在聚焦形貌恢复技术中, 为获取更好的恢复精度, 提出了一种高精度的聚焦形貌恢复算法, 该方法用零相位滤波器对窗口序列图像的评价函数值进行滤波, 在消除干扰的同时, 保持各空间数据点的位置不变。设计了基于切比雪夫Ⅱ滤波器的零相位滤波器; 利用二次曲线的最小二乘拟合峰值位置作为窗口序列的聚焦位置, 进一步提高了峰值定位精度; 采用三次曲面对各个窗口序列的拟合峰值位置进行插值, 进而得到被测物的全部深度信息。实验表明, 本文方法的恢复平滑性和精度优于传统方法。

针对常用的回归算法由于回归模型不够稀疏而导致的在线检测速度慢的问题,提出基于相关向量机(RVM)回归的惯性约束聚变(ICF)实验靶姿态初步估计。实验中,利用主成分分析法(PCA)提取ICF实验靶图像的代数特征作为RVM的输入样本特征,解决了镜头景深小引起的图像模糊问题。与常用的几种回归算法如支持向量机回归(SVR),K-最近邻法(KNN)及最小均方算法(LMS)进行了实验对比,结果表明,RVM与SVR算法测试误差方差最小,准确率最高,并且几种算法中RVM所用检测时间最短,更适合在线检测。

为了提高惯性约束聚变实验中高功率激光驱动装置束靶耦合的精度,介绍了几种束靶耦合监测方法,包括靶室外直接监测,靶室内直接监测,靶室内基于共轭原理的传感器监测等。分析了各种方法的优缺点,并重点对基于光学共轭原理的传感器的耦合精度进行了研究,分析了图像测量误差,CCD保护玻璃引入的误差,调焦导轨运动时引入的误差及传感器标定装校时引入的误差。实验测试及精度分析表明,共轭式传感器引入的束靶耦合误差为±10 μm。采用这种基于光学共轭原理的传感器,可以实现大型激光驱动装置的快速、高精度束靶耦合。

针对支持向量机(Support Vector Machine, SVM)在惯性约束聚变(Inertial Confinement Fusion ,ICF)实验靶识别中稀疏性不够高而导致决策速度慢的问题, 提出利用相关向量机(Relevance Vector Machine, RVM)进行ICF实验靶识别。设计了基于二叉树的RVM多类分类器, 在二叉树的构建过程中同时考虑了类距离与类分布范围两种因素的影响, 获得了更为合理的二叉树层次结构。实验证明, RVM与SVM相比识别率不相上下, 但由于有更好的稀疏性使RVM的决策时间远比SVM短。该算法与传统的多类分类方法‘一对一’、‘一对多’、‘有向无环图’及‘基于类距离二叉树’相比, 混合识别率更高。

为减少表面功能评定中测量数据采样起始点位置对传统小波模型滤波结果的影响,提出了一种基于双密度小波变换的表面形貌分离新方法。将原始轮廓信号通过双密度小波分解为一系列小波函数和尺度函数的线性叠加,对表面各不同成分所对应的小波系数进行重构,即可得到所需的表面形貌的分离信号。仿真和实验验证表明:提出方法得到的分离粗糙度、波度等频率成分的准确性比其它方法提高了4%左右。新方法减小了采样点位置对滤波结果的影响,可以实现对表面特征平移不变的有效分离和提取,并提高了表面测量的精度。

提出了一种新颖的图像多目标面积同时测量的方法,用于精确测量多个不同形状的图像目标面积.该方法应用了短程线主动轮廓线模型,分2个步骤进行.首先利用水平集函数φ的迭代使主动轮廓线由初始位置向各个目标的轮廓边缘收敛.其次,对于收敛后的主动轮廓线,分别计算出各目标边界的亚像素面积和图像目标的内部像素个数,从而同时求出各个图像目标的面积.实验结果表明,该方法的测量重复性误差＜±0.5%;和传统的面积测量方法相比,具有测量效率高(同时测量多个目标面积)和测量精度高的优点.

对采用激光照明的测量系统中散斑形成的三个重要因素,即入射光束的相干性、相位差和偏振特性进行了详细的理论分析,并给出了这些因素与散斑对比度的变化关系.计算表明,相干长度降到低于1 mm时,散斑对比度减小到0.5左右,得到的图像细节相对比较清楚,易于检测.基于计算分析,提出了相应的解决及优化方法,为抑制散斑、提高激光照明质量和测量准确性提供了理论依据.

提出了一种新的惯性约束聚变(ICF)靶场坐标系建立及传递的方法并设计了一种高精度光学标准靶.研制了三台光学视觉监测仪,介绍了监测仪的工作原理及光学系统设计.最后,介绍了标定方法,进行了实验并对试验结果做了分析.分析表明,靶场坐标系监测系统的综合精度为±3.28μm.结果指出,该坐标系建立及传递的方法简单可行,监测系统精度较高,可以满足靶场系统对试验靶的引导要求.

提出了一种基于数学形态学滤波的多分辨力图像融合。这种融合方法使用了形态学开闭运算构造了低通与高通滤波器, 将原始图像分解为4子带图像金字塔和4子带方向衬比度图像金字塔。然后利用方向衬比度和区域标准差进行图像融合得到融合的4子带图像金字塔, 最后应用子带图像重构得到融合图像。融合实验表明, 该方法优于传统的形态学金字塔图像融合, 衬比度金字塔图像融合和小波分解图像融合。

对分辨率较高的图像来说，调焦评价函数的计算耗时较多，会影响调焦的实时性。选用整幅图像中细节最丰富的子图像作为调焦对象，在保证调焦精度的同时，可改善调焦效率。为快速找到此区域，提出了基于自适应遗传算法(AGA)的寻优算法。在此算法中，用离焦子图像的加权熵作为适应度函数，自适应的改变遗传算法的交叉概率和变异概率，以避免结果陷入局部极值。实验结果表明，此算法具有运算复杂度低，稳定性好等优点，所选定的子图像具有良好的调焦特性曲线。