Author Affiliations
Abstract
Key Laboratory of Light Field Manipulation and Information Acquisition, Ministry of Industry and Information Technology, Shaanxi Key Laboratory of Optical Information Technology, School of Physical Science and Technology, Northwestern Polytechnical University, Xi’an 710129, China
Based on the transverse-longitudinal mapping of Bessel beams, we propose a simple method to construct a self-similar Bessel-like beam whose transverse profile maintains a stretched form during propagation. Specifically, the propagating-variant width of this beam can be flexibly predesigned. We experimentally demonstrate three types of self-similar Bessel-like beams whose width variations are linear, piecewise, and period functions of propagation distance, respectively. The experimental results match well with the theoretical predictions. We also demonstrate that our approach enables the generation of self-similar higher-order vortex Bessel-like beams.
Bessel beams self-similarity transverse-longitudinal mapping 
Chinese Optics Letters
2024, 22(2): 022601
作者单位
摘要
国网河北省电力有限公司营销服务中心,河北石家庄 050000
电力线载波通信面向广泛的设备对设备的数据交互和通信应用,具有免于部署,易于直连通信的优势,成为一种有效快捷的新型通信方式。但在使用中经常由于通信拥塞或电力干扰,造成各种通信故障,故需要高效的恢复机制保证数据可靠传输。本文引入多标记交换协议 (MPLS)技术,设计了一种新型的电力线载波通信可区分故障恢复算法 Diff_RECV,在考虑不同生存性服务质量(QoS)要求的同时,将保护恢复机制和重路径恢复机制结合,实现了区分流量保护与恢复。通过实验验证,所提出的 Diff_RECV算法能够全部恢复故障业务流量,并且比扩散法有更高的恢复速度。
电力线载波通信 故障恢复 服务质量 自相似性 power line carrier communication fault recovery Quality of Service self similarity 
太赫兹科学与电子信息学报
2023, 21(8): 997
作者单位
摘要
合肥工业大学计算机与信息学院,安徽 合肥 230601
深度卷积神经网络最近在图像超分辨率方面展示了高质量的恢复效果。然而,现有的图像超分辨率方法大多只考虑如何充分利用训练集中固有的静态特性,却忽视了低分辨率图像本身的自相似特征。为了解决这些问题,本文设计了一种自相似特征增强的网络结构(SSEN)。具体来说,本文将可变形卷积嵌入到金字塔结构中并结合跨层次协同注意力,设计出了一个能够充分挖掘多层次自相似特征的模块,即跨层次特征增强模块。此外,本文还在堆叠的密集残差块中引入池化注意力机制,利用条状池化扩大卷积神经网络的感受野并在深层特征中建立远程依赖关系,从而深层特征中相似度较高的部分能够相互补充。在常用的五个基准测试集上进行了大量实验,结果表明,SSEN比现有的方法在重建效果上具有明显提升。

超分辨率 自相似性 特征增强 可变形卷积 注意力 条状池化 super-resolution self-similarity feature enhancement deformable convolution attention strip pooling 
光电工程
2022, 49(5): 210382
作者单位
摘要
1 长春理工大学 物理学院, 吉林 长春 130022
2 鹏城实验室 数学与理论部, 广东 深圳 518000
针对全光纤的超短脉冲掺铒光纤放大器进行了仿真模拟, 对正常色散条件下掺铒光纤自相似脉冲放大过程进行了详细分析。在光纤预放大器中, 使用高正色散掺铒光纤对脉冲形状进行预整形, 将重复频率43 MHz、脉冲宽度600 fs、平均输出功率1.2 mW的孤子型锁模脉冲预整形为抛物线型脉冲, 预整形后的脉冲通过光纤主放大器进行功率放大。经两级光纤放大后, 1.2 mW的信号光功率放大为102 mW, 放大增益19.3 dB。分析了掺铒光纤长度、放大功率对脉冲自相似演化过程的影响。放大后的脉冲经4.4 m长单模光纤将脉冲宽度压缩至53 fs, 峰值功率为44.8 kW。
光纤放大器 自相似 正常色散掺铒光纤 超短脉冲 仿真模拟 fiber amplifier self-similarity normal dispersion erbium-doped fiber ultrashort pulse simulation 
发光学报
2022, 43(2): 268
作者单位
摘要
北京工业大学 信息学部, 北京100124
在模糊核未知情况下利用模糊图像对清晰图像进行复原称为图像盲解卷积问题,这是一个欠定逆问题,现有的大部分算法通过引入模糊核和清晰图像的先验知识来约束问题的解空间。本文提出了一种基于跨尺度字典学习的图像盲解卷积算法,采用降采样图像训练稀疏表示的字典,并将图像纹理区域在该字典下的稀疏表示作为正则化约束引入盲解卷积目标函数中。图像降采样过程减弱了图像的模糊程度,且图像中存在冗余的跨尺度相似块,利用更清晰的图像块训练字典能够更好地对清晰图像进行稀疏表示,减小稀疏表示误差;同时,由于在纹理区域清晰图像的稀疏表示误差小于模糊图像的稀疏表示误差,在该字典下对图像中的纹理块进行稀疏表示,使重建图像偏向清晰图像。本文的算法在Kohler数据集上复原结果的平均峰值信噪比为29.54 dB。在大量模糊图像上的实验验证了本文的算法能够有效解决大尺寸模糊核的复原,并具有良好的鲁棒性。
盲解卷积 稀疏表示 字典学习 跨尺度 自相似性 blind deconvolution sparse representation dictionary learning cross-scale self-similarity 
光学 精密工程
2021, 29(2): 338
作者单位
摘要
1 宁夏大学,a.物理与电子电气工程学院
2 宁夏沙漠信息智能感知重点实验室, 银川 750021
3 宁夏大学,b.信息工程学院,银川 750021
针对遥感光学图像和SAR图像在配准过程中存在正确匹配点较少、配准精度低的问题, 提出一种结合P-M滤波及改进LSS的光学和SAR图像配准算法。首先, 利用各向异性方程扩散性滤除SAR图像的斑点噪声; 其次, 对于图像间显著的灰度差异, 利用提取的局部区域特征求取各个方向的自相似值, 确定主方向的特征方向, 结合特征梯度位置方向, 形成稳定局部自相似特征算子对图像进行配准。实验结果表明, 此算法在有效保留图像边缘信息的同时,对于光学图像和SAR图像之间的成像差异具有较好的鲁棒性,相较于同类配准算法, 配准精度提升近20%。
斑点噪声 灰度差异 各向异性滤波 自相似特征 配准 speckle noise gray difference anisotropic filtering self-similarity characteristics registration 
电光与控制
2021, 28(2): 53
尹佳琪 1,2,3王世勇 1,2,*李范鸣 1,2,**
作者单位
摘要
1 中国科学院红外探测与成像技术重点实验室, 上海 200083
2 中国科学院上海技术物理研究所, 上海 200083
3 中国科学院大学, 北京 100049
分焦平面(DoFP)偏振探测器在成像过程中会受到噪声的干扰,从而影响解算偏振信息图像的质量和精度。首先,基于图像的非局部自相似性和不同偏振方向图像之间的相关性,利用DoFP偏振图像的空间分布特点对图像进行分块并选取相似的图像块构成相似块矩阵。然后,利用主成分分析(PCA)得到相似块矩阵的特征值矩阵和特征向量矩阵,并根据噪声和相似块矩阵的特征值分布特点,在PCA域中利用降维对图像进行去噪。最后,利用模拟和真实DoFP偏振图像评估本算法的去噪效果。实验结果表明,本算法可以有效抑制图像中的噪声,保留图像的纹理和边缘细节信息,比现有算法的峰值信噪比至少提高了1 dB。
成像系统 分焦平面偏振图像 非局部自相似性 相似块矩阵 图像去噪 主成分分析 
光学学报
2021, 41(7): 0710002
作者单位
摘要
大连海事大学理学院, 辽宁 大连 116026
针对荧光扩散层析成像中荧光光源的定位误差较大和形态学信息不完整的问题,提出一种基于组稀疏正则化的同时代数重建技术(GSR-SART)算法。该算法利用图像的非局部自相似性和局部稀疏性构造自适应相似组;然后,将相似组作为基本单元,学习自适应字典;最后,采用迭代收缩阈值算法求解目标函数。实验结果表明,所提算法在峰值信噪比和方均根误差的结果上比其他先进算法有较大的提升。
成像系统 荧光扩散层析成像 非局部自相似性 稀疏表示 字典学习 
激光与光电子学进展
2021, 58(2): 0211002
Author Affiliations
Abstract
1 Key Laboratory of Quantum Optics, Shanghai Institute of Optics and Fine Mechanics, Chinese Academy of Sciences, Shanghai 201800, China
2 Center of Materials Science and Optoelectronics Engineering, University of Chinese Academy of Sciences, Beijing 100049, China
3 Wuhan Optics Valley Aerospace Sanjiang Laser Industrial Technology Research Institute Co., Ltd., Wuhan 430075, China
4 Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences, Hangzhou 310024, China
We propose a color ghost imaging approach where the object is illuminated by three-color non-orthogonal random patterns. The object’s reflection/transmission information is received by only one single-pixel detector, and both the sparsity constraint and non-local self-similarity of the object are utilized in the image reconstruction process. Numerical simulation results demonstrate that the imaging quality can be obviously enhanced by ghost imaging via sparsity constraint and non-local self-similarity (GISCNL), compared with the reconstruction methods where only the object’s sparsity is used. Factors affecting the quality of GISCNL, such as the measurement number and the detection signal-to-noise ratio, are also studied.
ghost imaging image reconstruction non-local self-similarity 
Chinese Optics Letters
2021, 19(2): 021102
作者单位
摘要
1 火箭军工程大学核工程学院,西安 710025
2 火箭军士官学校,山东 青州 262500
针对目前已有的高光谱异常检测算法大多只利用了高光谱图像的光谱维信息,而没有体现高光谱数据“图谱合一”的优势,导致算法检测性能不佳的问题,提出了一种基于非局部自相似性的高光谱异常检测(NLSSAD)算法。首先建立双立体窗,其中内窗表示待测像素光谱向量的空间—光谱三维结构窗,之后在背景中寻找与内窗最为相似的立体窗,并计算二者之间的距离从而得到待测像素光谱向量的非局部自相似性指数,并得到异常检测结果。实验结果表明,与现有的算法相比,所提算法在检测率和运算速度上均有较好的表现。
高光谱图像 异常检测 非局部自相似性 hyperspectral image anomaly detection non-local self-similarity 
电光与控制
2020, 27(5): 42

关于本站 Cookie 的使用提示

中国光学期刊网使用基于 cookie 的技术来更好地为您提供各项服务,点击此处了解我们的隐私策略。 如您需继续使用本网站,请您授权我们使用本地 cookie 来保存部分信息。
全站搜索
您最值得信赖的光电行业旗舰网络服务平台!