著度图,再利用模糊隶属度和掩模对其进行优化,获得显著立体图像,并用眼动仪验证其合理性;然后对左右视图进行对比度变换和主观实验,数据筛选后得到显著立体图像的舒适对比度匹配图和差异图。实验结果表明:左右视图的对比度差异门限值随着左视图对比度值的不同而改变,且左右视图对比度差异不能过大,最大和最小差异值分别为1.97和-2.40。实验所得舒适对比度范围很好地反映了立体图像的舒适度,验证实验的正确率达95%,为立体内容的制作提供了更合理可行的定量标准。

基于卷积神经网络模型,提出一种立体图像舒适度评价方法。该方法无须提前根据特定的任务从图像中人工提取具体的特征,而是模拟人脑处理机制对图像进行层次化的抽象处理,自主提取特征。该方法采用三通道卷积神经网络结构,分别对原始图像进行主成分分析,以及32×32、256×256两种尺度的分块处理得到三条通道的输入数据集,根据输入数据设计每条通道的网络结构。采用两种尺寸分块处理得到不同尺寸的图像块特征信息,采用主成分分析降维处理得到原始图像的整体信息。此外,通过随机丢弃、局部响应归一化等方法提升算法的评价性能。实验结果表明,以修正线性单元为激活函数、输出层用Softmax分类器,对天津大学TJU立体图像数据库中400幅不同舒适度等级的立体图像样本进行测试,等级分类率正确达94.52%,优于极限学习机、支持向量机算法。

结合视觉注意机制, 通过大量主观实验定量地对影响立体图像视觉舒适度的色度因素进行了研究.首先, 结合视差图和平面显著图获得立体显著度图, 再利用模糊隶属度和掩膜对其优化得出最终的显著立体图像, 并采用眼动仪对所得显著立体图像的合理性进行验证; 然后, 采用由粗到细的逐级逼近法获得实验数据, 利用视觉感知正常的被试者进行主观实验, 得到不同场景显著立体图像的舒适色度匹配图和差异图.实验结果表明, 左右视图舒适色度区间会随着不同场景而不同, 双目视图舒适色度差异值平均最大可为122.5°, 即左右视图色度差异不能过大.所得舒适色度范围很好地反映了立体图像的舒适度, 不仅为立体信息的质量评价提供了评判依据而且为立体内容的制作提供了更有力的技术支撑.

针对传统深度图超分辨率重建算法需要人工提取特征、计算复杂度较高且不容易得到合适表示特征的问题,提出一种基于卷积神经网络(CNN)的深度图超分辨率重建算法。该算法不需要提前对特定的任务从图像中提取具体的手工特征,而是模拟人类的视觉系统对原始深度图进行层次化的抽象处理以自主地提取特征。该算法直接进行从低分辨率深度图到高分辨率深度图的映射学习。映射由7个卷积层和1个反卷积层联合实现。卷积操作学习丰富的图像特征,而反卷积实现上采样重建高分辨率的深度图。Middlebury RGBD数据集的实验结果表明,该模型得到的峰值信噪比(PSNR)较传统双三次插值算法平均提高了2.7235 dB,均方根误差(RMSE)平均降低了0.098;与经典CNN算法相比,PSNR平均提高了1.5244 dB,RMSE平均降低了0.043。

针对压缩传输对立体视频降质损伤的影响，进行大量主观实验获取评价数据，设计了一套合理的数据处理方法，并对处理后的实验结果进行了分析探究。该处理方法主要包括淘汰异常者、剔除异常值和均值化处理3 个步骤。实验结果表明，所述方法处理数据的能力明显优于传统的格鲁布斯检验法。利用上述实验数据处理方法，分析经H.264 压缩算法处理的立体视频实验数据，得出结论：量化参数(QP)的大小影响立体视频质量损伤度大小；参考视点携带的信息更占据主导地位；高分辨率视频有助于降质补偿；女性接纳视觉损伤的能力高于男性。探究所得结论为立体视频通信技术的优化提供技术支持。