针对雾霾天气下车牌识别存在的精确度低、漏检等问题，提出了一种基于深度学习的雾霾天气下的车牌号码识别方法。首先用AOD-Net算法对车辆图像进行去雾预处理。然后，基于YOLOv5网络设计一种车牌检测网络ACG_YOLOv5s。ACG_YOLOv5s是在YOLOv5s网络的基础上，融入CBAM注意力机制，提高模型的抗干扰能力；引入自适应特征融合网络ASFF，根据模型自适应学习到的权重赋予网络不同特征层不同比重的权值，从而突出重要特征信息；使用Ghost卷积模块替换传统卷积，在保证模型效果的同时减少了网络训练过程中的参数量。最后通过LPRNet对检测到的车牌图像进行识别。实验结果表明，改进后的ACG_YOLOv5s网络车牌检测准确率达到99.6%，LPRNet识别准确率达96%且内存占比小。实验证明AOD-Net算法和YOLO算法结合可更加有效地检测雾霾天气下车牌图像中的车牌号码。

针对现有图像重定向方法视觉效果差和处理速度慢的问题，提出一种基于主成分分析法和分块的内容感知图像重定向方法。首先，利用主成分分析法融合梯度图和显著图来提取更加丰富的图像特征，避免主体信息失真；其次，相邻裁缝线由均值代替，避免像素不连贯；最后，根据能量图中列能量值的大小将图像分为显著区域和非显著区域，并行缩放分块，更加注重图像特征并提高运行效率。在MIT RetargetMe、DUT-OMRON和NJU2000数据集上进行实验分析，以主观感受和客观因子运行时间、SIFT-flow作为评价指标，与几种常用算法对比。实验结果表明，该方法保证了图像主体信息的完整性，平均运行时间为线裁剪算法的1/3。本文提出的方法不仅具有较优的视觉效果，而且可降低运算量。

We propose a spatially chirped quasi-phase-matching (QPM) scheme that enables ultrabroadband second-harmonic-generation (SHG) by using a fan-out QPM grating to frequency-convert a spatially chirped fundamental wave. A “zero-dispersion” 4f system maps the spectral contents of ultrabroadband fundamental onto different spatial coordinates in the Fourier plane, where the fundamental is quasi-monochromatic locally in picosecond duration, fundamentally canceling high-order phase mismatch. A fan-out QPM grating characterized by a linear variation of the poling period along the transverse direction exactly supports the QPM of the spatially chirped beam. We theoretically demonstrate the SHG of an 810-nm, 12.1-fs pulse into a 405-nm, 10.2-fs pulse with a conversion efficiency of 77%.

论证了单晶体光参量放大（OPA）过程在特定边界条件下满足频域宇称-时间（PT）反对称性。归一化的数值求解结果显示，OPA系统PT对称阈值点附近呈现增益跃变性质。对于存在位相失配的OPA，通过实时调控泵浦光强，即可控制系统PT对称性，论文基于相位失配OPA中可超快调控PT对称性的特性构建了超快光开关，一方面光开关与周期性幅度调制的泵浦光联合使用，可直接将连续激光转换为超短脉冲序列输出；另一方面，构建的光开关也可用于脉冲激光再压缩，有望用于中红外波等长波段超短种子源。论文提出的基于超快光开关直接产生超短脉冲序列的方案，由于不需要光学谐振腔，易于实现大于10 GHz的超高重复频率。