【摘 要】
：
相位调制器是相干合成孔径望远镜中光束合成机构的关键部件，精确测量相位调制器的运动信息是相位调制器控制的核心技术之一。提出了基于平面法线向量的三自由度（俯仰角、方位角
【机 构】
：
中国科学院光束控制重点实验室,中国科学院光电技术研究所,中国科学院大学
【基金项目】
：
国家自然科学基金（501100001809）
论文部分内容阅读
相位调制器是相干合成孔径望远镜中光束合成机构的关键部件，精确测量相位调制器的运动信息是相位调制器控制的核心技术之一。提出了基于平面法线向量的三自由度（俯仰角、方位角和轴向位移）测量方法，基于法线向量的变化解算角度和位移信息，并对所提方法进行详细描述，分析了影响测量精度的因素。实验结果表明：旋转角α和γ的转动范围分别为0～0．44mrad和0～0．28mrad，位移移动范围为0～3μm；在测量范围内，角度误差小于3．3／μrad，位移误差小于50nm。所提方法具有结构简单、测量精度高等优势，可广泛应用于相位
其他文献
研究了光源附近微区的漫反射率RΦ与收集孔径Φ、约化散射系数μ′s和散射相函数相关的参数γ之间的关系。根据不同的生物组织,选取不同的散射相函数,采用Monte Carlo模拟方
复杂结构件内部零件装配正确性检测是工业产品检测必不可少的流程之一,但目前仍缺少一种系统稳健性较高的检测方法以完善整个检测流程。针对这个问题,综合计算机断层扫描(CT)检测技术与卷积神经网络分类识别算法,改变以往以连通区域为特征的检测方法,自动识别图像中的感兴趣区域,使合格品的判断标准由区域特征变为个体特征。将CT系统采集的投影数据序列输入卷积神经网络,对工件内部零件进行精确定位并分类,以产品内部零
1．7μm波段光纤光源在生物成像、激光医疗、特殊材料加工、有机物微量测量、中红外激光产生等领域有着巨大应用前景，已成为国内外的研究热点。总结了国内外1．7μm光纤光源的研究
通过分析特征点密度与物点聚焦程度的关系,建立基于特征点密度的聚焦测度。将融合特征点密度与边缘信息建立新的聚焦测度,利用聚焦堆栈数据实现场景深度的估计与全聚焦成像。对于由边缘信息建立的聚焦测度在图像纹理区域存在不准确性,该方法可以有效地弥补这一缺点。将刻画边缘信息的Sum-Modified-Laplacian(SML)方法与特征点密度函数相融合建立新的聚焦测度,用于三维场景重构,实现了场景深度估计和
对不同光谱分布的发光二极管(LED)引起的不舒适眩光进行了研究。设计开发了红/绿/蓝/白(R/G/B/W)4色LED光源模块,研究了该模块在3种不同背景亮度下的眩光效应,并在每种条件下
针对吸收马尔可夫随机游走方法未能充分抑制显著图的中心背景区域和丢失位于图像边界的显著目标的问题,提出一种基于流形正则化随机游走的图像显著性检测方法。首先以超像素作为节点对输入图像构造全局图,通过吸收马尔可夫链随机游走算法计算得到初始显著图,再对初始显著图利用自适应阈值分割获得稳健前景查询节点。其次,为有效利用图像全局信息和局部信息的互补性,构建局部正则图以获得局部最优相似度矩阵。最后,将获得的局部
传统随机抽样一致性(RANSAC)算法只能进行粗配准,且配准效率低。针对该问题提出一种改进的RANSAC快速点云配准算法。该算法将内部形态描述子算法和快速点特征直方图(FPFH)算法相结合,得到特征描述子,然后采用预估计和三维栅格分割法改进RANSAC算法,最后与传统配准算法采样一致性初始配准算法进行比较。实验结果表明,本文算法能快速精确地剔除误匹配点,进行仿射变换矩阵求解,无需二次配准。本文算法
为提高立体匹配算法的效果和稳定性,提出了一种基于色调(H)、饱和度(S)和明度(V)颜色空间的自适应聚合区域的引导滤波算法。结合图片的结构和纹理信息,通过颜色和横向梯度的相互作用计算初始匹配代价。在HSV颜色空间中运用颜色和距离信息计算每一点的自适应支撑臂长,解决了图片中红、绿、蓝3种颜色变化趋势相近导致无法有效反映图片信息的问题。自适应聚合区域利用中心点纵向臂上各点的横向臂进行构造,采用引导滤波
光学相干层析(OCT)技术是一种无损、高分辨率、快速的断层成像检验技术。电工胶带是法庭科学领域的一种重要物证。利用自主搭建的频域OCT系统对10种不同品牌的红色电工胶带进行OCT成像检验。从电工胶带的二维OCT图像中提取光程、散射强度比、信号峰个数、衰减系数等特征参数,比较各参数在不同样品之间的统计学显著性差异。对电工胶带样品进行三维OCT图像重建,获得样品的横截面图像。实验发现,上述特征可以有效
为实现基于运动轨迹信息的动态手指姿势的识别,促进人机交互和虚拟现实交叉领域的发展,介绍了一种基于Leap Motion的三维(3D)空间内的指势关键特征点轨迹识别的方法。将Leap motion controller获取的模型化的手部信息经过手部骨架算法提取出手部骨架目标,然后,利用细化算法得到手指直线示意图,并提取指势关键特征点及运动轨迹。利用支持向量机(SVM)对3D基本动态指势进行识别和评估