Research Development of Infrared Stealth Materials
-
摘要: 随着红外探测技术的迅速发展，如何提高军事目标的红外隐身能力成为一个亟待解决的难题，研究红外隐身材料有着十分重要的意义。本文简要分析了红外隐身材料的隐身机理，综述了低红外发射率材料、控温材料、光子晶体以及智能红外隐身材料等4类红外隐身材料近年来的研究现状，并展望了红外隐身材料未来的发展趋势。Abstract: With the rapid development of infrared detection technology, the improvement of the infrared stealth capability of military targets has become an urgent problem to be solved, so it is of great significance to study infrared stealth materials. This paper briefly analyzes the stealth mechanism of infrared stealth materials, summarizes the research status of four types of infrared stealth materials in recent years, such as low infrared emissivity materials, temperature control materials, photonic crystals, and intelligent infrared stealth materials, and forecasts the future development trend of infrared stealth materials.
-
0. 引言
红外成像技术广泛应用于安防、电力、交通、医疗、科研等领域。红外热像仪是红外热像技术的核心产品，是红外热像技术的重要组成部分，高分辨率的红外热像仪能够提供更加清晰的红外图像，从而更好地满足用户的需求。但与可见光成像技术相比，红外成像技术的图像分辨率较低，原因主要有以下几点：①红外波段的波长相比于可见光波长较长，根据瑞利分辨率准则，较长的波长会导致成像系统空间分辨率降低；②红外探测器的像元尺寸通常较大，这是因为制造过程中需要权衡探测器灵敏度和空间分辨率，较大的像素尺寸会减少单位面积上的像素数量，从而降低空间分辨率；③红外探测器制造过程中可能会遇到更多技术挑战，如非均匀性、材料缺陷、铟柱互连的成功率等，这些问题可能导致成像系统在空间分辨率方面的性能下降。此外，在某些应用中，红外热像仪为了在成本和体积上达到平衡，可能需要选择具有较低空间分辨率的探测器。尽管红外成像技术在空间分辨率方面存在上述挑战，但随着科学技术的不断发展，超分辨率重建技术也应运而生，该方法能够在不增加探测器像元数量的前提下利用算法提升分辨率。
单帧图像超分辨（single-frame image super-resolution, SISR）是指从一幅低分辨率（low resolution, LR）图像中恢复出具有更高分辨率（high resolution, HR）的图像。传统的超分辨率方法主要包括插值方法、基于学习的方法和基于稀疏表示的方法等。然而，这些方法在面对复杂真实场景的红外图像时，往往受到噪声、模糊和退化等因素的影响，性能受限。因此，如何在真实场景中有效地提高红外图像的空间分辨率成为了一个亟待解决的问题。
近年来，卷积神经网络（convolutional neural networks, CNN）在图像处理领域，尤其是可见光图像超分辨率上，取得了令人瞩目的成果[1-6]。这些基于深度学习的超分辨率方法能够有效地从众多的训练样本中学习图像的高阶特征，从而显著提升图像的空间分辨率。尽管大部分现有方法主要针对可见光图像，但也有一些研究尝试将深度学习应用于红外图像超分辨率[7-15]。然而，这些红外超分方法在实际应用中并未达到预期效果。这暗示在真实场景下，红外图像超分辨率重建的深度学习方法仍然存在较大的优化空间。
本文针对真实场景下的红外图像超分辨率重建问题，提出了一种基于深度学习的方法。该研究的主要贡献可以归纳为以下两个方面：
1）构建了红外图像退化模型，模拟真实场景下的红外图像退化。利用此模型生成了模拟真实场景的红外图像训练数据集，确保处理各种真实退化情况。
2）提出了一个融合了通道注意力[16]与密集连接[17]的网络结构。此结构旨在增强特征提取及图像重建能力，从而有效地对真实场景下的低分辨率图像进行超分辨率重建。
1. 相关工作
1.1 基于深度学习的超分辨率重建
在深度学习领域，超分辨率重建常被建模为一个端到端的监督学习任务。利用低分辨率（low resolution, LR）图像和其对应的高分辨率（high resolution, HR）图像作为训练数据，目标是确定一个非线性映射，也被称为模型，此模型旨在将LR图像映射到HR图像。训练中使用的损失函数用于度量模型输出与实际HR图像之间的偏差。此损失函数可以基于像素（例如均方误差损失或L1损失）或基于感知（例如感知损失）。通过最小化损失函数，可以逐步优化模型，使其能够将LR图像重建为更高质量的HR图像。因此，超分辨率重建问题可以被建模为以下优化问题：
$$ {\theta ^*} = \arg \mathop {\min }\limits_\theta L\left( {f\left( {{I_{{\text{LR}}}};\theta } \right), {L_{{\text{HR}}}}} \right) $$ (1) 式中：L为损失函数；f为模型；θ为模型中的参数；ILR代表LR图像；IHR代表HR图像。
目前，CNN在可见光图像超分辨率重建领域展现出了很好的性能，各种深度学习方法的发展，如SRCNN（super-resolution convolutional neural network）[3]、ESPCN（efficient sub-pixel convolutional neural network）[4]、EDSR（enhanced deep super-resolution network）[5]、ESRGAN（enhanced super-resolution generative adversarial network）[6]等，为可见光图像超分辨率问题提供了丰富的解决方案。SRCNN作为第一个成功应用于超分辨率问题的CNN模型，其优点在于采用三层网络结构来从LR图像中学习复杂的非线性映射关系以重建HR图像，但其网络结构较为简单，可能无法获取图像的深层次特征。ESPCN进一步优化了性能和计算效率，它主要在LR空间中执行计算，大大降低了运算量，然后通过亚像素卷积层，将多通道LR特征图直接排列得到HR图像，避免了在HR空间上的昂贵计算，但它可能在处理某些复杂图像时效果不理想。而EDSR和ESRGAN则利用了更深层次的网络结构和新的技术如残差学习和GANs，以提取更精细的图像特征并生成更清晰的高分辨率图像，虽然这两种方法能够产生高质量的结果，但由于网络深度和复杂度较高，需要较大的计算资源和处理时间。
在红外图像超分辨率重建领域，许多研究团队提出了各种方法和技术。这些方法大致可归为以下类：
1）提升计算效率的方法
Sun等人[7]提出了一种基于缩放机制的快速红外图像超分辨率方法，旨在克服现有方法在速度和精度上的性能限制。该方法引入了一种反卷积层和池化层相结合的缩放机制，大大减少了计算复杂度。Oz等人[10]的方法主要在LR域内完成大部分计算，聚合网络中每层的结果以实现更好的信息流。其所采用的深度可分离卷积，只需大约300 k次乘积累加计算，进一步降低计算复杂度。
2）提升模型特征提取和重建能力的方法
Suryanarayana等人[8]针对低密度焦平面阵列的红外成像系统，设计了一种基于多尺度显著性检测和深度小波残差学习的超分辨率技术。该方法整合显著性特征图到LR图像的高频子带中，然后通过深度卷积神经网络学习得到的残差进行融合。Zou等人[11]提出了一种基于跳跃连接的卷积神经网络的红外图像超分辨率重建方法。该方法引入全局残差学习和局部残差学习，降低了计算复杂性并加速了网络收敛。李方彪等人[12]提出了一种基于生成对抗网络的多帧红外图像超分辨率重建方法。其针对GAN（Generative Adversarial Network）在图像重建后可能出现的过度平滑和缺乏高频细节信息的问题，对LR图像序列进行运动补偿，利用权值表示卷积层对补偿后的图像序列进行权值转换计算。胡蕾等人[14]设计了一种改进的SRGAN算法来提高红外图像的分辨率。该改进包括在生成网络中使用密集残差网络获取各网络层提取的图像特征以保留图像的更多高频信息。
3）结合其他先验知识进行优化的方法
Yao等人[9]提出了一种基于判别字典和深度残差网络的红外图像超分辨率方法。该方法结合了压缩感知和深度学习的优点，引入了一种判别字典学习方法，通过这种方式从训练数据集中学习一个共享的子字典和一系列特定的子字典，以更精确地表达每个图像的特征。魏子康等人[13]提出了一种改进的深度复合残差网络模型。该模型改进了原有的残差块，充分利用残差块内部的所有卷积层特征信息，提高生成图像的质量。同时，采用迁移学习的方法，在深度网络结构中增强图像特征信息，使模型性能更稳定。邱德粉等人[15]提出了一种新的神经网络模型，该模型使用HR可见光图像引导红外图像进行超分辨率重建。该方法通过基于引导Transformer的信息引导与融合方法，从HR可见光图像中搜索相关纹理信息，并将这些相关纹理信息与LR红外图像的信息融合，生成合成特征。然后通过超分辨率重建子网络对这个合成特征进行处理，得到最终的超分辨率红外图像。
虽然这些方法在实验数据上展现了一定的性能，但它们在真实场景下的适应性还有待进一步探讨。考虑到超分辨率技术面临的挑战，这些方法在处理真实世界数据时可能会遇到如噪声干扰、数据差异和模型过拟合等问题。未来研究的方向应在提高这些方法在实际场景中的泛化能力。
1.2 退化模型
在基于深度学习的图像超分辨率重建中，为了弥补数据的不足和提高模型的泛化能力，研究人员通常会借助于退化模型合成LR图像。退化模型描述了HR图像在经受各种影响，如模糊、噪声和下采样等因素后，退化为LR图像的过程。式(2)是超分辨率重建研究中常用的经典退化模型：
$$ I_{\mathrm{LR}}=\left(I_{\mathrm{HR}} \otimes k\right) \downarrow _\mathrm{s}+n $$ (2) 式中：×代表模糊操作；k代表模糊核（通常采用各向同性的高斯模糊核）；↓s代表下采样（通常采用双三次差值）；n代表噪声（通常采用高斯白噪声）。
尽管上述经典退化模型对于某些情况有一定的效果，它们可能在面对某些真实场景的复杂退化现象时表现不足，例如面对红外图像传感器产生的噪声和由于移动引起的模糊。为了更有效地恢复红外图像的细节，有必要采纳或设计更为细致和贴近实际的退化模型。近些年，许多专注于可见光超分辨率的研究者也意识到这一点，开始探索更为精细的退化模型以优化图像细节的恢复。
Zhang等人[18]提出了一个由随机打乱的模糊、下采样和噪声退化组成的退化模型。该模型中，模糊核从各向同性和各向异性高斯模糊核中随机选取，下采样是通过从最近、双线性和双三次插值中随机选择的方式实现，而噪声则是通过添加不同噪声等级的高斯噪声、不同质量因子的JPEG压缩来模拟。
考虑到图像可能会经过多次编辑、传输处理，为了更好地模拟该类退化，Wang等人[19]提出了高阶退化模型。该模型不同于传统的一阶退化模型仅进行一次处理，而是进行多次重复处理，以更好地模拟实际环境中的各种图像退化。虽然这个改进的高阶退化过程并不能完全覆盖真实世界中的所有退化情况，但它确实扩大了超分辨率方法所能解决的退化边界。
虽然上述两个模型在模拟退化过程中考虑了全谱的退化类型，但却忽略了许多在真实世界中常见的特殊情况。为了解决这个问题，Zhang等人[20]提出了统一门控退化模型，可以通过随机门控制器生成广泛的退化情况，包括经典退化和复杂退化，以及许多其他特殊情况。
总体而言，这些模型都在模拟真实世界退化的准确性和完备性方面做出了一定的进步，为当前的超分辨率研究提供了宝贵的参考。值得注意的是，尽管这些研究主要集中在可见光领域，但红外图像与可见光图像在某些退化方面存在相似性。因此，结合并引入这些先进的退化模型至红外超分辨率领域或许能为真实场景下的红外图像超分辨率重建提供新的思路和方向。
2. 面向真实场景的红外图像超分辨率重建
2.1 红外图像退化模型
为了准确地模拟红外图像的退化，并克服经典退化模型的局限性，本文提出了一种更加接近实际情况的退化模型，如图 1所示。本模型综合了二阶退化模型[19]与门控退化模型[20]的先进研究成果，全面考虑了影响红外成像质量的各种因素。与常规模型相比，所提出的退化模型不仅涵盖了如高斯模糊和高斯白噪声这类常见退化因子，还创新地引入了散粒噪声、盲元、运动模糊等更复杂的退化情况，从而更全面地再现了红外图像在实际应用中的退化特性。
本文所提出的退化模型可描述为下式：
$$ I_{\mathrm{LR}}=D^2\left(I_{\mathrm{HR}}\right)=(D \circ D)\left(I_{\mathrm{HR}}\right) $$ (3) $$ D=\sigma_g\left(D_1\right) \circ \sigma_g\left(D_2\right) \circ \cdots \circ \sigma_g\left(D_{\mathrm{m}}\right) $$ (4) $$ {\sigma _g}\left( {{D_i}} \right) = \left\{ {\begin{array}{*{20}{c}} {{D_i}, \quad g = 1} \\ {I, \quad g = 0} \end{array}} \right. $$ (5) 式中：D表示一阶退化；D2表示二阶退化；Di表示第i个退化因子，且Di∈{Db, Dr, Dn, Dj}，Db、Dr、Dn和Dj分别代表模糊、缩放、噪声和JPEG压缩；I表示恒等变换；σg表示门控激活函数，g为服从二项分布B(1, 0.5)的随机变量（即，每个退化因子有一半的概率不进行任何处理）。通过将退化操作应用两次，可以模拟各种可能的退化组合，从而获得更为多样化的LR图像。接下来将介绍每个退化因子的细节。
1）模糊（Db）：模糊操作主要用于模拟成像过程中的光学模糊现象，如失焦、运动模糊等。本文采用的模糊核从高斯模糊核、广义高斯模糊核和台形模糊核中随机选取，这些模糊核的概率密度函数分别为：
$$ {k_{\text{G}}}\left( {i, j} \right) = \frac{1}{N}\exp \left( { - \frac{1}{2}{{\boldsymbol{x}}^{\text{T}}}{{\boldsymbol{\varSigma}} ^{ - 1}}{\boldsymbol{x}}} \right) $$ (6) $$ {k_{{\text{GG}}}}\left( {i, j} \right) = \frac{1}{N}\exp {\left( { - \frac{1}{2}{{\boldsymbol{x}}^{\text{T}}}{{\boldsymbol{\varSigma}} ^{ - 1}}{\boldsymbol{x}}} \right)^\beta } $$ (7) $$ {k_{\text{T}}}\left( {i, j} \right) = \frac{1}{N}\frac{1}{{1 + {{\left( {{{\boldsymbol{x}}^{\text{T}}}{{\boldsymbol{\varSigma}} ^{ - 1}}{\boldsymbol{x}}} \right)}^\beta }}} $$ (8) 式中：N是归一化因子；Σ是协方差矩阵；x＝[i, j]T是像素坐标；β是形状控制参数。协方差矩阵Σ可以进一步表示为：
$$ {\boldsymbol{\varSigma}} = \left[ {\begin{array}{*{20}{c}} {\cos \theta }&{ - \sin \theta } \\ {\sin \theta }&{\cos \theta } \end{array}} \right]\left[ {\begin{array}{*{20}{c}} {\sigma _1^2}&0 \\ 0&{\sigma _2^2} \end{array}} \right]\left[ {\begin{array}{*{20}{c}} {\cos \theta }&{\sin \theta } \\ { - \sin \theta }&{\cos \theta } \end{array}} \right] $$ (9) 式中：σ1和σ2是模糊核沿水平和垂直两个方向的标准差；θ是旋转角度。实验中，选取高斯模糊、广义高斯模糊和台形模糊的概率分别为0.7、0.15和0.15；模糊核的大小从{3, 5, 7, …, 21}中随机选取；标准差σ1和σ2从均匀分布U[0.2, 3]中随机采样；旋转角θ从均匀分布U[0, π]中随机采样；对于广义高斯模糊和台形模糊，形状参数β分别从均匀分布U[0.5, 4]和U[1, 2]中随机采样。
2）缩放（Dr）：在退化模型的构建中，缩放操作是关键步骤。不同于其他方法仅进行单次下采样直接达到目标尺寸，本文采用的二阶退化模型允许图像在第一次缩放时进行随机的下采样或上采样，随后在第二次缩放时再调整至目标尺寸。实验中，缩放过程通过插值方法实现，插值算法将从线性插值、双三次插值和面积插值中等概率选取；第一次缩放的缩放因子从均匀分布U[0.2, 2]中随机采样。
3）噪声（Dn）
噪声是红外图像成像过程中不可避免的影响因素。在真实场景下，图像噪声的分布可能远比高斯白噪声更复杂，如散粒噪声、盲元、热噪声等。因此，本文采用泊松分布、柯西分布和高斯分布进行模拟，这些噪声模型可分别描述为：
$$ \left(I_{\mathrm{LR}}=I_{\mathrm{HR}}+N_{\mathrm{p}}\right) \sim P\left(I_{\mathrm{HR}}\right) $$ (10) $$ I_{\mathrm{LR}}=I_{\mathrm{HR}}+N_{\mathrm{c}}, N_{\mathrm{c}} \sim \mathrm{C}(0, \gamma) $$ (11) $$ I_{\mathrm{LR}}=I_{\mathrm{HR}}+N_{\mathrm{n}}, \quad N_{\mathrm{n}} \sim N\left(0, \sigma^2\right) $$ (12) 式中：Np、Nc和Nn分别表示泊松噪声、柯西噪声和高斯噪声；P、C和N分别为其对应的分布。实验中，选取不同类型噪声的概率均为1/3；高斯噪声的标准差σ从均匀分布U[1, 30]中随机采样；柯西噪声的参数γ从均匀分布U[0.1, 1]中随机采样。
4）JPEG压缩（Dj）：JPEG压缩是一种广泛应用于图像存储和传输的有损压缩算法。在实际应用中，由于存储空间和传输带宽的限制，红外图像往往需要进行压缩。然而，JPEG压缩过程可能导致图像细节丢失和压缩伪影产生。为了模拟这种退化效果，本文在生成LR红外图像时引入了JPEG压缩操作。实验中，压缩质量因子从{30, 31, 32, …, 95}中随机选取，以模拟不同压缩程度下的图像质量损失。
通过对上述退化因子随机地处理或不处理，以及对其参数随机地设置，可以实现一个全面而复杂的图像退化模拟。通过这种方式，可以生成大量的LR-HR图像对，用于训练超分辨率网络，以提高其在处理真实世界LR图像时的性能。
2.2 网络结构
本文提出的超分辨率重建网络采用了通道注意力[16]和密集连接[17]相结合的复合网络结构，旨在充分提取和利用LR红外图像中的特征信息，以实现高质量的超分辨率重建，如图 2所示。网络结构分为3个主要模块：浅层特征提取、深层特征提取和重建。
![]()
图 2 红外图像超分辨率重建网络结构Figure 2. Structure of infrared image super-resolution reconstruction network1）浅层特征提取：该模块仅包含一个3×3卷积层，对输入的LR红外图像进行初步特征提取，能够捕捉图像中的基本纹理和边缘信息，为后续的特征提取和重建过程提供基础。本模块可由下式表示：
$$ F_0=H_{\mathrm{SF}}\left(I_{\mathrm{LR}}\right) $$ (13) 式中：HSF表示浅层特征提取模块；ILR∈$ \mathbb{R}^{1{\times} h{\times} w}$为LR红外图像；F0∈$ \mathbb{R}^{d{\times} h{\times} w} $为浅层特征提取得到的特征图。
2）深层特征提取：在浅层特征提取的基础上，网络进一步通过多个相同的RCADB（residual channel attention dense block）模块（如图 2(b)所示）和一层卷积层进行深层特征提取。每个RCADB模块包含了3个相同的CADB（channel attention dense block）模块（如图 2(c)所示），并引入了残差连接，使网络更好地学习高频细节信息。CADB模块整合了通道注意力机制、密集连接结构和局部残差连接，旨在获取更为丰富的层次特征。通道注意力机制能自适应地为不同通道的特征分配权重，从而强化关键信息并提升网络的表达能力。而密集连接结构则有益于梯度传播和特征重用的增强，使网络能更为有效地捕捉图像中的复杂信息。为进一步提升特征提取效果，整个深层特征提取模块还加入了全局残差连接，使得浅层特征能够直接与深层特征融合，从而增强整个网络的学习能力。通过深层特征提取，网络得以捕捉LR红外图像中的高级语义信息，为后续的重建过程提供更为丰富的特征支持。本模块可由下式表示：
$$ {F_i} = {H_{{\text{RCAD}}{{\text{B}}_i}}}\left( {{F_{i - 1}}} \right), \quad i \in \left\{ {1, 2, \cdots , n} \right\} $$ (14) $$ F_{\mathrm{D}}=F_0+H_{\text {Conv }}\left(F_{\mathrm{n}}\right) $$ (15) 式中：$ {H_{{\text{RCAD}}{{\text{B}}_i}}} $表示第i个RCADB模块；HConv表示卷积层；FD∈$ \mathbb{R} ^ {d\times h\times w}$为深层特征提取得到的特征图。
3）重建：在完成浅层和深层特征提取后，网络将这些特征信息进行融合和上采样，以生成SR红外图像。在重建过程中，网络采用了上采样接卷积层的结构，以逐步提高图像分辨率。通过这一阶段的操作，网络最终实现对LR红外图像的高质量超分辨率重建。本模块可由式(16)表示：
$$ I_{\mathrm{SR}}=H_{\mathrm{REC}}\left(F_{\mathrm{D}}\right) $$ (16) 式中：HREC表示重建模块；ISR∈$\mathbb{R}^{1 \times H {\times W}}$为输出的SR红外图像。
综上所述，本文提出的通道注意力和密集连接相结合的复合网络结构充分利用了LR红外图像中的特征信息，实现了高质量的SR图像重建。
3. 实验与结果分析
3.1 数据集说明
训练数据来自艾睿红外开源数据平台，该平台提供了大量红外图像，涵盖了多种场景和目标。为方便批处理，裁切为224×224大小，总共91776张图像。
测试数据为南京理工大学开源的红外图像数据集（700张图像）以及笔者使用热像仪采集的红外图像数据（100张图像）。这两个测试数据集包含了不同的场景和环境条件，有助于评估网络在真实场景下的泛化能力。
3.2 网络结构参数说明
本节将详细介绍第2.2节所提出的红外图像超分辨率重建网络的参数。浅层特征提取模块为一个3×3卷积层，该卷积层输入通道为1，输出通道为64。深层特征提取模块中RCADB模块数设置为3；该模块最后的卷积层核大小为3×3，输入输出通道均为64。RCADB模块中包含3个结构相同的CADB模块，CADB模块中的密集连接和通道注意力结构的参数如表 1和表 2所示。重建模块的参数如表 3所示，上采样层采用的方法为最近邻插值。
表 1 CADB模块中的密集连接结构参数Table 1. Parameters of the densely connected structure in the CADB moduleLayer type Kernel size Input channels Output channels Activation function Conv1 3×3 64 16 PReLU Conv2 3×3 80 16 PReLU Conv3 3×3 96 16 PReLU Conv4 3×3 112 16 PReLU Conv5 3×3 128 64 - 表 2 CADB模块中的通道注意力结构参数Table 2. Parameters of the channel attention structure in the CADB moduleLayer type Kernel size Input channels Output channels Activation function Conv1 3×3 64 16 GELU Conv2 3×3 16 64 - Pooling 1×1 64 64 - Conv3 1×1 64 4 ReLU Conv4 1×1 4 64 Sigmoid 表 3 重建模块参数Table 3. Parameters of the reconstruction moduleLayer type Kernel size Input channels Output channels Activation function Conv1 3×3 64 64 LReLU Conv2 3×3 64 32 LReLU Conv3 3×3 32 16 LReLU Conv4 3×3 16 1 - 3.3 训练说明
实验采用PyTorch框架实现，并在NVIDIA V100 GPU上进行训练。损失函数采用L1损失，优化器为Adam，初始学习率设置为2×10－4，同时利用学习率衰减策略进行调整。在模型训练过程中，批量大小设置为32，epoch设置为50。
如图 3所示，训练时首先将HR图像输入至退化模型处理得到LR图像，然后利用LR-HR图像对训练超分辨网络。
3.4 客观评价指标说明
在超分辨率重建研究中，常用的评价指标为PSNR（peak signal-to-noise ratio）和SSIM（structural similarity）。PSNR主要测量待评价图像与参考图像之间的像素差异的均方误差，SSIM则是从亮度、对比度和结构3方面进行衡量。随着新算法的不断涌现，图像超分的性能不断提升，而PSNR和SSIM与主观感知质量之间的一致性却逐渐降低。这是因为，这两种指标主要强调像素级的相似性，无法充分反映人眼的视觉感知。研究表明，在以人眼感知为导向的图像处理领域，PSNR和SSIM这类指标衡量的图像失真程度与人们实际感知到的图像质量往往存在矛盾[22-24]。此外，PSNR和SSIM在评估过程中需要原始HR图像作为参考，但在许多实际应用场景中，获取原始HR图像并不可行，进一步限制了这些指标的应用范围。
基于上述考虑，本文采用了无参考图像质量评估指标，包括NIQE（natural image quality evaluator）[25]、BRISQUE（blind/referenceless image spatial quality evaluator）[26]和PI（perceptual index）[27]，以更全面地评估超分辨率重建效果。NIQE通过对一系列高质量自然图像的统计特征进行学习，创建了一个特征库。评估时，它计算待评估图像的特征，并与该特征库进行比较，从而计算出质量分数。BRISQUE采用类似的方法，但专注于图像的空间质量评估。PI则结合了多种视觉感知指标，提供了一个综合性的图像质量评分。对于上述3种评价方法，越低的分数代表着更高的感知质量。
3.5 消融实验
为验证退化模型的有效性，首先进行了消融实验。该实验中引入了Ours-ND（no degradation）版本，这是一个未采用退化模型的变体。在Ours-ND中，通过简单的下采样直接从HR图像生成LR图像，旨在探究退化模型在红外图像超分辨率任务中的作用和影响。
表 4和图 4所展示的消融实验结果共同表明，本文所提方法在2×和4×倍超分辨率下明显优于未采用退化模型的变体。尤其在图 4中对比展示的2×倍超分结果中，加入退化模型后，生成的图像不仅更加均匀，还显著消除了噪点。这些结果强调了复杂退化模型在提升红外图像超分辨率质量中的关键作用，并展现了其在实际红外图像处理中的有效性和实用性。
表 4 不同超分倍数下本文方法与无退化模型变体的无参考图像质量评价指标比较Table 4. Comparison of no-reference image quality assessment metrics between our method and the no degradation variant at different scaling scalesScale Methods BRISQUE NIQE PI 2× Ours-ND 37.84 6.494 6.892 Ours 20.902 4.800 5.167 4× Ours-ND 46.208 6.931 7.692 Ours 28.480 5.628 5.384 ![]()
图 4 本文方法与无退化模型变体的2×超分结果对比Figure 4. Comparison of 2× super-resolution results between our method and the no degradation variant3.6 对比实验
为全面验证所提方法在真实场景下红外图像超分辨率任务中的有效性，进行了与多种先进超分辨率方法的对比。包括专门针对红外图像的超分辨率方法，如Oz等人[10]提出的方法（Oz）和Zou等人[11]提出的方法（Zou），以及在可见光领域广泛应用的方法，例如SRCNN[3]、ESRGAN[6]和SwinIR[21]。
表 5所示的对比实验结果突显了本文方法在真实场景下不同超分倍数下的显著优势。通过与现有先进超分辨率方法比较，本文方法在无参考图像质量评价指标BRISQUE、NIQE和PI上均展现出优秀的性能。
表 5 不同超分倍数下本文方法与其他超分辨率方法在无参考图像质量评价指标上的比较Table 5. Comparison of no-reference image quality assessment metrics between our method and other super-resolution methods at different scaling factorsScale Methods BRISQUE NIQE PI 2× SRCNN 35.298 6.375 6.800 ESRGAN 26.559 5.139 6.206 SwinIR 34.998 5.515 6.381 Oz 39.161 6.483 6.954 Zou 40.697 6.116 6.750 Ours 20.902 4.800 5.167 4× SRCNN 53.581 6.758 7.321 ESRGAN 31.071 5.835 6.982 SwinIR 55.269 6.577 7.225 Oz 53.088 7.313 7.651 Zou 63.166 8.162 8.023 Ours 28.480 5.628 5.384 在主观评价层面，图 5~图 8中各场景下的超分辨率图像对比明显，展示了本研究方法的优势。所生成的超分辨率图像中的边缘更为锐利，如图 5和图 7中窗户边框的清晰展现，这对于增强红外图像的清晰度和细节表现至关重要。同时，本研究所生成的图像显得更自然，纹理细节更加丰富，如图 6中瓦片的细腻纹理。此外，与其他方法相比，本研究的方法在消除图像噪声和减少模糊效应方面表现更为卓越，例如图 8中整体图像的平滑度以及噪点几乎完全消除，同时保留了原始的纹理信息。这一效果得益于退化模型中对模糊和噪声等因子的有效利用，使得所提出的网络能够有效地去除模糊并消除噪声。这些优势不仅提升了图像的整体视觉质量，也在真实场景下的红外图像处理中展现了其实用性和高效性。
![]()
图 5 不同方法在场景1下2×倍超分结果对比Figure 5. Comparison of 2× super-resolution results under scene 1 using different methods![]()
图 6 不同方法在场景2下2×倍超分结果对比Figure 6. Comparison of 2× super-resolution results under scene 2 using different methods![]()
图 7 不同方法在场景3下4×倍超分结果对比Figure 7. Comparison of 4× super-resolution results under scene 3 using different methods![]()
图 8 不同方法在场景4下4×倍超分结果对比Figure 8. Comparison of 4× super-resolution results under scene 4 using different methods因此，综合以上客观和主观评价结果，可以进一步证明本文提出的方法在红外图像超分辨率领域的应用潜力和实际效果。
4. 结论
本研究针对真实场景下的红外图像超分辨率重建问题，提出并验证了一种基于深度学习的方法。与传统方法相比，本文的主要创新在于构建了一个模拟真实场景退化的模型，并设计了一种结合通道注意力和密集连接的网络结构。通过一系列消融实验和对比实验，验证了所提方法在提升真实场景下低分辨率红外图像的空间分辨率方面的有效性，以及在实际应用场景中的实用性和可靠性。尤其是在去噪和去模糊方面，本文方法展现了明显的优势。
尽管本研究取得了一定的成果，但在真实场景下的超分辨率图像重建仍面临许多挑战。未来的工作将集中于进一步提升模型的泛化能力，减少对大量训练数据的依赖，并探索更有效的方法来处理极端的退化情况。此外，我们也将探讨将本研究的方法应用于其他类型的图像处理任务，例如图像去噪、图像增强等，以验证其在广泛应用场景中的有效性和灵活性。
-
![]()
![]()
![]()
![]()
![]()
![]()
表 1 低红外发射率材料
Table 1 Low infrared emissivity materials
Material types Common materials Preparation methods Characteristics Inorganic Metal powder Au, Ag, Al, Zn, Cu, Ni, et al. Vapor deposition Better electrical conductivity means lower emissivity; easy oxidation; poor compatible stealth performance Doped semiconductor ATO, AZO, ITO, et al. Vapor deposition, magnetron sputtering The infrared emissivity can be adjusted by adjusting the carrier concentration and carrier collision frequency Organic Conducting polymer Polyaniline, polypyrrole, polythiophene, polyacetylene, et al. In-situ polymeri- zation Similar to metals/semiconductors in electrical and optical properties; high infrared reflectivity; poor workability High infrared transparent polymer Polyolefin, rubber, et al. - Simple molecular structure, weak infrared absorption Composite Organic + inorganic - Sol-gel method, blade coating, spray coating Excellent comprehensive performance; many influence factors leading to good adjustability 
下载: 导出CSV
-
[1] 何岷洪. 红外隐身材料的制备及红外发射率性能研究[D]. 太原: 中北大学, 2013. HE Minhong. Preparation and Infrared Emissivity Property of Infrared Camouflage Materials[D]. Taiyuan: North University of China, 2013.
[2] 李冬琳. 低红外发射率橡胶材料的制备及性能研究[D]. 太原: 中北大学, 2014. LI Donglin. Preparation and Properties of Low Infrared Emissivity Rubber Materials[D]. Taiyuan: North University of China, 2014.
[3] 王薇. 低发射率红外隐身材料的制备与应用[D]. 上海: 东华大学, 2015. WANG Wei. Preparation and Application of Low Emissivity Infrared Stealth Materials[D]. Shanghai: Donghua University, 2015.
[4] 许鹏程, 李晓霞, 胡亭. 红外隐身原理及发展[J]. 红外, 2006, 27(1): 16-20. https://www.cnki.com.cn/Article/CJFDTOTAL-HWAI200601005.htm XU P C, LI X X, HU T. Principle and development of infrared stealth technology[J]. Infrared, 2006, 27(1): 16-20. https://www.cnki.com.cn/Article/CJFDTOTAL-HWAI200601005.htm
[5] 付伟. 红外隐身原理及其应用技术[J]. 红外与激光工程, 2002, 31(1): 88-93. DOI: 10.3969/j.issn.1007-2276.2002.01.021 FU W. Principle and application technology of IR stealth[J]. Infrared And Laser Engineering, 2002, 31(1): 88-93. DOI: 10.3969/j.issn.1007-2276.2002.01.021
[6] 叶圣天, 刘朝辉, 等. 国内外红外隐身材料研究进展[J]. 激光与红外, 2015, 45(11): 1285-1291. DOI: 10.3969/j.issn.1001-5078.2015.11.001 YE S T, LIU C H. Research progress of infrared stealth materials[J]. Laser & Infrared, 2015, 45(11): 1285-1291. DOI: 10.3969/j.issn.1001-5078.2015.11.001
[7] Oguchi H, Heilweil E J, Josell D, et al. Infrared emission imaging as a tool for characterization of hydrogen storage materials[J]. Journal of Alloys and Compounds, 2009, 477(1): 8-15. http://www.sciencedirect.com/science/article/pii/S092583880801699X
[8] Dalapati Gk, Kushwaha Ak, Sharma M, et al. Transparent heat regulating (THR) materials and coatings for energy saving window applications: Impact of materials design, micro-structural, and interface quality on the THR performance[J]. Progress in Materials Science, 2018, 95: 42-131. DOI: 10.1016/j.pmatsci.2018.02.007
[9] FAN Q, ZHANG L, XING H, et al. Microwave absorption and infrared stealth performance of reduced graphene oxide-wrapped Al flake[J]. J. Mater Sci: Mater Electron, 2020, 31: 3005-3016. DOI: 10.1007/s10854-019-02844-2
[10] QIN Y S. Laser Absorption and infrared stealth properties of Al/ATO composites[J]. Ceramics International, 2019, 45(11): 14312-4315. DOI: 10.1016/j.ceramint.2019.04.144
[11] Rydzek M, Reidinger M, Arduini-Schuster M, et al. Low-emitting surfaces prepared by applying transparent aluminum-doped zinc oxide coatings via a sol-gel process[J]. Thin Solid Films, 2012, 520(12): 4114-118. DOI: 10.1016/j.tsf.2011.04.105
[12] SUN K W, ZHOU, W C, TANG X F, et al. Application of indium tin oxide (ITO) thin film as a low emissivity film on Ni-based alloy at high temperature[J]. Infrared Physics and Technology, 2016, 78: 156-61. DOI: 10.1016/j.infrared.2016.07.021
[13] 李春华, 齐暑华. 高分子材料在红外隐身中的应用[J]. 国外塑料, 2005(9): 26-30. DOI: 10.3969/j.issn.1002-5219.2005.09.001 LI C H, QI S H. The application of polymer materials in infrared stealth[J]. World Plastics, 2005(9): 26-30. DOI: 10.3969/j.issn.1002-5219.2005.09.001
[14] 于海涛. 导电高分子材料在智能隐身技术中的应用[J]. 上海涂料, 2010, 48(2): 26-29. DOI: 10.3969/j.issn.1009-1696.2010.02.009 YU H T. The application of conductive polymer materials in the field of smart stealth technonogy[J]. Shanghai Coatings, 2010, 48(2): 26-29. DOI: 10.3969/j.issn.1009-1696.2010.02.009
[15] YANG C. Synthesis, infrared and microwave absorbing properties of (BaFe Sub(12)O Sub(19) BaTiO Sub(3))/polyaniline composite[J]. Journal of Magnetism and Magnetic Materials, 2011, 323(7): 933-38. DOI: 10.1016/j.jmmm.2010.11.072
[16] 邵春明, 徐国跃, 郭腾超, 等. 改性聚乙烯作为低红外辐射材料的研究[J]. 红外技术, 2008, 30(7): 412-415. SHAO C M, XU G Y, et al. Study of modified polyethylene used as low infrared radiation material[J]. Infrared Technology, 2008, 30(7): 412-415.
[17] 张伟钢, 徐国跃. 低红外发射率材料研究进展[J]. 红外技术, 2015, 37(5): 361-367. http://hwjs.nvir.cn/article/id/hwjs201505002 ZHANG W G, XU G Y. Research progress of low infrared emissivity materials[J]. Infrared Technology, 2015, 37(5): 361-367. http://hwjs.nvir.cn/article/id/hwjs201505002
[18] 谢国华, 吴瑞彬, 吴伶芝. 红外隐身材料的现状与展望[J]. 宇航材料工艺, 2001(4): 5-10. DOI: 10.3969/j.issn.1007-2330.2001.04.002 XIE G H, WU R B, WU L Z. Status and development of study on infrared stealthy materials[J]. Aerospace Materials & Technology, 2001(4): 5-10. DOI: 10.3969/j.issn.1007-2330.2001.04.002
[19] 张帆, 王建营, 杜海燕, 等. 红外隐身涂料研究进展[J]. 化学与粘合, 2004(2): 87-91. DOI: 10.3969/j.issn.1001-0017.2004.02.011 ZHANG F, WANG J Y, DU H Y, et al. Development of IR camouflage coating research[J]. Chemistry And Adhesion, 2004(2): 87-91. DOI: 10.3969/j.issn.1001-0017.2004.02.011
[20] 崔锦峰, 马永强, 杨保平, 等. 红外隐身材料的研究现状及发展趋势[J]. 表面技术, 2010, 39(6): 71-74. DOI: 10.3969/j.issn.1001-3660.2010.06.020 CUI J F, MA Y Q, YANG B P, et al. Research situation and development trend of infrared stealth materials[J]. Surface Technology, 2010, 39(6): 71-74. DOI: 10.3969/j.issn.1001-3660.2010.06.020
[21] ZHANG B. Low infrared emissivity of the Cr39Ni7C/inorganic silicate coatings with excellent heat-resistant[J]. Infrared Physics & Technology, 2018, 92: 234 -239. http://www.sciencedirect.com/science/article/pii/S1350449518302354
[22] 程从亮. 8~14 μm低发射率红外隐身涂料研究[D]. 南京: 南京工业大学, 2005. [23] LE Y, WENG X L. Influence of binder viscosity on the control of infrared emissivity in low emissivity coating[J]. Infrared Physics and Technology, 2013, 56: 25-29. DOI: 10.1016/j.infrared.2012.09.004
[24] LIU Z H, BAN G D, YE S T, et al. Infrared emissivity properties of infrared stealth coatings prepared by water-based technologies[J]. Optical Materials Express, 2016, 6(12): 3716-724. DOI: 10.1364/OME.6.003716
[25] HE Y. Preparation and properties of EPDM-based composite coatings with low infrared emissivity[J]. Journal of Energy Engineering, 2016, 142(4): 04016011. DOI: 10.1061/(ASCE)EY.1943-7897.0000349
[26] YU Huijuan. Effects of size, shape and floatage of Cu particles on the low infrared emissivity coatings[J]. Progress in Organic Coatings, 2009, 66(2): 161-66. DOI: 10.1016/j.porgcoat.2009.07.002
[27] 叶圣天, 成声月. 8~14 μm波段水性红外隐身涂料研究[J]. 红外与激光工程, 2016, 45(2): 71-76. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ201602012.htm YE S T, CHENG S Y. Water-based infrared stealth coating in 8-14 μm wavebands[J]. Infrared and Laser Engineering, 2016, 45(2): 71-76. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ201602012.htm
[28] TAN W M, WANG L F, YU F, et al. Preparation and characterization of a Greenish yellow lackluster coating with low infrared emissivity based on Prussian blue modified aluminum[J]. Progress in Organic Coatings, 2014, 77(7): 1163-168. DOI: 10.1016/j.porgcoat.2014.04.003
[29] 李冬琳, 刘亚青, 张志毅, 等. 改性铝粉在天然胶乳隐身涂层中的应用与研究[J]. 中国胶粘剂, 2014, 23(4): 29-32. https://www.cnki.com.cn/Article/CJFDTOTAL-GXLJ201404014.htm LI D L, LIU Y Q, ZHANG Z Y, et al. Study on modified aluminum powder and its application in natural rubber latex invisibility coating[J]. China Adhesives, 2014, 23(4): 29-32. https://www.cnki.com.cn/Article/CJFDTOTAL-GXLJ201404014.htm
[30] SHAO C M, XU G Y, SHEN X M, et al. Infrared emissivity and corrosion-resistant property of maleic anhydride grafted ethylene -propylene-diene terpolymer(EPDM-g-MAH)/Cu coatings[J]. Surface & Coatings Technology, 2010, 204(24): 4075-080.
[31] CHUH T, ZHANG Z C, LIU Y J, et al. Silver particles modified carbon nanotube paper/glass fiberre in forced polymer composite material for high temperature infrared stealth camouflage[J]. Carbon, 2016, 98: 557-66. DOI: 10.1016/j.carbon.2015.11.036
[32] YU H J. Low infrared emissivity of polyurethane/Cu composite coatings[J]. Applied Surface Science 2009, 255(12): 6077-081. DOI: 10.1016/j.apsusc.2009.01.019
[33] Larciprete M C, Paoloni S, Orazi N, et al. Infrared emissivity characterization of carbon nanotubes dispersed poly(ethylene terephthalate) fibers[J]. International Journal of Thermal Sciences, 2019, 146: 106109. DOI: 10.1016/j.ijthermalsci.2019.106109
[34] 杨震, 卿宁. 隔热材料的研究现状及发展[J]. 化工新型材料, 2011, 39(5): 21-24. DOI: 10.3969/j.issn.1006-3536.2011.05.007 YANG Z, QING N. Current state for research and development of thermal insulating materials[J]. New Chemical Materials, 2011, 39(5): 21-24. DOI: 10.3969/j.issn.1006-3536.2011.05.007
[35] 费逸伟, 黄之杰, 刘芳, 等. 聚合物微球--新型热红外涂料用填料性能研究[J]. 材料科学与工程学报, 2003, 21(2): 270-273. DOI: 10.3969/j.issn.1673-2812.2003.02.030 FEI Y W, HUANG Z J, LIU F, et al. Research for polymer's tiny particle——a new type ingredient used for thermal infrared coating[J]. Journal of Materials Science And Engineering, 2003, 21(2): 270-273. DOI: 10.3969/j.issn.1673-2812.2003.02.030
[36] 吕晓猛, 刘祥萱. 空心微珠基红外低发射率材料研究[J]. 红外技术, 2008, 30(3): 143-145. DOI: 10.3969/j.issn.1001-8891.2008.03.006 LV X M, LIU X X. Study on hollow particles based low infrared emissivity material[J]. Infrared Technology, 2008, 30(3): 143-145. DOI: 10.3969/j.issn.1001-8891.2008.03.006
[37] 徐凛, 姜勇刚, 冯军宗, 等. 纤维增强Al2O3-SiO2气凝胶隔热复合材料的制备和耐温隔热性能[J]. 南京工业大学学报: 自然科学版, 2020(4): 461-466. https://www.cnki.com.cn/Article/CJFDTOTAL-NHXB202004003.htm XU L, JIANG Y G, FENG J Z, et al. Preparation and heat-resisting and insulating properties of fiber-reinforced Al2O3-SiO2 aerogels insulation composites[J]. Journal of Nanjing Tech University: Natural Science Edition, 2020(4): 461-466. https://www.cnki.com.cn/Article/CJFDTOTAL-NHXB202004003.htm
[38] LIANG F R, LIU W J, HAN X X, et al. Improving anti-infrared radiation and heat insulation by potassium hexatitanate whisker-doped Al2O3-SiO2composite xerogel[J]. Royal Society Open Science, 2018, 12(5): 180787 -180787. http://www.zhangqiaokeyan.com/academic-journal-foreign-pmc_royal-society-open-science_thesis/040002342086.html
[39] ZHANG X, ZHAO X Y, XUE T T, et al. Bidirectional anisotropic polyimide/bacterial cellulose aerogels by freeze-drying for super-thermal insulation[J]. Chemical Engineering Journal, 2020, 385: 123963. DOI: 10.1016/j.cej.2019.123963
[40] 费逸伟, 李广平, 李争鸣, 等. 相变材料及其在热红外伪装领域的应用研究[J]. 红外技术, 2007, 29(6): 328-332. DOI: 10.3969/j.issn.1001-8891.2007.06.005 FEI Y W, LI G P, LI Z M, et al. Phase change materials and its application in thermal infrared camouflage[J]. Infrared Technology, 2007, 29(6): 328-332. DOI: 10.3969/j.issn.1001-8891.2007.06.005
[41] 郭军红, 邵竞尧, 许芬. RAM-相变微胶囊红外微波隐身复合材料[J]. 精细化工, 2017, 34(12): 1350-1355, 1369. https://www.cnki.com.cn/Article/CJFDTOTAL-JXHG201712006.htm GUO J H, SHAOJ Y, XU F. RAM-microencapsulated phase change infrared and microwave stealth composites[J]. Fine Chemicals, 2017, 34(12): 1350-1355, 1369. https://www.cnki.com.cn/Article/CJFDTOTAL-JXHG201712006.htm
[42] LIU Jin. Preparation of a PCM microcapsule with a graphene oxide platelet-patched shell and its thermal camouflage applications[J]. Ind. Eng. Chem. Res. , 2019, 58(41): 19090-19099. DOI: 10.1021/acs.iecr.9b03530
[43] 鄢冬茂. 微胶囊相变材料用于热红外伪装的应用方式和领域[J]. 现代涂料与涂装, 2017, 20(10): 31-34. DOI: 10.3969/j.issn.1007-9548.2017.10.010 YAN D M. Application of microencapsulated phase change material in thermal infrared camouflage[J]. Modern Paint & Finishing, 2017, 20(10): 31-34. DOI: 10.3969/j.issn.1007-9548.2017.10.010
[44] 邵竞尧, 王文华, 姜子燕, 等. 相变微胶囊及其在红外伪装涂层中的应用[J]. 涂料工业, 2017, 47(2): 81-86. https://www.cnki.com.cn/Article/CJFDTOTAL-TLGY201702015.htm SHAO J Y, WNAG W H, JIANG Z Y, et al. Microencapsulated phase change material and its application in infrared camouflage coating[J]. Paint & Coatings Industry, 2017, 47(2): 81-86. https://www.cnki.com.cn/Article/CJFDTOTAL-TLGY201702015.htm
[45] 孟子晖, 张连超, 邱丽莉, 等. 基于光子晶体技术的红外隐身材料研究进展[J]. 兵工学报, 2016, 37(8): 1543-1552. DOI: 10.3969/j.issn.1000-1093.2016.08.029 MENG Z H, ZHANG L C, QIU L L, et al. Research progress on photonic crystal infrared stealth materials technology[J]. Acta Armamentarii, 2016, 37(8): 1543-1552. DOI: 10.3969/j.issn.1000-1093.2016.08.029
[46] 张继魁, 赵大鹏, 汪家春, 等. 基于光子晶体的热红外迷彩[J]. 光学学报, 2016, 36(12): 225-230. https://www.cnki.com.cn/Article/CJFDTOTAL-GXXB201612028.htm ZHANG J K, ZHAO D P, WANG J C. et al. Thermal infrared pattern painting based on photonic crystals[J]. Acta Optica Sinic, 2016, 36(12): 225-230. https://www.cnki.com.cn/Article/CJFDTOTAL-GXXB201612028.htm
[47] 卢仪, 卜小海, 李栋先, 等. 基于光子晶体的红外隐身材料研究进展[J]. 激光与光电子学进展, 2019, 56(8): 3 2-41. https://www.cnki.com.cn/Article/CJFDTOTAL-JGDJ201908003.htm LU Y, BU X H, LI D X, et al. Research progress of infrared stealth materials based on photonic crystals[J]. Laser & Optoelectronics Progress, 2019, 56(8): 32-41. https://www.cnki.com.cn/Article/CJFDTOTAL-JGDJ201908003.htm
[48] 张塬昆, 于名讯, 潘士兵, 等. 光子晶体红外隐身材料研究进展[J]. 激光与红外, 2013, 43(9): 967-971. DOI: 10.3969/j.issn.1001-5078.2013.09.01 ZHANG Y K, YU M X, PAN S B. et al. Development of photonic crystal infrared stealth materials[J]. Laser & Infrared, 2013, 43(9): 967-971. DOI: 10.3969/j.issn.1001-5078.2013.09.01
[49] 刘瑞煌, 赵大鹏, 张继魁, 等. 中远红外隐身光子晶体薄膜的制备及隐身特性[J]. 光学学报, 2018, 38(8): 390-395. https://www.cnki.com.cn/Article/CJFDTOTAL-GXXB201808044.htm LIU R H, ZHAO D P, ZHANG J K, et al. Preparation and characteristics of middle and far infrared stealth of photonic crystal film[J]. Acta Optica Sinica, 2018, 38(8): 390-395. https://www.cnki.com.cn/Article/CJFDTOTAL-GXXB201808044.htm
[50] 彭亮. 选择性低发射率涂层的设计与制备研究[D]. 长沙: 国防科学技术大学, 2015. PENG Liang. Design and Preparation of Selective Low Emissivity Coatings[D]. Changsha: National University of Defense Technology, 2015.
[51] 张海燕. Cf/SiC基体多层近红外反射膜的制备与性能研究[D]. 南京: 东南大学, 2014. ZHANG Haiyan. Preparation and Properties of Near Infrared Multi-Reflecting-Film Based on CF/SiC substrate[D]. Nanjing: Southeast University, 2014.
[52] Kelly. Thermal barrier coatings design with increased reflectivity and lower thermal conductivity for high-temperature turbine applications[J]. International Journal of Applied Ceramic Technology, 2006, 3(2): 81-93. DOI: 10.1111/j.1744-7402.2006.02073.x
[53] DONG Qi, CHENG Yongzhi, et al. Multi-layer composite structure covered polytetra fluoroethylene for visible-infrared-radar spectral compatibility[J]. Journal of Physics D-Applied Physics, 2017, 50: 50. http://adsabs.harvard.edu/abs/2017JPhD...50X5108Q
[54] 程阳. 基本周期对一维复周期光子晶体禁带的影响[J]. 半导体技术, 2011, 36(3): 187-189. DOI: 10.3969/j.issn.1003-353x.2011.03.003 CHENG Y. Effects of basic period of one dimensional biperiodic holographic photonic crystals on the photonic band gap[J]. Semiconductor Technology, 2011, 36(3): 187-189. DOI: 10.3969/j.issn.1003-353x.2011.03.003
[55] ZHANG Weigang, LV Dandan. Preparation and characterization of Ge/TiO2 one-dimensional photonic crystal with low infrared-emissivity in the 8–14 μm band[J]. Materials Research Bulletin, 2020, 124: 110747. DOI: 10.1016/j.materresbull.2019.110747
[56] ZHANG Jikui, LIU Ruihuang, ZHAO Dapeng, et al. Design, fabrication and characterization of a thin infrared-visible bi-stealth film based on one-dimensional photonic crystal[J]. Optical Materials Express, 2019, 9(1): 195 -202. DOI: 10.1364/OME.9.000195
[57] LIU Dongqing. Application of variable infrared-emissivity materials to spacecraft thermal control[J]. Journal of National University of Defense Technology, 2012, 34(2): 145-149. http://en.cnki.com.cn/Article_en/CJFDTOTAL-GFKJ201202031.htm
[58] LANG Fengpei. Review on variable emissivity materials and devices based on smart chromism[J]. International Journal of Thermophysics, 2018, 39(1): 1-20. DOI: 10.1007/s10765-017-2325-4
[59] 路远, 李玉波, 乔亚, 等. 红外发射率控制方法及机理研究[J]. 红外技术, 2008, 30(5): 294-296. DOI: 10.3969/j.issn.1001-8891.2008.05.013 LU Y, LI Y B, QIAO Y, et al. The study on the method and mechanism to control the infrared emissivity[J]. Infrared Technology, 2008, 30(5): 294-296. DOI: 10.3969/j.issn.1001-8891.2008.05.013
[60] LU Yuan. Infrared emissivity modulation technology of WO3 thin film[J]. Infrared Laser Engineering, 2011, 40(7): 1221-1224. http://www.researchgate.net/publication/292789159_Infrared_emissivity_modulation_technology_of_WO_3_thin_film
[61] TU Liangliang. Study on poly-O-anisidine film with the properties of electrochromism and infrared emissivity modulation[J]. Synthetic Metals, 2011, 161: 2045-2048. DOI: 10.1016/j.synthmet.2011.06.032
[62] XIANG Shanshan. Study on the variable color and emissivity properties of Co doped TiO2 under temperature fluctuations[J]. Optical Materials, 2018, 85: 254-60. DOI: 10.1016/j.optmat.2018.08.064
-
期刊类型引用(5)
1. 宋加文，朱大明，左小清，付志涛，陈思静. 一种结合结构与能量信息的全色与多光谱图像融合方法. 红外技术. 2023(07): 696-704 . 
本站查看
2. 刘玉利，王克朝，刘琳. 基于机器学习的多光谱模糊图像降噪方法. 激光杂志. 2022(05): 156-160 . 百度学术
3. 潘绍明. 基于多融合多尺度特征的高光谱图像分类研究. 激光杂志. 2021(02): 110-114 . 百度学术
4. 宗泽雄. 用于水果成熟度无损检测的多光谱技术. 财富时代. 2020(08): 240-241 . 百度学术
5. 徐景秀，张青. 深度学习算法的多光谱图像压缩方法. 激光杂志. 2020(12): 73-77 . 百度学术
其他类型引用(6)
计量
- 文章访问数: 1248
- HTML全文浏览量: 908
- PDF下载量: 510
- 被引次数: 11
