本发明提供了一种基于机器视觉的铁路散货卸料斗识别与定位方法，涉及铁路散货卸料斗跟踪与定位技术领域。该方法包括：采集目标卸料斗的深度图样本；对深度图样本执行预处理，生成样本数据集；从样本数据集中提取卸料斗的几何特征；将卸料斗的几何特征作为输入，利用CNN进行卸料斗的目标识别与定位训练，得到卸料斗识别模型；将相机捕获到的实时深度图送入卸料斗识别模型进行卸料斗的实时识别与定位，卸料斗识别模型输出卸料斗的三维空间信息和存在概率，将结果传送至控制系统，引导机械臂执行卸料操作。本发明适用于卸料作业中的实时监测，实时精确定位铲斗的当前位置，及时避免铲斗与货舱之间的冲击性损伤，提高卸料的效率与安全性。

近日，上海交通大学电子系义理林教授课题组基于智能锁模算法、时间拉伸技术和实时高速电路建立的实时光谱分析控制平台，实现了锁模激光器输出飞秒脉冲的实时光谱调控，对飞秒激光器的设计具有重要的应用价值。相关成果以“Intelligent control of mode-locked femtosecond pulses by time-stretch-assisted real-time spectral analysis”为题目于2020年1月发表于国际光学顶尖期刊《Light: Science & Applications》（中科院长春光机所与Nature出版集团合办期刊），并入选为封面文章，在“News & Views”栏目被专门评述。博士生蒲国庆为第一作者，义理林教授为通信作者。 图说：期刊封面文章 飞秒尺度（1E-15秒）脉冲对应着原子分子、材料、生物蛋白、化学反应等丰富物质体系的众多超快过程，有着广泛而重要的应用。锁模激光器作为产生飞秒脉冲的重要基础研究工具，在物理、化学、生物、材料、信息科学等领域都有广泛的应用。飞秒锁模激光器自上世纪六十年代发明以来，与其相关的研究分别于1999，2005，2018年获得过诺贝尔奖。 随着超快光学的快速发展，越来越多的前沿应用需要对飞秒脉冲的时域和光谱进行精细控制。由于飞秒脉冲的产生涉及非常复杂的非线性和色散传输效应，达到特定脉冲状态的稳态输出需要对激光器多个参数在高维空间进行优化，传统基于激光器光学设计和优化的方法已被证明难以精确实现。 通过对飞秒脉冲状态进行智能识别，结合智能算法对激光器多参数进行全局优化，有望获得理想的飞秒脉冲输出，但其主要挑战在于飞秒脉冲难以实时精确识别。低速时域采样无法识别飞秒脉冲宽度和形状，光谱仪虽可识别飞秒脉冲积分光谱但无法识别其瞬时光谱，因此传统方法都无法做到实时控制飞秒脉冲精确锁模状态。为了解决这一难题，义理林教授课题组提出在锁模控制环内引入时间拉伸-色散傅里叶变换（TS-DFT）技术，通过时域到光谱的转换，采用低速时域采样即可识别飞秒脉冲对应的瞬时光谱宽度和形状。结合智能控制算法，实现了以1.4nm为精度对飞秒脉冲光谱宽带从10nm到40nm进行可编程控制，光谱形状可编程为高斯型或三角形等。这是本领域首次实现飞秒锁模脉冲光谱宽度和形状高精度实时编程控制，解决了飞秒锁模脉冲锁模状态无法精确调控的难题。 基于实时的光谱控制，该研究还展示了从窄谱锁模态至宽谱锁模态以及从三角形光谱脉冲态至宽谱锁模态的演变过程，发现两者动力学过程具有相似性，提出了目标锁模状态可能决定中间动力学过程的猜想，为人们进一步探索锁模激光器内部机理提供新视角。 图说：基于快速光谱分析的飞秒锁模脉冲智能控制 非线性光学著名专家John Dudley教授（欧洲物理学会主席，IEEE/OSA Fellow）在《Light: Science & Applications》的“News & Views”栏目撰文介绍此项工作，认为本工作极具创新性，开拓了研究锁模动力学新的可能性，很可能应用于多种锁模光纤激光器中。 义理林教授课题组过去六年来一直致力于解决飞秒锁模激光器的智能控制问题，2019年发表在光学领域顶级期刊《Optica》的“智能锁模激光器”成果入选美国光学学会旗下新闻杂志《Optics & Photonics News》2019年光学年度进展“Optics in 2019”。该方向工作部分得到国家自然科学基金（61575122）的支持。《Light: Science & Applications》论文全文https://www.nature.com/articles/s41377-020-0251-x《Light: Science & Applications》“New & Views”评述论文https://www.nature.com/articles/s41377-020-0270-7

随着计算智能方法得到更广泛的应用，其从问题本身学习的能力亟待增强。为此，越来越多研究提出使用机器学习模型来驱动计算智能。通常，这种基于模型的进化算法的性能高度依赖于所采用模型的训练质量。而传统机器学习方法需要大量训练数据进行模型训练，而且受维度灾难的影响，这类方法通常很难解决维度较高的问题，约束了计算智能方法的应用范畴。课题组在IEEE Transactions on Cybernetics上发表了一种由生成对抗网络（GAN）驱动的进化多目标算法。

本发明涉及一种基于黄金分割比例的菱形模板双尺度图像去噪方法。本发明的技术要点是采用菱形模板并进行自适应模板扩充，利用参与计算的信号点的距离权重和灰度权重的归一化权重进行去噪。本发明的优点是菱形模板中参与计算的所有信号点到中心点的距离方差较小，尽可能避免了距离过远的信号点参与滤波计算；根据噪声密度取部分信号点参与计算，不仅降低了计算复杂度，而且降低了模板内可能存在的其他噪声及边缘对滤波效果的影响；模板中横向包含的像素点和纵向包含的像素点个数之比为1:0.618，充分利用了数学的经典理念,也符合人的视觉习惯。实验结果表明，本发明既能处理低密度噪声，又能处理高密度噪声，噪声密度越高，相对效果越好。

本发明公开了一种相控阵三维声纳图像离线处理系统和方法,系统包括三维声纳图像数据读取模块、单帧重建模块、精确配准模块,拼接融合模块;方法包括:读取GPS、姿态信息以及原始声纳点数据并进行解析,将采集到的三维点阵数据连接成为三角面片,再将相邻两帧图像两两配准的结果,通过最优化处理得到全局配准信息;将配准后的数据进行重采样,再重建,以消除两帧之间的重叠部分并将单帧图像融合成一幅整体图像并进行三维可视化显示。该系统结构谨严、高精度、图像清晰、交互方便、可扩展性强,有效地实现了三维声纳图像的离线处理功能。

本发明公开了一种基于运动颜色关联的视频图像显著性检测方 法，包括：获得视频图像的静态显著性图；提取场景的光流向量场；对光流向量场进行初步分类并抛弃最大分类区块；将视频图像从 RGB 颜色空间转换到 HSV 颜色空间；根据 HSV 颜色空间 H 分量中对应颜 色在输入图像中出现的频率，生成颜色直方图；针对光流向量场有效 分类区块中的每个向量，将其范数投射到颜色直方图的相应区间中去， 得到每个颜色区间的运动尺度变量；得到每种颜色的运动显著性值并 投影到原图像生成运动显著性图；将运动显著性图与静态显著性图相 加得到最终显著性图。本发明的方法可以有效地将运动特征纳入显著 性考虑范围，在现有的运动视频测试集上能取得优于传统方法的结果。

一种基于字典渐近更新的人脸图像超分辨率方法:在训练阶段，采用去一法对低分辨率人脸图像训 练集的每张低分辨率人脸图像进行超分辨率重构，得到一层低分辨率中间字典;以此低分辨率中间字典 作为新的低分辨率人脸图像训练集输入，重构得到新一层的低分辨率中间字典;重复上述过程，最终得 到多层低分辨率中间字典。在测试阶段，根据输入的低分辨率人脸图像，上一层低分辨率中间字典和高 分辨率人脸图像训练集，对输入低分辨率人脸图像进行超分辨率重构，得到预估高分辨率人脸图像;重 复上述过程，最终重构出高分辨率人脸图像。本发明可得到更高质量、与真实情况更为接近的重建效果。

本发明公开了一种基于支持向量回归的雷达图像适配性预测方法。所述方法包括：学习阶段，提取 SAR 图像多维特征构成学习集；对学习集样本特征预处理后，将其分为学习集 L1、L2，然后用学习集L1 训练支持向量机，并用得到的 SVM 模型对学习集 L2 进行分类，根据分类正确率、样本特征和类心之间的距离计算各样本的适配率；之后利用学习集特征及其相应的适配率，拟合回归得到适配性预测函数模型；预测阶段，对待评估的 SAR 图像

本发明公开了一种对卫星图像数据实时解压缩的系统，包括：数据服务器模块，用于接收卫星拍摄图像的图像压缩数据流，并将图像压缩数据流中不同通道的图像压缩数据并行发送给不同的解压缩单元进行解压缩，以及根据图像压缩数据流和解压缩后的图像数据确定图像压缩数据流的运行参数，运行参数包括误码率、压缩比、微损度以及数据速率；解压缩模块，包括至少一个解压缩单元，用于并行对不同通道的图像压缩数据进行解压缩，每个解压缩单元以 FPGA 为处

本发明公开了一种基于场量分析的视频图像显著性检测方法，包括以下步骤：S1 获得视频图像的静态显著性图；S2 根据连续的视频帧提取场景的光流向量场；S3 通过聚类方法对光流向量场进行初步分类并找出最大分类区块；S4 通过每个分类区块与最大分类区块之间的对比生成差异性能量；S5 规范化差异性能量，获得运动显著性值并生成运动显著性图；S6 将该运动显著性图与所述静态显著性图线性加权相加得到最终显著性图，即可实现对视频图像的显著性检测。本发明的方法综合利用视频场景的静态特征和动态特征来得到显著性映射结果，特