基于近化學(xué)計(jì)量比Mg-Fe-LiNbO3晶體的體全息相關(guān)識(shí)別技術(shù)研究.pdf

1、體全息存儲(chǔ)技術(shù)以其存儲(chǔ)密度高、存儲(chǔ)容量大、數(shù)據(jù)傳輸速率高、數(shù)據(jù)搜索時(shí)間短等優(yōu)勢(shì)成為一種頗具潛力的海量信息存儲(chǔ)技術(shù)。而基于體全息存儲(chǔ)的相關(guān)識(shí)別技術(shù)是一種新興的光學(xué)模式識(shí)別技術(shù)。具有并行性和快速性的特點(diǎn)，在軍事制導(dǎo)及目標(biāo)識(shí)別等方面具有重要的研究?jī)r(jià)值及應(yīng)用前景。本論文以近化學(xué)計(jì)量比 Mg:Fe:LiNbO3晶體為存儲(chǔ)介質(zhì)，在已有的理論和研究基礎(chǔ)上，提出了若干適用于體全息相關(guān)識(shí)別的算法，推進(jìn)體全息識(shí)別系統(tǒng)的實(shí)用化進(jìn)程。
　　目前制約體全息

2、存儲(chǔ)及相關(guān)識(shí)別技術(shù)的關(guān)鍵仍然在于獲取高性能、高質(zhì)量的光折變材料。同成分 LiNbO3晶體難以滿足體全息存儲(chǔ)對(duì)其光折變性能的要求，而且在強(qiáng)光照射下容易發(fā)生光致散射。為此本文利用頂部籽晶法，通過(guò)優(yōu)化晶體生長(zhǎng)的工藝參數(shù)(原料配比、溫場(chǎng)等)，研制出大尺寸、組分均勻、抗光損傷能力強(qiáng)的近化學(xué)計(jì)量比 Mg:Fe:LiNbO3晶體。測(cè)試結(jié)果顯示：晶體中的[Li]/[Nb]比在49.7~49.8％之間，確定了 Mg在晶體中的閾值濃度為2~3mol%之間，

3、提出了摻雜離子的占位模型，晶體的頭尾居里溫度差在2?C以內(nèi)，晶體的抗光損傷能力達(dá)到104W?cm-2，衍射效率超過(guò)60%，響應(yīng)時(shí)間達(dá)到亞秒級(jí)。表明近化學(xué)計(jì)量比 Mg:Fe:LiNbO3晶體具有更好的光學(xué)均勻性和體全息存儲(chǔ)特性，較同成分 LiNbO3晶體有顯著提高，為提高體全息相關(guān)識(shí)別系統(tǒng)的讀出圖像質(zhì)量打下堅(jiān)實(shí)的基礎(chǔ)。
　　為了進(jìn)一步降低體全息相關(guān)識(shí)別系統(tǒng)對(duì)全息圖衍射效率均勻性的要求并提高識(shí)別率，采用基于特征識(shí)別向量的方法進(jìn)行識(shí)別判

4、斷，該方法需要對(duì)相關(guān)峰光斑進(jìn)行自動(dòng)定位。為此，以鄰域熵目標(biāo)檢測(cè)為基礎(chǔ)，提出了一種基于鄰域方差增長(zhǎng)的相關(guān)峰光斑定位算法。首先選擇大小合適的兩鄰域，通過(guò)計(jì)算兩個(gè)鄰域的方差增長(zhǎng)數(shù)值來(lái)而不是熵增長(zhǎng)值來(lái)進(jìn)行目標(biāo)檢測(cè)和定位，同時(shí)解決了鄰域熵進(jìn)行目標(biāo)檢測(cè)受背景亮度影響的問(wèn)題。針對(duì)1024?768像素大小的相關(guān)讀出圖像，算法定位比較準(zhǔn)確，且平均耗時(shí)<4s。
　　針對(duì)大樣本問(wèn)題，提出了基于自適應(yīng)多尺度邊緣的體全息相關(guān)識(shí)別算法，使原始圖像之間的直接相

5、關(guān)轉(zhuǎn)化為特征邊緣之間的相關(guān)，提高了相關(guān)峰的銳度。首先依據(jù)噪聲和邊緣在小波變換域的Lipschitz指數(shù)的差異性，定義多尺度邊緣相關(guān)函數(shù)，對(duì)模極大值點(diǎn)進(jìn)行檢測(cè)；然后依據(jù)類內(nèi)方差最小化這一準(zhǔn)則自適應(yīng)的確定二值化的雙閾值，避免人為因素的干擾。以 AR人臉庫(kù)中圖像作為原始圖像，實(shí)現(xiàn)了1000幅全息圖的存儲(chǔ)與相關(guān)識(shí)別，對(duì)于庫(kù)內(nèi)圖像識(shí)別準(zhǔn)確率達(dá)到了99.50%，對(duì)于500幅庫(kù)外圖像都能夠準(zhǔn)確的判斷為非庫(kù)內(nèi)圖像。
　　提出了一種加權(quán)二維 Fis

6、herface方法對(duì)訓(xùn)練樣本進(jìn)行特征提取和重構(gòu)，來(lái)解決體全息相關(guān)識(shí)別所面臨的小樣本問(wèn)題。算法首先使用二維主成分分析方法對(duì)原始數(shù)據(jù)進(jìn)行壓縮降維，使得壓縮后的信息能夠最大限度的表達(dá)原始輸入信息；然后根據(jù) Fisher準(zhǔn)則在降維后的空間進(jìn)行特征提取，使投影后的模式樣本在新的子空間中類間離散度和類內(nèi)離散度的比值最大，即模式在該空間具有最佳的分離性，從而達(dá)到提取分類信息的效果。最后根據(jù)這些最具分離性的特征和最具表達(dá)性的特征對(duì)原始圖像進(jìn)行重構(gòu)，將原