一、 前言部分

温湿度是生活生产中的重要的参数，用新型的智能温湿度传感器DHT11主要实现对温度、湿度的检测，将温度湿度信号通过传感器进行信号的采集并转换成数字信号，再运用单片机STC89C52进行数据的分析和处理，为显示和报警电路提供信号，实现对温湿度的控制报警。报警系统根据设定报警的上下限值实现报警功能，显示部分采用LCD1602液晶显示所测温湿度值。

二、主题部分

DHT11数字温湿度传感器是一款含有已校准数字信号输出的温湿度复合传感器。它应用专用的数字模块采集技术和温湿度传感技术，确保产品具有极高的可靠性与卓越的长期稳定性。传感器包括一个电阻式感湿元件和一个NTC测温元件，并与一个高性能8位单片机相连接。因此该产品具有品质卓越、超快响应、抗干扰能力强、性价比极高等优点。每个DHT11传感器都在极为精确的湿度校验室中进行校准。校准系数以程序的形式储存在OTP内存中，传感器内部在检测信号的处理过程中要调用这些校准系数。单线制串行接口，使系统集成变得简易快捷。超小的体积、极低的功耗，信号传输距离可达20米以上，使其成为各类应用甚至最为苛刻的应用场合的最佳选则。连接方便，特殊封装形式可根据用户需求而提供。产品为 4 针单排引脚封装。DATA 用于微处理器与DHT11之间的通讯和同步,采用单总线数据格式,一次通讯时间4ms左右,用户MCU发送一次开始信号后,DHT11从低功耗模式转换到高速模式,等待主机开始信号结束后,DHT11发送响应信号,送出40bit的数据,并触发一次信号采集,用户可选择读取部分数据.从模式下,DHT11接收到开始信号触发一次温湿度采集,如果没有接收到主机发送开始信号,DHT11不会主动进行温湿度采集.采集数据后转换到低速模式。

三、总结部分

对于国内外对温湿度检测的研究，从复杂模拟量检测到现在的数字智能化检测越发的成熟，随着科技的进步，现在的对于温湿度研究，检测系统向着智能化、小型化、低功耗的方向发展。在发展过程中，以单片机为核心的温湿度控制系统发展为体积小、操作简单、量程宽、性能稳定、测量精度高，等诸多优点在生产生活的各个方面实现着至关重要的作用。

四、文献

《新概念C51单片机》 郭天祥著 20xx 电子工业出版社 DHT11中文说明书

DHT11温湿度传感器51单片机在LCD1602显示程序

BH1750光强传感器

第二篇：文献总结

一. 基于ＴＭＳ３２０Ｃ６６７８的高动态范围红外图像细节增强算法改进与实现

利用图像分层处理的细节增强基本框架，提出了一种基于引导滤波器的高动态范围

红外图像显示与细节增强算法。该算法能有效将高动态范围红外图像映射到适合监视器

显示的动态范围，且能有效调整图像对比度，增强图像细节，抑制背景噪声。相比较于

其他同类算法，该算法计算量少，易于工程实现，且不会产生梯度翻转效应。并研究设

计了基于ＴＭＳ３２０Ｃ６６７８ＤＳＰ芯片的细节增强图像处理系统，实现了图像视

频流的传输、处理等系列功能。实验结果表明了本算法的优势。

本文使用实际图像数据分析该细节增强算法性能。通过对实际红外图像视频流的处

理，分析图像细节和对比度增强效果及图像处理耗时，验证本文细节增强算法在实际应

用中的性能。本文提出了一种基于引导滤波器分层处理的红外图像细节增强算法框架。

该框架通过将输入的原始图像平滑处理，得到基本层信息，再通过与原始图像做差得到

图像细节层。然后对细节层进行自适应增强，对基本层进行对比度调整和动态范围压缩。

最后合并两层图像，得到最终处理结果。

二. 基于代数特征的多光谱图像特征提取方法

多光谱图像特征提取的好坏直接关系着目标识别算法的复杂程度，也影响着最终目

标识别的性能。研究了一维主成分分析( 1DPCA) 、二维主成分分析( 2DPCA) 、一维奇异

值分解( 1DSVD) 和二维奇异值分解( 2DSVD) 等代数特征提取方法，并用这些方法构成图

像识别框架的特征提取部分，通过识别率的大小来验证是否适合于多光谱图像特征提取。 实验结果表明:

① 与可见光图像目标识别相比，PCA 和SVD 特征更适合于红外图像目标识别;

② 训练样本分类时，PCA 和SVD 特征的识别性能改善不明显;

③ 训练样本少时，SVD 重构图像、2DSVD 和1DPCA 特征的识别性能较好。

本文主要是将1DPCA、2DPCA、1DSVD 和2DSVD 方法用于多光谱图像特征提取,

结合训练样本是否分类和奇异值是否重构图像，形成了一系列特征提取方法，通过实验

验证后得出的主要结论有:

( 1) 红外图像的PCA 和SVD 特征识别效果优于可见光图像的PCA 和SVD 特征识

别效果;

( 2) 无论是可见光图像，还是红外图像，PCA 和SVD 特征按类识别时识别率改善

不明显;

( 3) SVD图像重构、2DSVD 和1DPCA 适合于样本少的情况，是比较有效的多光谱

图像特征提取方法。

三. 基于非抽样 Shearlet 变换的红外与可见光图像融合方法

针对同一场景红外图像与可见光图像的融合问题，提出了一种基于非抽样Shearlet

变换(NSST)的融合算法。首先对源图像进行多尺度、多方向NSST 分解，得到低频子带

系数和各带通方向子带系数；然后，在局部区域结构相似度的基础上，采用基于局部区

域能量的方法选择融合图像的低频子带系数；基于脉冲耦合神经网络（PCNN）对带通

方向子带空间频率（SF）的响应而得到的点火次数选择融合图像的带通方向子带系数，

得到融合图像的NSST 系数；最后经过非抽样Shearlet 逆变换得到融合图像。

实验结果表明：与其他5 种相关的融合方法相比，该方法可获得具有更好视觉效果

和更优量化指标的融合图像。

在基于多尺度分解的图像融合方法中，核心问题之一是选择何种有效的多尺度分解

工具。小波变换是一种最常用的多尺度分解工具。然而，二维离散小波变换是各向同性

的，它只能将图像分解为3 个方向的高频子带，从而只能捕获图像中有限的方向信息，

而不能高效地表示图像中的诸如边缘、轮廓等线状奇异性。各向异性的多尺度几何分析

方法，如轮廓波变换以及非下采样轮廓波变换(NSCT)就很好地解决了这一问题，它们能对图像中各向异性的边缘和纹理等信息给出更优的表示。

图像经 NSST 分解得到的带通方向子带主要包含图像在各个方向的边缘细节信息，带通方向子带系数的融合策略直接关系到融合图像的清晰程度以及边缘细节信息的保持程度。目前通常使用的频域系数融合规则有频域系数最大值、局部梯度、局部方差和局部能量等。在NSST域红外与可见光图像带通方向子带系数的融合中，将带通方向子带图像的归一化空间频率作为神经元的馈送输入。由于PCNN各神经元之间存在耦合连接，因此单个神经元的点火就会对其连接的邻近神经元做出贡献，使邻域内任何一个未点火且与其空间频率差别不大的神经元被捕获而点火。

对融合结果的评价，除了目视效果这种简单有效的定性分析外，还可以采用相关的评价指标做定量的分析。为了更好地对融合性能进行评价，本文还采用信息熵、交叉熵、标准差、互信息以及边缘保持指数[对融合效果进行客观评价。图像的信息熵值是反映图像信息丰富程度的一个重要指标，熵值的大小表示了图像所含的平均信息量的多少；交叉熵反映两幅图像对应像素灰度值的差异，交叉熵越小，说明图像间的差异越小；互信息衡量的是源图像有多少信息转移到了融合结果中，互信息越大，说明融合图像中包含了越多的源图像的信息；边缘保持指数衡量融合图像保持源图像边缘的程度，边缘保持指数越大，说明融合图像对源图像边缘的保持效果越好；标准差衡量的是图像灰度值的分散程度，标准差越大，图像越清晰。

根据红外图像与可见光图像的特点，提出了一种基于NSST 的红外与可见光图像融合方法，该方法将结构相似度引入到红外图像与可见光图像的融合中，将局部区域结构相似度与局部区域能量作为融合图像低频近似系数选取的依据；将脉冲耦合神经网络对带通方向子带空间频率的响应作为带通方向子带系数的选取依据。

四. 基于广义变分正则化的红外图像噪声抑制方法

文中提出了一种广义变分正则化的红外图像噪声抑制方法，该方法采用p-范数代替目前广泛被采用的全变分范数作为正则项，构造了用于抑制图像噪声的展平泛函，从而将图像噪声抑制问题转化为能量泛函优化问题。通过推导，得到了相应的用于图像噪声抑制的非线性偏微分方程，并采用固定点迭代算法进行线性化求解，使得迭代解稳定收敛。数值试验结果表明，该方法能够有效地去除图像噪声，较之全变分图像噪声抑制方法，新方法进一步提高了对小宽度图像边缘的保持能力，是一种有效且性能优良的红外图像噪声抑制方法。

红外焦平面阵列(IRFPA)在成像系统中发挥着重要作用。红外图像在获取、传播过程中往往会受到多种因素的影响，导致图像退化，而噪声则是图像退化最典型的一种表现。

为了能更好地保护红外图像中的各类边缘信息，以提高提取目标的准确性，文中提出了一种广义变分正则化的图像噪声抑制的方法，该方法采用p-范数来代替传统TV 方法中的TV 范数作为正则项，构造了新的展平泛函， 将图像噪声抑制问题转换为能量泛函优化问题， 并采用变分求导的方法推导了新模型相应的非线性偏微分方程， 同时引入固定点迭代法将非线性偏微分方程进行线性化数值求解，使得迭代解稳定收敛。

红外图像噪声抑制是红外图像图像处理中最基本且十分重要的研究课题。TV 正则化图像噪声抑制方法是近几年来在图像消噪声领域里应用广泛且效果较好的图像处理方法，已经在红外图像处理中得到了一定的应用。文中针对TV 图像噪声抑制方法对小宽度图像边缘存在模糊的不足，提出了基于广义变分的GV 正则化红外图像噪声抑制方法，利用p-范数构造用于图像噪声抑制的正则化泛函，将图像噪声抑制问题转为能量泛函优化问题，推导了求解能量优化问题的非线性PDE，通过固定点迭代法进行线性化数值求解。数值试验结果表明，该方法在抑制图像噪声的同时进一步加强了对小宽度图像

边缘的保护，对于低信噪比图像能够取得较好的噪声抑制结果，是一种有效且性能优良的红外图像噪声抑制方法。当然，在信噪比很低时， 较小的p 值可带来较好的噪声抑制效果，但是在信噪比较高时，较小p 值的噪声抑制能力相对要弱一些，这时需要权衡噪声抑制与边缘保护之间的关系，这是今后工作中进一步深入研究的重点。

五. 基于粒子重采样滤波算法的红外图像消噪

针对红外图像消噪的特性，提出粒子重采样滤波算法。首先通过Chapman-Kolmogorov 方程对粒子群系统空间状态的概率密度函数预测状态；然后重采样去除小权值粒子，保留复制权值较大的粒子，且大权值粒子多次采样；接着有效粒子数阈值防止粒子退化，划分粒子权值为大、中、小三类，中权值粒子保留，大、小权值粒子合并产生新粒子，通过Thompson-Taylor 算法随机挑选新粒子重采样；最后消噪模型采用两种噪声迭加成的混合双模噪声模型，给出了算法流程。仿真结果表明，本文算法在有效保留图像重要信息的同时对噪声的抑制效果更为理想。

红外图像消噪类型呈现非线性、非高斯性，目前处理方法主要有：小波变换算法实现简单，但是红外图像变换到频域处理后，细节和噪声均对应于高频子带，系数值都较小，消噪的同时也损失了图像细节。形态学算法虽然保持边缘，但视觉效果不佳，而且形态学结构不能根据边缘自动调节。Kamel 等人提出了人类视觉模型算法，通过Gabor 函数滤波和人眼的生理特性，处理后的图像符合人类视觉效果，但是需要结合人工神经网络才能提高效率。Rudin 等提出了著名的全变分算法，但是这种算法容易导致平滑区域的块效应。

粒子滤波算法采用大数定理，通过非参数化蒙特卡洛求解贝叶斯估计中的非线性非高斯估计问题，适用于任何能用状态空间表示的非线性非高斯的随机系统，在粒子状态空间通过一组观测到的随机样本对粒子后验概率密度进行估计，用样本均值代替积分运算获得最小方差。

粒子算法经过几次迭代以后，只有少量有效的粒子有非零的重要权值，大部分粒子的重要权值趋于零，因此在解决红外图像消噪过程中，无法有效的消除噪声。为了防止粒子权值退化，采用重采样方法，这样在一定程度上减少了噪声对红外图像的影响。重采样的主要思想是去除那些权值小的粒子，保留并复制那些权值较大的粒子，对权值较大的粒子进行多次采样，增加该粒子被传播繁殖的机会，对于权值小的粒子则进行少采样。

重采样使得权值较高的粒子被多次采样，采样结果中包含许多重复的粒子，从而损失了粒子的多样性，使得滤波性能下降，为了解决重采样贫化问题，采用有效粒子数阈值优化滤波效果。

峰值信噪比越大则图像的消噪效果越好。算法过

程：

1）输入要消噪的红外图像，根据先验概率对每个目标初始化其粒子集，计算每个粒子的初始权值；

2）粒子集的每个目标根据状态方程进行状态转移，得到新的目标状态；

3）根据粒子权值的样本方差计算有效粒子数阈值，对粒子空间按权值划分为大、中、小三类权值，对新产生的粒子进行重采样；

4）满足红外图像的峰值信噪比要求，执行步骤5，转至步骤2；

5）输出已消噪的红外图像。

本文采用粒子重采样滤波算法，通过Chapman-Kolmogorov 方程对粒子群系统空间状态的概率密度函数来预测状态；重采样中有效粒子数阈值防止粒子退化，划分粒子权值为大、中、小三类，中权值粒子保留， 大、小权值粒子合并产生新粒子， 通过

Thompson-Taylor 算法随机挑选新粒子重采样；消噪模型采用两种噪声迭加成的混合双模噪声模型。仿真结果表明，本文算法在有效保留图像重要信息的同时对噪声的抑制效果更为理想。