光学字符识别(OCR)难以针对图像中某些特定文本进行识别,尤其在实际场景中,识别结果通常会包含大量噪声文本。针对这一问题,提出一种基于循环神经网络的双向长短时记忆-条件随机场(BLSTM-CRF)模型。首先利用BLSTM网络捕获OCR识别结果中序列的上下文信息,得到特征序列;然后结合CRF建立模型特征与标签的关系,进行标签预测,通过标签即可得到特定文本。实验结果表明,该方法在场景图像数据集YNIDREAL上可以达到88.52%的准确率,相较于CRF模型,准确率提高了16.39个百分点,证明了本方法的可行性和稳健性。

通过双探针近场光学扫描显微镜在银纳米线上实现近场激发和近场收集表面等离子体，用一个探针在银纳米线的一端近场激发表面等离子体，另一个探针近场探测银纳米线上的表面等离子体强度分布，得到强度分布图.强度分布图显示表面等离子体在银纳米线的一端被有效激发并且有一部分表面等离子体沿着银纳米线和基底的界面传播到了另一端.用有限元法对银纳米线内的传播模式进行数值模拟，结果显示银纳米线内存在两种表面等离子体传播模式，分别为基模和高阶模.沿着银纳米线和基底介质之间传输的基模表面等离子体由于传输环境稳定，散射损耗小，实际传输长度接近模式传输长度，达10 μm以上;而高阶模表面等离子体由于部分裸露在空气中受表面缺陷散射的影响，散射损耗大，实际传输长度远小于模式传输长度.研究表明: 以能量高度束缚的基模表面等离子体作为载体，不仅可以实现低损耗传输，还可以减小集成器件之间的信号串扰，有效提高信息传输的安全性，在集成光学中具有重要应用.

提出了一种新的基于统计与模糊隶属度的光学字符特征提取方法，可以快速准确地识别受噪声污染的光学字符。相比传统算法，本文方法的特征空间区分度更高，最小类间距离扩大33.2%以上。应用在径向基函数(RadicalBasis Function，RBF)神经网络中，在字体字号变化且有背景噪声污染的影响下，识别率高达99%以上，且相比直方图投影法提速75%。理论分析与实验结果表明，与传统方法相比，该算法抗噪能力更强、模式区分度更高、时空复杂度更低，更简约、更全面地覆盖了字符的特征，应用范围广。已应用于实际系统，取得很好的实验结果。