CN110365404A - 无波前传感自适应系统及利用该系统提高收敛速度的方法 - Google Patents
无波前传感自适应系统及利用该系统提高收敛速度的方法 Download PDFInfo
- Publication number
- CN110365404A CN110365404A CN201910502033.9A CN201910502033A CN110365404A CN 110365404 A CN110365404 A CN 110365404A CN 201910502033 A CN201910502033 A CN 201910502033A CN 110365404 A CN110365404 A CN 110365404A
- Authority
- CN
- China
- Prior art keywords
- gpu
- pixel
- gaussian
- video memory
- follows
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
- H04B10/0795—Performance monitoring; Measurement of transmission parameters
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种无波前传感自适应校正系统,包括光源;光源发出的光束经波前校正器校正后,反射校正后的光束至成像探测器进行光斑采集;波前控制器根据采集的实时光斑获取系统性能指标,利用GPU提高随机并行梯度下降算法收敛速度,迭代生成波前校正器的控制信号,实现光束的多次校正。还公开了一种利用无波前传感自适应校正系统提高随机并行梯度下降算法收敛速度的方法。本发明可以提高SPGD算法的收敛速度;同时,使用GPU实现自适应光学系统运行速度加速,成本低,添加设备简单,空间占用率小。
Description
技术领域
本发明属于无线激光通信技术领域,具体涉及一种无波前传感自适应校正系统,还涉及一种利用无波前传感自适应校正系统提高随机并行梯度下降算法收敛速度的方法。
背景技术
随着自适应光学(AO)的发展,无波前传感器的自适应光学技术得到广泛关注。无波前探测的自适应光学系统根据成像探测器获得的像质信息建立系统性能评价函数,用优化算法对评价函数进行优化,从而实现畸变波前的校正。
近年来,国内外的大量研究结果表明,在自适应光学中,随机并行梯度下降(Stochastic parallel gradient descent algorithm,SPGD)算法易于实现,并且随机并行梯度下降算法已成熟应用于外场波前校正实验中。
随机并行梯度下降算法的一个明显不足是收敛速度较慢,很难满足无线光通信系统这一对实时性要求较高的场合,故而大多一直处于实验室研究试验阶段。因此,如何提升随机并行梯度下降算法的收敛速度逐渐成为该领域关注的热点。
发明内容
本发明的第一个目的是提供一种无波前传感自适应校正系统,解决了现有技术中存在的自适应光学系统成本高、使用波前传感器测量波前受闪烁效应等因素影响的问题。
本发明所采用的第一个技术方案是,一种无波前传感自适应校正系统,包括光源;光源发出的光束经波前校正器校正后,反射校正后的光束至成像探测器进行光斑采集;波前控制器根据采集的实时光斑获取系统性能指标,利用GPU提高随机并行梯度下降算法收敛速度,迭代生成波前校正器的控制信号,实现光束的多次校正。
本发明的特点还在于:
波前校正器为变形镜。
成像探测器为CCD工业相机。
波前控制器由PC机、GPU组成,且二者电性连接。
本发明的第二个目的是提供一种利用无波前传感自适应校正系统提高随机并行梯度下降算法收敛速度的方法,解决了现有技术中存在的无波前传感自适应光学校正速度过慢的问题。
本发明所采用的第二个技术方案是,一种利用无波前传感自适应校正系统提高随机并行梯度下降算法收敛速度的方法,具体按照以下步骤实施:
步骤1、分析SPGD算法,得出高斯滤波部分、寻找最大光斑部分、扰动电压向量计算部分可以通过GPU进行加速;
步骤2、对高斯滤波的处理过程进行GPU加速;
步骤3、对寻找最大光斑的过程进行GPU加速处理;
步骤4、对扰动电压向量计算部分进行GPU加速处理。
本发明的特点还在于:
步骤1的具体过程如下:
(1)根据高斯滤波的实现过程得出,可以调用GPU多线程分别处理各个像素与高斯模板中参数的相乘运算,从而实现加速;
具体如下:
高斯滤波的过程为:首先,利用高斯函数得到高斯模板参数;高斯函数如下所示:
式中,x表示邻域像素到中心像素的水平距离;y表示邻域像素到中心像素的垂直距离;σ是标准差;
然后,根据高斯参数设计高斯模板;像素位置与高斯模板中参数的位置一一对应;即中心像素位置与模板中心参数的位置对应,邻域像素与模板中心周围相应参数的位置对应;
最后,用高斯模板扫描图像像素,将高斯模板中参数与邻域像素进行乘加计算,再用计算结果替代初始像素,从而得到滤波后的值:
式中,G(x,y)表示高斯函数;f(x,y)表示像素值;
(2)根据寻找最大光斑的过程得出,可以调用GPU多线程同时对各个光斑区域进行求和,从而实现加速;
具体如下:
寻找最大光斑的过程为:首先,根据阈值对图像进行二值化处理;当Pij≥T,F(xi,yi)=1,定义像素在光斑区域;当Pij<T,F(xi,yi)=0,定义像素在背景区域;公式如下:
式中,T为设定的阈值;Pij为图像每个元素对应的像素值;
然后,对二值化处理后的图像进行连通区域标记;将图像分为M个区域,标记为1,2,...M;利用并行计算;比较M个区域,选择面积最大的区域作为最大光斑像素;
(3)根据扰动电压向量计算过程得出,可调用GPU多个线程对所有的扰动电压向量同时进行更新计算,从而实现加速;
具体如下:
扰动电压向量计算过程为:首先,随机产生一组初始电压值随机产生相互独立且符合伯努利分布的扰动δu1,δu2,…,δuN;计算扰动电压 获取扰动后J值,分别记为计算两次J值之差,计算迭代电压μ为增益参量;更新初始电压值,判断斯特列尔比是否≥0.8;若是,退出迭代,输出当前性能指标J;若否,循环上述过程。
步骤2的具体过程如下:
步骤2.1、初始化GPU;数据准备;具体的,数据为图像像素值、图像的长和宽、高斯模板;
步骤2.2、根据计算任务要求,在GPU显存上为数据分配内存;具体的,将图像像素存储在与图像尺寸一致的二维线程网络中,将高斯模板元素存储在与模板尺寸一致的二维线程网络中;
步骤2.3、将PC机的数据信息传输到GPU显存中;
步骤2.4、调用线程,根据公式(2)对数据进行并行计算;
步骤2.5、将计算结果从GPU显存回传到PC机,进行数据整理和存储;
步骤2.6、释放显存空间。
步骤3的具体过程如下:
步骤3.1、初始化GPU;数据准备;具体的,数据为独立区域标记后的灰度光斑图像;
步骤3.2、根据计算任务要求,在GPU显存上为数据分配内存;具体的,将标记的灰度光斑图像信息储存在二维线程网络中;
步骤3.3、将PC机的数据信息传输到GPU显存中;
步骤3.4、调用线程,在线程块内利用原子加法操作对区域标记图像的标记号进行统计,根据标记号设定共享内存数组元素;将数组元素进行比较,元素最大的位置对应最大连通区域的标记号;对数据进行并行计算;
步骤3.5、将计算结果从GPU显存回传到PC机,进行数据整理和存储;
步骤3.6、释放显存空间。
步骤4的具体过程如下:
步骤4.1、初始化GPU;数据准备;具体的,数据为增益参数、初始电压数组、扰动电压数组;
步骤4.2、根据计算任务要求,在GPU显存上为数据分配内存;具体的,将初始电压数组和扰动电压数组分别存储在一维线程中;
步骤4.3、将PC机的数据信息传输到GPU显存中;
步骤4.4、调用线程,使用kernel函数对数据进行并行乘加计算;
步骤4.5、将计算结果从GPU显存回传到PC机,进行数据整理和存储;
步骤4.6、释放显存空间。
本发明的有益效果是:
(1)本发明可以提高SPGD算法的收敛速度;
(2)本发明主要使用GPU实现自适应光学系统运行速度加速,成本低,添加设备简单,空间占用率小。
附图说明
图1是本发明无波前传感自适应校正系统的示意图;
图2是本发明利用无波前传感自适应校正系统提高随机并行梯度下降算法收敛速度的方法中最大光斑并行计算的原理图;
图3是本发明利用无波前传感自适应校正系统提高随机并行梯度下降算法收敛速度的方法中GPU并行化随机并行梯度下降算法的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图1所示,一种无波前传感自适应校正系统,包括光源1;光源1发出的光束经波前校正器2校正后,反射校正后的光束至成像探测器3进行光斑采集;波前控制器4根据采集的实时光斑获取系统性能指标,利用GPU提高随机并行梯度下降算法收敛速度,迭代生成波前校正器2的控制信号,实现光束的多次校正。
优选的,波前校正器2为变形镜。
优选的,成像探测器3为CCD工业相机。
优选的,波前控制器4由PC机、GPU组成,且二者电性连接。
利用无波前传感自适应校正系统提高随机并行梯度下降算法收敛速度的方法,具体按照以下步骤实施:
步骤1、分析SPGD算法,得出高斯滤波部分、寻找最大光斑部分、扰动电压向量计算部分可以通过GPU进行加速;
步骤1的具体过程如下:
(1)根据高斯滤波的实现过程得出,可以调用GPU多线程分别处理各个像素与高斯模板中参数的相乘运算,从而实现加速;
具体如下:
高斯滤波的过程为:首先,利用高斯函数得到高斯模板参数;高斯函数如下所示:
式中,x表示邻域像素到中心像素的水平距离;y表示邻域像素到中心像素的垂直距离;σ是标准差;
然后,根据高斯参数设计高斯模板;像素位置与高斯模板中参数的位置一一对应;即中心像素位置与模板中心参数的位置对应,邻域像素与模板中心周围相应参数的位置对应;
最后,用高斯模板扫描图像像素,将高斯模板中参数与邻域像素进行乘加计算,再用计算结果替代初始像素,从而得到滤波后的值:
式中,G(x,y)表示高斯函数;f(x,y)表示像素值;
如图2所示,(2)根据寻找最大光斑的过程得出,可以调用GPU多线程同时对各个光斑区域进行求和,从而实现加速;
具体如下:
寻找最大光斑的过程为:首先,根据阈值对图像进行二值化处理;当Pij≥T,F(xi,yi)=1,定义像素在光斑区域;当Pij<T,F(xi,yi)=0,定义像素在背景区域;公式如下:
式中,T为设定的阈值;Pij为图像每个元素对应的像素值;
然后,对二值化处理后的图像进行连通区域标记;将图像分为M个区域,标记为1,2,...M;利用并行计算;比较M个区域,选择面积最大的区域作为最大光斑像素;
如图3所示,(3)根据扰动电压向量计算过程得出,可调用GPU多个线程对所有的扰动电压向量同时进行更新计算,从而实现加速;
具体如下:
扰动电压向量计算过程为:首先,随机产生一组初始电压值随机产生相互独立且符合伯努利分布的扰动δu1,δu2,…,δuN;计算扰动电压j=1,2,...N;获取扰动后J值,分别记为计算两次J值之差,计算迭代电压μ为增益参量;更新初始电压值,判断斯特列尔比是否≥0.8;若是,退出迭代,输出当前性能指标J;若否,循环上述过程。
步骤2、对高斯滤波的处理过程进行GPU加速;
步骤2的具体过程如下:
步骤2.1、初始化GPU;数据准备;具体的,数据为图像像素值、图像的长和宽、高斯模板;
步骤2.2、根据计算任务要求,在GPU显存上为数据分配内存;具体的,将图像像素存储在与图像尺寸一致的二维线程网络中,将高斯模板元素存储在与模板尺寸一致的二维线程网络中;
步骤2.3、将PC机的数据信息传输到GPU显存中;
步骤2.4、调用线程,根据公式(2)对数据进行并行计算;
步骤2.5、将计算结果从GPU显存回传到PC机,进行数据整理和存储;
步骤2.6、释放显存空间。
步骤3、对寻找最大光斑的过程进行GPU加速处理;
步骤3的具体过程如下:
步骤3.1、初始化GPU;数据准备;具体的,数据为独立区域标记后的灰度光斑图像;
步骤3.2、根据计算任务要求,在GPU显存上为数据分配内存;具体的,将标记的灰度光斑图像信息储存在二维线程网络中;
步骤3.3、将PC机的数据信息传输到GPU显存中;
步骤3.4、调用线程,在线程块内利用原子加法操作对区域标记图像的标记号进行统计,根据标记号设定共享内存数组元素;将数组元素进行比较,元素最大的位置对应最大连通区域的标记号;对数据进行并行计算;
步骤3.5、将计算结果从GPU显存回传到PC机,进行数据整理和存储;
步骤3.6、释放显存空间。
步骤4、对扰动电压向量计算部分进行GPU加速处理;
步骤4的具体过程如下:
步骤4.1、初始化GPU;数据准备;具体的,数据为增益参数、初始电压数组、扰动电压数组;
步骤4.2、根据计算任务要求,在GPU显存上为数据分配内存;具体的,将初始电压数组和扰动电压数组分别存储在一维线程中;
步骤4.3、将PC机的数据信息传输到GPU显存中;
步骤4.4、调用线程,使用kernel函数对数据进行并行乘加计算;
步骤4.5、将计算结果从GPU显存回传到PC机,进行数据整理和存储;
步骤4.6、释放显存空间。
本发明可以提高SPGD算法的收敛速度;同时,使用GPU实现自适应光学系统运行速度加速,成本低,添加设备简单,空间占用率小。
Claims (9)
1.一种无波前传感自适应校正系统,其特征在于:包括光源(1);光源(1)发出的光束经波前校正器(2)校正后,反射校正后的光束至成像探测器(3)进行光斑采集;波前控制器(4)根据采集的实时光斑获取系统性能指标,利用GPU提高随机并行梯度下降算法收敛速度,迭代生成波前校正器(2)的控制信号,实现光束的多次校正。
2.如权利要求1所述的无波前传感自适应校正系统,其特征在于:所述波前校正器(2)为变形镜。
3.如权利要求1所述的无波前传感自适应校正系统,其特征在于:所述成像探测器(3)为CCD工业相机。
4.如权利要求1所述的无波前传感自适应校正系统,其特征在于:所述波前控制器(4)由PC机、GPU组成,且二者电性连接。
5.一种利用权利要求1-4任一项所述的校正系统提高随机并行梯度下降算法收敛速度的方法,其特征在于,具体按照以下步骤实施:
步骤1、分析SPGD算法,得出高斯滤波部分、寻找最大光斑部分、扰动电压向量计算部分可以通过GPU进行加速;
步骤2、对高斯滤波的处理过程进行GPU加速;
步骤3、对寻找最大光斑的过程进行GPU加速处理;
步骤4、对扰动电压向量计算部分进行GPU加速处理。
6.如权利要求5所述的提高随机并行梯度下降算法收敛速度的方法,其特征在于,所述步骤1的具体过程如下:
(1)根据高斯滤波的实现过程得出,可以调用GPU多线程分别处理各个像素与高斯模板中参数的相乘运算,从而实现加速;
具体如下:
高斯滤波的过程为:首先,利用高斯函数得到高斯模板参数;高斯函数如下所示:
式中,x表示邻域像素到中心像素的水平距离;y表示邻域像素到中心像素的垂直距离;σ是标准差;
然后,根据高斯参数设计高斯模板;像素位置与高斯模板中参数的位置一一对应;即中心像素位置与模板中心参数的位置对应,邻域像素与模板中心周围相应参数的位置对应;
最后,用高斯模板扫描图像像素,将高斯模板中参数与邻域像素进行乘加计算,再用计算结果替代初始像素,从而得到滤波后的值:
式中,G(x,y)表示高斯函数;f(x,y)表示像素值;
(2)根据寻找最大光斑的过程得出,可以调用GPU多线程同时对各个光斑区域进行求和,从而实现加速;
具体如下:
寻找最大光斑的过程为:首先,根据阈值对图像进行二值化处理;当Pij≥T,F(xi,yi)=1,定义像素在光斑区域;当Pij<T,F(xi,yi)=0,定义像素在背景区域;公式如下:
式中,T为设定的阈值;Pij为图像每个元素对应的像素值;
然后,对二值化处理后的图像进行连通区域标记;将图像分为M个区域,标记为1,2,...M;利用并行计算;比较M个区域,选择面积最大的区域作为最大光斑像素;
(3)根据扰动电压向量计算过程得出,可调用GPU多个线程对所有的扰动电压向量同时进行更新计算,从而实现加速;
具体如下:
扰动电压向量计算过程为:首先,随机产生一组初始电压值随机产生相互独立且符合伯努利分布的扰动δu1,δu2,…,δuN;计算扰动电压j=1,2,...N;获取扰动后J值,分别记为计算两次J值之差,计算迭代电压j=1,2,...N,μ为增益参量;更新初始电压值,判断斯特列尔比是否≥0.8;若是,退出迭代,输出当前性能指标J;若否,循环上述过程。
7.如权利要求6所述的提高随机并行梯度下降算法收敛速度的方法,其特征在于,所述步骤2的具体过程如下:
步骤2.1、初始化GPU;数据准备;具体的,数据为图像像素值、图像的长和宽、高斯模板;
步骤2.2、根据计算任务要求,在GPU显存上为数据分配内存;具体的,将图像像素存储在与图像尺寸一致的二维线程网络中,将高斯模板元素存储在与模板尺寸一致的二维线程网络中;
步骤2.3、将PC机的数据信息传输到GPU显存中;
步骤2.4、调用线程,根据公式(2)对数据进行并行计算;
步骤2.5、将计算结果从GPU显存回传到PC机,进行数据整理和存储;
步骤2.6、释放显存空间。
8.如权利要求7所述的提高随机并行梯度下降算法收敛速度的方法,其特征在于,所述步骤3的具体过程如下:
步骤3.1、初始化GPU;数据准备;具体的,数据为独立区域标记后的灰度光斑图像;
步骤3.2、根据计算任务要求,在GPU显存上为数据分配内存;具体的,将标记的灰度光斑图像信息储存在二维线程网络中;
步骤3.3、将PC机的数据信息传输到GPU显存中;
步骤3.4、调用线程,在线程块内利用原子加法操作对区域标记图像的标记号进行统计,根据标记号设定共享内存数组元素;将数组元素进行比较,元素最大的位置对应最大连通区域的标记号;对数据进行并行计算;
步骤3.5、将计算结果从GPU显存回传到PC机,进行数据整理和存储;
步骤3.6、释放显存空间。
9.如权利要求8所述的提高随机并行梯度下降算法收敛速度的方法,其特征在于,所述步骤4的具体过程如下:
步骤4.1、初始化GPU;数据准备;具体的,数据为增益参数、初始电压数组、扰动电压数组;
步骤4.2、根据计算任务要求,在GPU显存上为数据分配内存;具体的,将初始电压数组和扰动电压数组分别存储在一维线程中;
步骤4.3、将PC机的数据信息传输到GPU显存中;
步骤4.4、调用线程,使用kernel函数对数据进行并行乘加计算;
步骤4.5、将计算结果从GPU显存回传到PC机,进行数据整理和存储;
步骤4.6、释放显存空间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910502033.9A CN110365404B (zh) | 2019-06-11 | 2019-06-11 | 无波前传感自适应系统及利用该系统提高收敛速度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910502033.9A CN110365404B (zh) | 2019-06-11 | 2019-06-11 | 无波前传感自适应系统及利用该系统提高收敛速度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110365404A true CN110365404A (zh) | 2019-10-22 |
CN110365404B CN110365404B (zh) | 2020-09-25 |
Family
ID=68217151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910502033.9A Active CN110365404B (zh) | 2019-06-11 | 2019-06-11 | 无波前传感自适应系统及利用该系统提高收敛速度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110365404B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110824697A (zh) * | 2019-11-21 | 2020-02-21 | 重庆工商大学 | 人造信标与无波前探测结合的自适应光学系统 |
CN112255780A (zh) * | 2020-11-03 | 2021-01-22 | 吉林大学 | 基于spgd算法的相干fsoc系统 |
CN115857157A (zh) * | 2022-11-25 | 2023-03-28 | 西华师范大学 | 一种基于AMSGrad的SPGD算法的无波前传感自适应光学校正方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101266334A (zh) * | 2008-05-07 | 2008-09-17 | 北京理工大学 | 基于随机并行梯度下降算法的无波前探测器自适应光学系统 |
CN103115687A (zh) * | 2012-12-21 | 2013-05-22 | 中国科学院长春光学精密机械与物理研究所 | 大动态范围光波前倾斜的探测方法 |
CN105048277A (zh) * | 2015-08-11 | 2015-11-11 | 中国科学院光电研究院 | 一种激光波前畸变校正系统 |
WO2018212253A1 (ja) * | 2017-05-19 | 2018-11-22 | 川崎重工業株式会社 | 補償光学装置、光学システム、及び光波面補償方法 |
-
2019
- 2019-06-11 CN CN201910502033.9A patent/CN110365404B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101266334A (zh) * | 2008-05-07 | 2008-09-17 | 北京理工大学 | 基于随机并行梯度下降算法的无波前探测器自适应光学系统 |
CN103115687A (zh) * | 2012-12-21 | 2013-05-22 | 中国科学院长春光学精密机械与物理研究所 | 大动态范围光波前倾斜的探测方法 |
CN103115687B (zh) * | 2012-12-21 | 2016-01-13 | 中国科学院长春光学精密机械与物理研究所 | 哈特曼探测器对大动态范围光波前倾斜的探测方法 |
CN105048277A (zh) * | 2015-08-11 | 2015-11-11 | 中国科学院光电研究院 | 一种激光波前畸变校正系统 |
WO2018212253A1 (ja) * | 2017-05-19 | 2018-11-22 | 川崎重工業株式会社 | 補償光学装置、光学システム、及び光波面補償方法 |
Non-Patent Citations (1)
Title |
---|
柯熙政 等: "无波前传感自适应波前校正系统的图形处理器加速", 《激光与光电子学进展》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110824697A (zh) * | 2019-11-21 | 2020-02-21 | 重庆工商大学 | 人造信标与无波前探测结合的自适应光学系统 |
CN110824697B (zh) * | 2019-11-21 | 2021-07-13 | 重庆工商大学 | 人造信标与无波前探测结合的自适应光学系统 |
CN112255780A (zh) * | 2020-11-03 | 2021-01-22 | 吉林大学 | 基于spgd算法的相干fsoc系统 |
CN115857157A (zh) * | 2022-11-25 | 2023-03-28 | 西华师范大学 | 一种基于AMSGrad的SPGD算法的无波前传感自适应光学校正方法 |
CN115857157B (zh) * | 2022-11-25 | 2023-08-15 | 西华师范大学 | 一种基于AMSGrad的SPGD算法的无波前传感自适应光学校正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110365404B (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110365404A (zh) | 无波前传感自适应系统及利用该系统提高收敛速度的方法 | |
CN105894499B (zh) | 一种基于双目视觉的空间物体三维信息快速检测方法 | |
CN104574423B (zh) | 基于球面像差标定的单透镜成像psf估计方法 | |
CN110211056B (zh) | 基于局部中值直方图的自适应红外图像去条纹算法 | |
CN111723611A (zh) | 行人再识别方法、装置及存储介质 | |
Qian et al. | Space low-pass and temporal high-pass nonuniformity correction algorithm | |
CN104021533B (zh) | 一种实时图像降噪方法及装置 | |
CN111967466B (zh) | 一种利用多方向稀疏低秩分解的红外弱小目标检测方法 | |
Hongmei et al. | Image segmentation based on improved PSO | |
WO2013102797A1 (en) | System and method for detecting targets in maritime surveillance applications | |
CN112868039A (zh) | 用于自主零售商店的自适应智能货架 | |
CN111062280B (zh) | 一种基于距离变换标签的密集群体计数及定位方法 | |
He et al. | A novel method of eliminating stray light interference for star sensor | |
CN110320523A (zh) | 跟随机器人的目标定位装置及方法 | |
CN112116627A (zh) | 一种基于近似主成分分析的红外目标跟踪方法 | |
CN109448060B (zh) | 一种基于蝙蝠算法的相机标定参数优化方法 | |
CN103985088A (zh) | 利用加权微分约束的红外条纹非均匀性校正方法 | |
Wijma et al. | Multi-level adaptive separable convolution for large-motion video frame interpolation | |
CN112419407B (zh) | 基于云团边缘识别的云团位移矢量计算方法及装置 | |
CN108122013A (zh) | 一种跟随运动中排除非跟随目标的方法 | |
CN110082072B (zh) | 一种探测器阵列靶数据处理方法 | |
CN108564559B (zh) | 一种基于两尺度聚焦图的多聚焦图像融合方法 | |
Chen et al. | Accuracy analysis on centroid estimation algorithm limited by photon noise for point object | |
CN109584273A (zh) | 一种基于自适应收敛参数的运动目标检测方法 | |
CN114460805A (zh) | 一种基于高通滤波的遮挡物散射成像系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |