【EI/Scopus检索|2025光学、图像、遥感与通信融合创新大会】7月光学工程、信号处理、模式识别、遥感测绘、光学与通信技术领域国际研讨会来袭！

【EI/Scopus检索|2025光学、图像、遥感与通信融合创新大会】7月光学工程、信号处理、模式识别、遥感测绘、光学与通信技术领域国际研讨会来袭！

【EI/Scopus检索|2025光学、图像、遥感与通信融合创新大会】7月光学工程、信号处理、模式识别、遥感测绘、光学与通信技术领域国际研讨会来袭！

---

---

2025光通信、信号处理与光学工程国际会议（OCSPOE 2025）

• 2025 International Conference on Optical Communication, Signal Processing and Optical Engineering
• ⏰ 时间：2025.7.4-6 | 地点：中国·北京
• 官网：OCSPOE 2025
• 检索：SPIE权威出版，3-8天录用反馈，EI/Scopus双检！
• 亮点：5G+光子芯片技术突破，产学研共探光量子通信新边疆。
• 适合人群：光电子、通信工程领域硕博生，光模块研发工程师。
• 算法示例：相干光通信中的QPSK调制解调

import numpy as np
import matplotlib.pyplot as plt

def qpsk_mod_demod(symbols, snr_db=20):
    """QPSK调制与相干解调"""
    # 调制（映射到星座图）
    constellation = {0: 1+1j, 1: -1+1j, 2: -1-1j, 3: 1-1j}
    tx_symbols = np.array([constellation[s] for s in symbols])
    
    # 添加高斯噪声（AWGN信道）
    noise_var = 10**(-snr_db/10)
    noise = np.sqrt(noise_var/2) * (np.random.randn(len(tx_symbols)) + 1j*np.random.randn(len(tx_symbols)))
    rx_signal = tx_symbols + noise
    
    # 相干解调（相位恢复）
    phase_est = np.angle(np.mean(rx_signal**4)) / 4  # 四阶相位估计
    rx_corrected = rx_signal * np.exp(-1j*phase_est)
    
    # 判决
    decision = np.zeros(len(symbols), dtype=int)
    for i, s in enumerate(rx_corrected):
        if s.real > 0:
            decision[i] = 0 if s.imag > 0 else 3
        else:
            decision[i] = 1 if s.imag > 0 else 2
    
    # 可视化
    plt.figure(figsize=(10,4))
    plt.subplot(121); plt.title("Tx Constellation"); plt.plot(tx_symbols.real, tx_symbols.imag, 'bo')
    plt.subplot(122); plt.title("Rx Constellation"); plt.plot(rx_corrected.real, rx_corrected.imag, 'ro')
    plt.tight_layout(); plt.show()
    
    return decision

# 测试：100个符号的QPSK传输
symbols = np.random.randint(0, 4, 100)
decoded = qpsk_mod_demod(symbols)
print(f"BER: {np.mean(symbols != decoded):.4f}")

第二届图像处理与模式识别国际会议（IPMLP 2025）

• 2025 2nd International Conference on Image Processing, Machine Learning, and Pattern Recognition
• ⏰ 时间：2025.7.11-13 | 地点：西班牙·萨拉曼卡
• 官网：IPMLP 2025
• 检索：ACM数字图书馆收录，EI/Scopus双检（检索率98%）
• 亮点：文化遗产数字化保护与高分辨率遥感影像智能解译技术融合。
• 适合人群：计算机视觉研究者、文化遗产数字化团队、遥感地学分析师。
• 算法示例：基于深度学习的图像超分辨率重建（SRCNN）

import tensorflow as tf
from tensorflow.keras.layers import Conv2D
from tensorflow.keras.models import Sequential

def build_srcnn():
    """构建SRCNN超分辨率模型"""
    model = Sequential([
        Conv2D(64, 9, padding='same', activation='relu', input_shape=(None, None, 1)),
        Conv2D(32, 1, padding='same', activation='relu'),
        Conv2D(1, 5, padding='same', activation='linear')
    ])
    model.compile(optimizer='adam', loss='mse')
    return model

def apply_srcnn(model, lr_image):
    """应用超分辨率重建"""
    # 预处理：双三次上采样到目标尺寸
    hr_shape = (lr_image.shape[0]*2, lr_image.shape[1]*2)
    hr_image = tf.image.resize(lr_image, hr_shape, method='bicubic')
    
    # 预测残差并重建
    residual = model.predict(hr_image[np.newaxis, ..., np.newaxis])
    sr_image = hr_image + residual[0, ..., 0]
    return np.clip(sr_image, 0, 1)

# 测试：使用预训练模型（实际应用需训练）
model = build_srcnn()
# model.load_weights('srcnn_weights.h5')  # 加载预训练权重

# 示例低分辨率图像 (实际应用中需真实LR图像)
lr_image = np.random.rand(64, 64)  
sr_image = apply_srcnn(model, lr_image)

# 可视化
plt.figure(figsize=(10,5))
plt.subplot(121); plt.title("LR Image"); plt.imshow(lr_image, cmap='gray')
plt.subplot(122); plt.title("SR Reconstruction"); plt.imshow(sr_image, cmap='gray')
plt.show()

第三届遥感测绘与GIS国际会议（RSMG 2025）

• 2025 3rd International Conference on Remote Sensing, Mapping and Geographic Information Systems
• ⏰ 时间：2025.7.11-13 | 地点：中国·郑州
• 官网：RSMG 2025
• 检索：EI/Scopus双检（往届100%收录）
• 亮点：院士领衔研讨InSAR形变监测、高光谱遥感地物解译技术新范式。
• 适合人群：遥感地学、智慧城市领域研究者，测绘局技术专家。
• 算法示例：卫星影像变化检测（CVA算法）

import numpy as np
from skimage import io, color

def change_detection(img1_path, img2_path, threshold=0.3):
    """变化向量分析(CVA)变化检测"""
    # 加载两期影像并转为Lab色彩空间
    img1 = io.imread(img1_path)
    img2 = io.imread(img2_path)
    lab1 = color.rgb2lab(img1)
    lab2 = color.rgb2lab(img2)
    
    # 计算变化向量
    delta_L = lab2[:,:,0] - lab1[:,:,0]
    delta_a = lab2[:,:,1] - lab1[:,:,1]
    delta_b = lab2[:,:,2] - lab1[:,:,2]
    change_magnitude = np.sqrt(delta_L**2 + delta_a**2 + delta_b**2)
    
    # 归一化并阈值分割
    change_magnitude_norm = (change_magnitude - np.min(change_magnitude)) / (np.max(change_magnitude) - np.min(change_magnitude))
    change_mask = change_magnitude_norm > threshold
    
    # 可视化
    plt.figure(figsize=(15,5))
    plt.subplot(131); plt.title("Time 1"); plt.imshow(img1)
    plt.subplot(132); plt.title("Time 2"); plt.imshow(img2)
    plt.subplot(133); plt.title(f"Change Map (Threshold={threshold})"); plt.imshow(change_mask, cmap='gray')
    plt.tight_layout(); plt.show()
    
    return change_mask

# 测试：使用示例卫星影像（实际应用需真实影像）
# change_mask = change_detection("satellite_2020.jpg", "satellite_2025.jpg")

第五届光学与通信技术国际会议（ICOCT 2025）

• 2025 5th International Conference on Optics and Communication Technology
• ⏰ 时间：2025.7.18-20 | 地点：中国·哈尔滨
• 官网：ICOCT 2025
• 检索：SPIE出版，EI/Scopus双检（5天闪电审稿）
• 亮点：冰雪之城论道光子芯片集成与5G光通信网络技术突破。
• 适合人群：光电子、通信工程方向研究生，光模块研发工程师。
• 算法示例：光纤通信中的色散补偿（频域均衡）

import numpy as np
from scipy.fft import fft, ifft

def dispersion_compensation(signal, length_km, dispersion_param=17, wavelength=1550e-9):
    """
    光纤色散频域补偿
    signal: 输入信号 (时域)
    length_km: 光纤长度 (km)
    dispersion_param: 色散参数 (ps/nm/km)
    wavelength: 工作波长 (m)
    """
    # 参数计算
    c = 3e8  # 光速
    dwl = 0.1e-9  # 波长变化范围
    beta2 = -(wavelength**2 * dispersion_param * 1e-6) / (2*np.pi*c)  # 色散系数
    
    # 频域响应
    N = len(signal)
    omega = 2*np.pi * np.fft.fftfreq(N) * 1e12  # 角频率 (rad/ps)
    H = np.exp(-1j * beta2 * length_km * 1e3 * omega**2 / 2)  # 色散传递函数
    
    # 频域补偿
    signal_fd = fft(signal)
    compensated_fd = signal_fd * np.conj(H)  # 应用逆滤波器
    compensated_td = ifft(compensated_fd)
    
    return np.real(compensated_td)

# 测试：生成带色散的光脉冲
t = np.linspace(-10, 10, 1000)
pulse = np.exp(-t**2/2) * np.exp(1j*2*np.pi*5*t)  # 高斯脉冲
dispersed = dispersion_compensation(pulse, length_km=100, dispersion_param=17)
compensated = dispersion_compensation(dispersed, length_km=100, dispersion_param=17)

# 可视化
plt.figure(figsize=(10,5))
plt.plot(t, np.abs(pulse), 'b-', label="Original")
plt.plot(t, np.abs(dispersed), 'r--', label="Dispersed")
plt.plot(t, np.abs(compensated), 'g-.', label="Compensated")
plt.legend(); plt.title("Optical Dispersion Compensation"); plt.xlabel("Time (ps)"); plt.ylabel("Amplitude")
plt.show()