复杂背景灰度图像下的多特征融合运动目标跟踪

qhzhu

贡献于2016-11-16

字数:0 关键词: 图形/图像处理

第 9卷 第 3期 2016年 6月                  中国光学        ChineseOptics       Vol.9 No.3   Jun.2016   收稿日期:20151123;修订日期:20160118   基金项目:国家自然科学基金资助项目(No.61172111) SupportedbyNationalNaturalScienceFoundationofChina(No.61172111) 文章编号 20951531(2016)03032009 复杂背景灰度图像下的多特征融合运动目标跟踪 江 山,张 锐,韩广良,孙海江 (中国科学院 长春光学精密机械与物理研究所,吉林 长春 130033) 摘要:为解决低对比度、低信噪比、目标旋转、缩放等非理想状态给跟踪算法的研究带来的诸多困难,本文提出灰度图像 多特征融合目标跟踪算法,保证在满足工程实践需要的条件下,能够对目标进行稳定的跟踪。算法首先对灰度图像利用 Sobel算子求出梯度特征,将 X、Y双方向的梯度特征与灰度特征相融合得到新特征,新特征在核密度函数下对低对比度, 目标轮廓形状变化较大的情况有较高的适应性和稳定性,再利用背景建模的方法对提取的运动目标区域进行加权,降低 非跟踪目标的权值,最后对融合后的加权特征目标利用改进 MeanShift算法进行跟踪。通过大量的实验表明,该算法适 应目标和背景的复杂变化,并且具有较强的鲁棒性,基本满足在复杂背景灰度图像下目标跟踪的工程实际需求。 关 键 词:目标跟踪;边缘检测;Sobel算子;MeanShift跟踪 中图分类号:TP391  文献标识码:A  doi:10.3788/CO.20160903.0320 Movingobjecttrackingbasedonmultifeature fusioninthecomplexbackgroundgrayimage JIANGShan ,ZhangRui,HANGuangliang,SUNHaijiang (ChangchunInstituteofOptics,FineMechanicsandPhysics, ChineseAcademyofSciences,Changchun130033,China) Correspondingauthor,Email:617798169@qq.com Abstract:Inordertosolvetheproblemofcurrentmovingobjecttrackingalgorithmwhichcannotapplyin somenonidealconditionssuchaslowcontrast,lowsignaltonoiseratio,targetrotationandscaling,thispa perpresentsamethodbasedonmultifeaturefusioninthecomplexbackgroundbyimprovingthemeanshiftal gorithmtorealizethecomplexgrayimagetracking.Thealgorithmneedstonotonlymeettheconditionsre quiredforengineeringpracticebutalsosatisfypreciseinobjecttrackingstabilization.Firstly,usingthealgo rithmwecalculategradientcharacteristicsingrayimage,thegradientcharacteristicsincludinggradientfea turesinX,Ytwodirections.Secondly,thealgorithmintegratesthetwodirectionsgradientandgrayfeaturesto getnewfusionfeatures.Thenewfusionfeaturesprovidemoredistinguishablemeasurementsthanthetradition alones,andtheyhavehighadaptabilityandstabilityinsomeconditionssuchaslowcontrast,largeflexible changesoftargetsbyusingthekerneldensityfunction.Thirdly,theforegroundobjectsresultscanbeextracted bybackgroundmodelingobjectdetectionalgorithm,whichtakesmovingtargetfeatureinformationasaweight value.Finally,thefusionfeaturesobjectistrackedbyimprovedmeanshiftalgorithminthispaper.Aseriesof experimentsresultsshowthatthemultifeaturefusionmovingobjecttrackingmethodcanstablytracklowcon trasttargetincomplexgrayimage.Thealgorithmcanadapttothecomplexchangesofobjectandbackground. Anditalsohasstrongrobustnesstomeettheactualneedsoftheengineeringpractice. Keywords:targettracking;edgedetection;sobeloperator;MeanShift 1 引 言   目前,复杂背景灰度图像视频监控是一个热 点并且难点问题,尤其在军事战场,夜间安防监控 更为重要。如何有效地在复杂,低照度,低对比度 视频序列中对感兴趣的目标跟踪,是很多学者都 在研究的挑战性课题[14]。2003年,Comaniciu[5] 将 MeanShift均值算法用于目标跟踪算法,成为目 前主流的跟踪方法,MeanShift[69]算法能够有效的 对彩色图像,背景场景单一环境进行稳定跟踪,但 其存在着鲁棒性较差[10],不适应复杂背景,并且 当跟踪目标出现姿态变换,遮挡等问题时,该算法 基本无法正常跟踪[11]。而这些问题在灰度图像 视频中,更加突出,所以常规的基于颜色直方图统 计的 MeanShift算法已经不适应灰度图像。很多 学者对此提出改进方法,例如引入 Kalman滤波 器,首先对运动目标的位置进行预测范围,然后利 用 MeanShift算法对预测的范围进行匹配,求得运 动目标的位置[12],该方法能够对遮挡或者背景的 部分干扰,提高跟踪效果。文献[13]提出对巴斯系 数进行改进,减少匹配误差,文献[1418]中对 Mean Shift引入空间信息,各个部分对整体贡献不同, 解决部分遮挡问题。但这些新算法基本基于彩色 图像,对灰度图像适应性不强。 本文基于 MeanShit算法思想,针对灰度图 像,提出多特征融合运动目标跟踪算法。首先对 图像进行 Sobel算子的卷积运算,求得其图像 X、Y 双方向的纹理特征。然后将图像的灰度信息与纹 理信息进行快速融合得到新特征,本文算法核心 思想是针对灰度图像对比彩色图像缺少色度和饱 和度信息,导致特征不足跟踪不稳的情况,引入图 像的纹理信息,该特征包含图像纹理信息和灰度 信息。新特征在核密度函数下对低对比度,目标 形状变化较大的情况有较高的适应性和稳定性, 并对 MeanShift的权重进行重新加权分配,针对复 杂背景情况,对前景目标权重提升,而背景图像权 重利用高斯函数中小概率随机数进行赋值,保证 其能够具有一定的更新,将得到的融合加权特征, 利用改进 MeanShift算法求出运动目标位置。本 文算法的意义在于对跟踪目标特征的构造不仅局 限于颜色特征,而融合新的特征点,对在颜色特征 无法有效进行判断时,通过新的特征点进行计算, 针对灰度图像,得到更有效的跟踪效果,并且对尺 度变换和复杂背景条件下,有效的进行跟踪。 2 目标模型建立 2.1 运动目标提取 运动目标检测是视频跟踪的前提和基础,本 文为了达到实时性,采用了滑动平均作为运动目 标提取方法,该方法相对于高斯背景建模,码本建 模的优势在于可以快速求出前景图像,适应实时 性,其核心思想是首先选取第一帧图像做为背景 图 Ib,然后利用当前图像 Ic,实时更新背景图像 Ib: Ib =Ic +α[Ic(x,y)-Ib(x,y)], (1) 式中,α为更新率,一般的方法是根据经验和实验 效果设定一个 α值,并按照上述公式进行更新。 前景目标提利用当前图像和背景图像做差分,提 取出视频中的运动目标,即为前景目标。 123第 3期     江 山,等:复杂背景灰度图像下的多特征融合运动目标跟踪 2.2 目标纹理特征提取 本文采用 Sobel[19]算子提取图像的纹理特 征。Sobel算子是离散一阶差分算子,根据像素点 邻域灰度加权差,即每一个邻域块与卷积核作卷 积运算得到梯度信息,该算法对噪声有平滑作用, 可以提供较为精确的梯度方向信息。算子包含两 组 3×3矩阵,分别与图像作平面卷积,可分别得 到横向及纵向亮度差分近似值,公式如下: Px = -1 0 +1 -2 0 +2 -1 0 +      1 A Py = -1 2 +1 0 0 0 +1 +2 +      1 A, (2) 式中,A为当前帧图像,Px和 Py分别代表水平 X 及纵向 Y的一阶梯度图像,表示卷积运算。图 像纹理特征即根据 Sobel算子对图像进行卷积运 算,将式(2)得到的 Px和 Py进行融合,即图像中 每个像 素 点 Aij包 含 其 两 个 方 向 的 梯 度 信 息 {Px(i,j),Py(i,j)},该特征即为当前像素点的纹 理特征。由像素点的纹理特征组成的纹理图像能 够有效的提取图像中目标的边缘信息,为后续跟 踪提供更多的有效特征信息。 3 MeanShift方法简介   MeanShift算法使用核密度估计方法用来创 建加权特征直方图 q^的概率密度估计,即: q^ n =C n i=1 K(XI,H)δ[b(Xi)-u], (3) 式中,C为标准化常量,一般用于归一化,XI代表 图像在 I处的特征值,H为欧式距离向量,K(XI, H)为加权核密度函数,其具有非负,非增,分段连 续特性,且 ∫K(x)dx≤ ∞ 。δ为选通函数,即为: δ[b(Xi)-u]= 1 if b(Xi)=u 0 if b(Xi)≠{ u ,(4) 式中,b(Xi)为图像 Xi点的特征值,u代表特征值 级数。加权核密度函数具有空间位置信息,因此 特征直方图 q^ n在核密度函数变换后,不仅统计特 征值出现的概率密度,而且对特征直方图 q^ n加入 空间信息,更有效的统计特征。 一般 MeanShift采用 Epanechnikov核函数: K(‖ X H‖)=Ck(‖ x-xi h ‖2), (5) 式中,C为归一化参数,H为欧式距离向量。 令 k(x)的负导数为 g(x),即 g(x)=-k′ (x),则; Δ K(‖ X H‖)= Δ k(‖ x-xi h ‖2)= 2x-xi h2 g(‖ x-xi h ‖2). (6)   对式(3)进行求导,得到概率密度估计的梯 度: Δ q^ n = Δ C n i=1 K(XI,H)δ[b(Xi)-u],(7)   将式(6)带入式(7)中,得: M(x)= Δ q^ n = 2C h2 n i=1 (x-xi)g(‖ x-xi h ‖2)= 2C h2 n i=1 g(‖ x-xi h ‖2)×  n i=1 xig(‖ x-xi h ‖2)  n i=1 g(‖ x-xi h ‖2)       -x . (8)   定义 M(x)为 MeanShift偏移向量,即特征直 方图的梯度大小及方向。 x← x+M(x), (9)   通过对式(9)的反复迭代,当待匹配模板和 目标模板的匹配程度达到一定阈值后,停止迭代 过程。即求两个模型相似度的过程。本文利用 Bhattacharyya系数求解相似程度,令 q^ n 为待匹配 模板的加权特征直方图,p^ n为待匹配模板的加权 特征直方图,其 Bhattacharyya系数 ρ^(Y)为: ρ^(Y)=ρ[Q^,P^(Y)]= m u=1 q^p^(Y槡 ),(10) 式中,m为直方图灰度级数,当 ρ^(Y)达到一定阈 值时,停止迭代,此时认为 x收敛于局部特征密度 最大 值,完 成 收 敛 过 程,此 时 x的 位 置,即 为 223     中国光学        第 9卷  MeanShift和目标模板最相似的位置。 如图 1所示,MeanShift算法的对特征收敛过 程,最终样本集中在局部特征密度最大值中,即和 目标模板最相似的地方。 图 1 MeanShift迭代收敛过程 Fig.1 IterativeconvergenceprocessofMeanShiftalgo rithm 4 多特征融合目标跟踪算法   由上面公式推导可以看出,如何选取特征值 直方图是目标跟踪的关键,但在灰度图像中,丢失 了彩色信息,其特征信息仅为彩色图像的 1/3,因 此如果单纯的利用灰度值作为特征,在复杂背景 下,MeanShift算法很容易丢失目标,无法对目标 进行定位,甚至跟踪到灰度值较接近的复杂背景 中,无法对目标识别。因此,本文提出利用图像的 X和 Y方向的梯度特征和灰度特征进行融合,形 成多特征直方图,进而对目标进行稳定跟踪。 4.1 特征模型建立 针对待匹配模板图像建立特征模型,特征模 型分为两个部分,灰度特征,梯度特征。对待匹配 模板图像 IM(x,y),利用 Sobel算子,求得其 X方 向的纹理特征 Px和其 Y方向的纹理特征 Py,即图 像 IM(x,y)中每个像素点有 3个特征,IM(x,y)= {Px,Py,L},其中 L为灰度值。 4.2 加权特征提取 本文算法利用背景建模方法,提取主要前景 目标,对其前景部分特征作为其主要采样特征值, 减少背景特征值对其产生的干扰信息,即: pMask=δ[b(Xi)-u], (11) pMask为加权特征图像,其为二值化图像,当待匹 配图像 IM(x,y)的像素位置(x,y)属于前景图像 时,统计当前概率密度,当(x,y)属于背景图像 时,不进行核函数计算,对其概率密度图像取高斯 概率分布函数中小概率随机数,保证其具有一定 随机更新意义,将式(11)代入式(3)中得: q^ n =C n i=1 K(XI,H)pMask. (12) 4.3 多特征融合 MeanShift 令待匹配图像其像素点 Zx,y由 3个特征组 成,其分别为 Zx,y ={Px,Py,L},对 Zx,y进行直方 图统计,为了减小目标由于形变,光照,旋转等外 界因素变化导致目标匹配度降低,本文对特征的 进行尺度变换,令变换尺度为 λ、μ、ν,即其特征 融合后的特征值: XI =λPx +μPy +νL, (13) 式中,λ、μ、ν变换尺度取线性叠加,即 λ=26/32, μ=22/32,ν=1/32。 将式(13)带入式(8)中,得 MeanShift特征值 向量: M(x)=2C h2 n i=1 g(‖ x-xi h ‖2)×  n i=1 xig(‖ x-xi h ‖2)  n i=1 g(‖ x-xi h ‖2)       -x . (14)   再利用迭代方法,最终得到 x←x+M(x),此 时 x即为目标最终位置。 为了进一步说明多特征融合算法在背景复杂 的灰度图像上的优越性,本文对比采用多特征融 图 2 Epanechnikov核函数曲面 Fig.2 Epanechnikovkernelsurface 323第 3期     江 山,等:复杂背景灰度图像下的多特征融合运动目标跟踪 合核函数曲面和单灰度特征核函数曲面,其中 Epanechnikov核函数曲面图如图 2所示。 待测模板图像如图 3所示。 图 3 待测模板图像 Fig.3 Imageoftemplatetobemeasured 将其待测模板图像(此图像原图为图 6中第 216帧)的灰度特征和多特征融合集合代入核密 度函数后,分别得到密度函数概率曲面图如图 4 所示。 图 4 灰度特征图像核密度特征曲面 Fig.4 Grayimagekernelsurface 图 5 多特征融合图像核密度特征曲面 Fig.5 Multifeaturefusionkernelsurface 图 3中待跟踪目标为绿色框,可以看出,在该 灰度图像中,该男子灰度特征与周围复杂背景特 征很相似,如果单纯利用灰度特征进行统计核密 度,得到的图 4,背景和前景图像的核密度均匀散 布在整个空间中,无法突出目标特征,在跟踪过程 中,很容易丢失目标,而图 5为多特征融合后统计 核密度,可以看出,在目标位置附近,该区域核密 度明显产生了峰值,有效的和背景目标进行了区 分,因此能够对目标进行稳定的跟踪。 综上所述,通过对图像的 X和 Y方向的梯度 特征和灰度特征的融合,使加权特征直方图 q^中 目标信息和背景信息对比更加明显,在背景复杂 或者相似的条件下,有更好的跟踪效果。 5 实验与分析   在本文算法中,前景图像通过背景建模的方 法自动提取,实现完全脱离人工选定,实现全自动 跟踪运动目标跟踪,测试视频大小为 320×240, 视频源为微软通用视频集和自制录像视频集。 微软视频源具有通用性,包含各种影响因素, 例如光照变换,复杂、简单背景,人车等不同运动 目标,因此该测试视频集能够验证算法说明对环 境的适应性和通用性。自制视频集贴近真实的生 活场景,具有复杂背景,光照变换等不确定因素, 更加贴近真实使用场景,测试其实际工程能力和 应用能力。因此本文算法分别在以下两种视频集 中进行测试,并且选取低对比度,目标柔性变化大 和复杂场景这三种情况作出对比实验并给出相关 分析结果。 图 6中测试视频为微软通用视频集,给出在 背景图像与目标图像灰度值较为接近时,本文算 法与传统灰度特征 MeanShift算法的对比效果图。 在图 6中,针对图中左侧的人可以看出本文 研究的算法在背景和目标灰度值较为接近的条件 下,能够稳定的跟踪目标,而传统 MeanShift算法 在复杂背景条件下,产生丢失目标的现象。 为了更好的说明本文算法的通用性和工程实 际价值,在录制实际场景视频进行测试。 423     中国光学        第 9卷  图 6 微软通用视频集本文跟踪算法和传统算法对比分析 Fig.6 ComparisonanalysisbetweenouralgorithmsandtraditionaloneinMicrosoftvideoset   图 7测试视频是实际应用场景,运动目标较 大,柔性变化较多的对比效果。 图 7 自制视频集本文跟踪算法和传统算法对比分析 Fig.7 Comparisonanalysisbetweenouralgorithmsandtraditionaloneinselfmadevideoset   在图 7中,本视频源和微软通用视频源相比, 运动目标更大,人体的柔性变化更多,因此跟踪难 度更大,但从图 7可以看出,本文算法对这种情况 有很好的适应性。而传统 MeanShift算法对该视 频的适应性则很差,很难有效地连续跟踪,但本文 算法在实际测试效果中,依然具有很好的跟踪稳 523第 3期     江 山,等:复杂背景灰度图像下的多特征融合运动目标跟踪 定性和鲁棒性,尤其在低对比度图像中,仍然可以 得到较好的跟踪效果。 图 8为给出在复杂场景下,本文算法和传统 算法跟踪效果图。 图 8 微软通用视频集本文跟踪算法和传统算法对比分析(在复杂场景下) Fig.8 Comparisonanalysisbetweenouralgorithmsandtraditionaloneinselfmadevideoset(inacomplexbackground)   由图 8可以看出,在图像左上角的复杂场景 下,本文算法能够取得良好的跟踪效果,在人体弯 腰,转身等各种形变下,均能有效的跟踪,不被背 景图像干扰,而传统算法则在提取目标后将背景 复杂图像作为目标,随后无法跟踪上物体。在图 像的左下角进入的行人中,由于阴影原因导致目 标与背景颜色接近,对比度低,本文算法依然能够 对图像进行稳定跟踪,而传统算法在目标逐步走 进阴影区后,丢失目标。 由于本文采用的是自动捕获目标跟踪,相对 于其他人工干预选定目标的方法比,前景目标提 取具有不确定性和噪音较多等缺点,但本文算法 依然能够稳定的跟踪,证明其具有较好的鲁棒性 和实用价值,为工程实际应用奠定了基础。 6 结 论   在低对比度,复杂场景的情况下的灰度图像 中,传统基于颜色的 MeanShift跟踪算法无法连续 正常跟踪。而本文针对此这种情况,提出复杂背 景下灰度图像多特征增强目标跟踪算法,通过大 量的实验数据表明,该算法能够有效的解决此类 问题,并且本文实验采用自动提取跟踪目标,因此 该算法具有重要的实用价值和工程价值。 参考文献: [1] 高文,朱明,贺柏根,等.目标跟踪技术综述[J].中国光学,2014,7(3):365375. GAOW,ZHUM,HEBG,etal..Overviewoftargettrackingtechnology[J].ChineseOptics,2014,7(3):365375.(in Chinese) [2] 刘扬,张云峰,董月芳.复杂背景下抗遮挡的运动目标跟踪算法[J].液晶与显示,2010,25(6):890895. LIUY,ZHANGYF,DONGYF.Antiocclusionalgorithmoftrackingmovingobjectinclutterbackground[J].ChineseJ. LiquidCrystalsandDisplays,2010,25(6):890895.(inChinese) 623     中国光学        第 9卷  [3] 宋策,张葆,尹传历.适于机载环境对地目标跟踪的粒子滤波设计[J].光学 精密工程,2014,4(22):10371047. SONGC,ZHANGB,YINCHL.Particlefilterdesignfortrackinggroundtargetsinairborneenvironment[J].Opt.Preci sionEng.,2014,4(22):10371047.(inChinese) [4] 李静宇,王延杰.基于子空间的目标跟踪算法研究[J].液晶与显示,2014,4(29):617622. LIJY,WANGYJ.Subspacebasedtargettrackingalgorithm[J].ChineseJ.LiquidCrystalsandDisplays,2014,4(29): 617622.(inChinese) [5] NINGJF,ZHANGL,ZHANGD,etal..Scaleandorientationadaptivemeanshifttracking[J].IETComputerVision, 2012,6(1):5261. [6] 王铭明,陈涛,王建立,等.Meanshift跟踪算法及其在光电跟踪系统中的应用[J].中国光学,2014,7(2):332338. WANGMM,CHENT,WANGJL,etal..Meanshifttrackingalgorithmanditsapplicationinoptoelectronictrackingsys tem[J].ChineseOptics,2014,7(2):332338.(inChinese) [7] 王田,刘伟宁,韩广良,等.基于改进 MeanShift的目标跟踪算法[J].液晶与显示,2012(3):396400. WANGT,LIUW N,HANGL,etal..Targettrackingalgorithm basedonimprovedmeanshift[J].ChineseJ.Liquid CrystalsandDisplays,2012(3):396400.(inChinese) [8] 闫辉,许廷发,吴青青,等.多特征融合匹配的多目标跟踪[J].中国光学,2013,6(2):163170. YANH,XUTF,WUQQ,etal..Multiobjecttrackingbasedonmultifeaturejointmatching[J].ChineseOptics,2013, 6(2):163170.(inChinese) [9] 郭敬明,何昕,魏仲慧.基于在线支持向量机的 Meanshift彩色图像跟踪[J].液晶与显示,2014,1(29):120128. GUOJM,HEX,WEIZHH.Newmeanshifttrackingforcolorimagebasedononlinesupportvectormachine[J].Chi neseJ.LiquidCrystalsandDisplays,2014,1(29):120128.(inChinese) [10] COMANICIUD,RAMESHV,MEERP.KernelBasedobjecttracking[J].IEEETrans.onPatternAnalysisandMachine Intelligence,2003,25(2):564577. [11] DECARLOD,METAXASD.Opticalflowconstraintsondeformablemodelswithapplicationstofacetracking[J].Inter nationalJ.ComputerVision,2000,38(2):99127 [12] LIXH,ZHANGTY,SHENXD,etal..ObjecttrackingusinganadaptiveKalmanfiltercombinedwithmeanshift[J]. SPIEJ.OpticalEngineering,2010,49(2):0205033. [13] 文志强,蔡自兴.目标跟踪中巴氏系数误差的分析及其消除方法[J].计算机学报,2008,31(7):11651173. WENZHQ,CAIZX.Errorsofbhattacharyyacoefficientanditsreductioninobjecttracking[J].ChineseJ.Computers, 2008,31(7):11651173.(inChinese) [14] AHMADS,KHATTAK,GULLISTANT,etal..Integrationofmeanshiftandparticlefilter:asurvey[C].12thInterna tionalConferenceonFrontiersofInformationTechnology.Islamic:FIT,2014:286291. [15] 郭巳秋,许廷发,王洪庆,等.改进的粒子群优化目标跟踪方法[J].中国光学,2014,7(5):759767. GUOSQ,XUTF,WANGHQ,etal..Objecttrackingmethodbasedonimprovedparticleswarmoptimization[J].Chi neseOptics,2014,7(5):759767.(inChinese) [16] JIAW H,YINGYY.Multiiterativetrackingmethodusingmeanshiftbasedonkalmanfilter[C].InternationalConfer enceonSignalProcessing,CommunicationsandComputing.China:ICSPCC,2014:2227. [17] RASHIDM,RABN,NAVEEDIR.Occlusionhandlinginmeanshifttrackingusingadaptivewindownormalizedcross correlation[C].InternationalBhurbanConferenceonAppliedSciencesandTechnology.Islamic:IBCAST,2014:126 129. [18] VEZZANIR,GRANAC,CUCCHIARAR.Probabilisticpeopletrackingwithappearancemodelsandocclusion[J].Pat ternRecognitionLetters,2011,32(6):867877. [19] 袁春兰,熊宗龙,周雪花,等.基于 Sobel算子的图像边缘检测研究[J].激光与红外,2009,39(1):8587. YUANCHL,XIONGZL,ZHOUXH,etal..Studyofinfraredimageedgedetectionbasedonsobeloperator[J].Laser andInfrared,2009,39(1):8587.(inChinese) 723第 3期     江 山,等:复杂背景灰度图像下的多特征融合运动目标跟踪 作者简介: 江 山(1986—),男,吉林长春人,硕士,助理研究员,2010年、2013年于吉林大学分别获得学士、硕士 学位,主要从事高速目标跟踪处理方面的研究。Email:617798169@qq.com  《中国光学》征稿启事 《中国光学》为双月刊,A4开本;刊号:ISSN20951531/CN221400/O4;国内外公开发行,邮发代 号:国内 12140,国外 BM6782。 ★ 荷兰 Scopus数据库 ★ 美国《乌利希国际期刊指南》 ★ 美国《化学文献》 ★ 波兰《哥白尼索引》 ★ 俄罗斯《文摘杂志》 ★ 中国精品科技期刊 ★ 中国科技核心期刊 ★ 中国光学学会会刊 ★ 中国科技论文与引文数据库 ★ 中国期刊全文数据库 ★ 万方数字化期刊全文数据库 ★ 中国科技期刊数据库 ★ 中国光学期刊网数据库 主要栏目:微纳光学、信息光学、集成光电子、光谱学和光谱仪器、激光技术与应用、光学功能材料、 光学设计与工艺、大气与空间光学、光学仪器与测试、综述、前沿动态、产业资讯、科普教学、实验室介绍、 自然科学基金项目进展、前沿热点访谈、热点论文等。 发稿类型:学术价值显著、实验数据完整的原创性论文;研究前景广阔,具有实用、推广价值的技术 报告;有创新意识,能够反映当前先进水平的阶段性研究简报;对当前学科领域的研究热点和前沿问题 的专题报告;以及综合评述国内外光学技术研究现状、发展动态和未来发展趋势的综述性论文。 欢迎投稿、荐稿。 主管单位:中国科学院 主办单位:中国科学院长春光学精密机械与物理研究所 协办单位:激光与物质相互作用国家重点实验室 编辑出版:《中国光学》编辑部 投稿网址:http://chineseoptics.net.cn 邮件地址:chineseoptics@ciomp.ac.cn;zggxcn@126.com 联系电话:043186176852;043184627061     传  真:043184627061 编辑部地址:长春市东南湖大路 3888号(130033) 823     中国光学        第 9卷 

下载文档,方便阅读与编辑

文档的实际排版效果,会与网站的显示效果略有不同!!

需要 10 金币 [ 分享文档获得金币 ] 0 人已下载

下载文档

相关文档