CN104359556B - 一种用于宽带光谱成像系统的最优化训练样本选择方法 - Google Patents

Abstract

本发明公开了一种用于宽带光谱成像系统的最优化训练样本选择方法，包括搭建实际宽带光谱成像系统，标定光谱成像系统的各项参数；准备光谱成像常用样本集并测量其光谱反射率信息；利用实际光谱成像系统拍摄样本集，依据系统标定信息对样本集数字响应值校正；利用伪逆光谱重建方法重建样本集，以光谱均方根误差最小化为原则，从样本集中逐个挑选训练样本组成训练样本集；每挑选一个训练样本加入到训练样本集时，将样本集中所有样本遍历一次，直至训练样本集对总样本集的光谱重建误差开始收敛于某最小值Jmin时，锁定最优训练样本集，实现宽带光谱成像最优训练样本选择。该方法具有显著降低光谱成像复杂性、提高光谱重建精度等技术优势。

Description

一种用于宽带光谱成像系统的最优化训练样本选择方法

技术领域

本发明属于宽带光谱成像中光谱重建技术领域，具体涉及一种基于宽带光谱成像系统光谱重建误差最小化的最优训练样本选择方法。

背景技术

光谱成像技术目前是国内外颜色与影像科学领域数字成像的主流技术之一。此项技术以光谱作为物体表面真实色彩“指纹”性表征为核心依据，通过建立的光谱成像系统，对物体表面的光谱数据值进行拍摄记录。目前的光谱成像系统主要分为两类，一类是窄带光谱成像系统，由窄带滤光片或窄带光源配合光电记录元件组成；一类是宽带光谱成像系统，由宽带滤光片配合三通道或单色CCD数码相机组成，首先获得物体表面多通道数字响应信息，然后通过光谱重建技术计算得到物体表面的光谱反射率信息。

宽带光谱成像系统中，物体表面光谱反射率重建一般要先获得典型代表性训练样本，通过训练样本计算由多通道数字响应信号到光谱反射率值的转换矩阵，完成光谱反射率重建。根据实际研究，实际一些标准色靶和样本集包含大量的冗余色块，选用其中少数部分色块便能表征标准色靶几乎全部光谱和色度特征信息。而目前常用一些标准色靶(如GretagMacbethColorCheckerDC(CCDC)，ANSIIT8charts以及MunsellSurfaceColors等)作为训练样本进行光谱重建工作，但这些色靶大部分具有较多数量的颜色色块，这给光谱成像过程中的数据处理带来了巨大的工作量。

目前业界解决此类问题的主要方法是选取一定数量的色块表征标准色靶的全部光谱和色度特征信息，同时提出了许多样本选择方法，比如基于最小条件数训练样本选择方法，基于光谱聚类分析的训练样本选择方法，基于空间距离分析挑选最优训练样本的方法和基于特征向量分析的训练样本选择方法等。需要指出的是，上述训练样本选择方法均是基于对样本集自身的特征分析，虽然能够有效的重建全部样本集的光谱反射率，但是并没有考虑和联系实际的光谱成像系统特性，导致选择的训练样本集在实际光谱成像过程中并非最优的训练样本集。对于上述问题，目前学术界及工业界都尚未提出从实际光谱成像系统特性角度实现最优训练样本选择的方法。

发明内容

本发明的目的是为了解决背景技术中所述问题，提出一种用于宽带光谱成像系统的最优化训练样本选择方法。

本发明所采用的技术方案是：一种用于宽带光谱成像系统的最优化训练样本选择方法，其特征在于，包括以下步骤：

步骤1：搭建实际宽带光谱成像系统；

步骤2：对光谱成像系统的暗电流水平、光源稳定性、光照不均匀性、各通道线性化响应程度进行标定；

步骤3：准备光谱成像常用的样本集Θ，包括标准色靶或自制色靶，利用专业测量设备测量获取样本集Θ的光谱反射率信息r；

步骤4：用标定后的真实光谱成像系统对样本集Θ进行拍摄，并根据步骤2对光谱成像系统的标定结果对拍摄的样本集进行校正，获得颜色样本集校正后的数字响应信号值d；

步骤5：利用伪逆方法作为训练样本选择时的光谱重建方法，从选择第一个训练样本开始，针对样本集Θ中的每一个样本r_i，利用伪逆方法计算得到样本对应的转换矩阵T；然后对样本集Θ进行光谱重建；以光谱重建误差(rootmeansquare，RMS)作为评价指标，挑选出光谱重建误差最小的一个样本作为第一个训练样本s₁；此时，训练样本集中的第一个样本Ω₁被选定；以此类推，在挑选剩余的第2个到第k个训练样本；

所述的转换矩阵T为：

T＝r_i·PINV(d_i)(式一)；

式一中，d_i表示与r_i对应的第i个样本的系统响应信号值；

所述的对样本集Θ进行光谱重建的公式为：

$\hat{r}=T\·d$ (式二)；

$J=RMS=E\left\{\right||\hat{r}-r|\left|\right\}$ (式三)；

$s_1=\underset{r_i\∈\mathrm{\Θ}}{\arg \min }J$ (式四)；

Ω₁＝{s₁}(式五)；

所述的挑选剩余的第2个到第k个训练样本的计算公式为：

$\left\{\begin{array}{c}T=\{{\mathrm{\Ω}}_{k-1}\∪r_i\}\·PINV\left(d_{\{{\mathrm{\Ω}}_{k-1}\∪r_i\}}\right)\\ \hat{r}=T\·d\\ J=E\left\{\right||\hat{r}-r|\left|\right\}\\ s_k=\underset{r_i\∈\mathrm{\Θ}}{\arg \min }J\\ {\mathrm{\Ω}}_k={\mathrm{\Ω}}_{k-1}\∪\left\{s_k\right\}\end{array}\right.$ (式六)；

步骤6：针对步骤5中的训练样本选择方法，直到满足式七所表示的条件时，完成训练样本选择，此时确定的训练样本集Ω_k对样本集Θ光谱重建误差开始达到最小，开始收敛；当继续增加满足式六的训练样本s_k+1,s_k+2,…,s_m时，训练样本集Ω_k+1,Ω_k+2,…,Ω_m对样本集Θ的光谱重建误差仅有极其微弱减小趋势，基本收敛于最小值J_min；

其中： $\underset{s_k}{\arg \min }{J}_k=\underset{s_{k+1}}{\arg \min }{J}_{k+1}=\underset{s_{k+2}}{\arg \min }{J}_{k+2}=\mathrm{...}=J_{\min }$ (式七)；

每挑选一个新的样本加入到训练样本集Ω时，都要将样本集Θ中所有的样本遍历一次，其中包括已经存在于训练样本集Ω中的样本；如此设计算法可以充分利用有效训练样本在真实光谱成像系统中的贡献度，使最终确定的训练样本集Ω在真实光谱成像系统前提条件下最大程度的表征样本集Θ的光谱特征；

步骤7：锁定满足步骤6中式七所示的规则和条件的最优训练样本集Ω_k，完成宽带光谱成像系统最优训练样本选择。

作为优选，步骤6中光谱误差极限水平设定为0.0279。

作为优选，其特征在于：k＝38。

本发明从考试实际光谱成像系统特性出发，通过搭建实际宽带光谱成像系统，标定实际宽带光谱成像系统的暗电流、噪声、光照不均匀性及系统通道响应线性化程度；准备光谱成像常用样本集，利用专业测量设备测量样本集的光谱反射率信息；利用实际光谱成像系统拍摄样本集，依据系统标定信息对样本集数字响应值进行校正；利用伪逆光谱重建方法对样本集进行光谱重建，以光谱均方根误差最小化为原则，从样本集中逐个挑选训练样本加入到训练样本集；每挑选一个新的样本加入到训练样本集Ω时，都要将样本集Θ中所有的样本遍历一次，其中包括已经存在于训练样本集Ω中的样本。如此设计算法可以充分利用有效训练样本在真实光谱成像系统中的贡献度，使最终确定的训练样本集Ω在真实光谱成像系统前提条件下最大程度的表征样本集Θ的光谱特征。本发明在提高宽带光谱成像系统光谱重建精度的同时，大大降低了训练样本集的样本数量，且实施方便，在高保真色彩采集领域具有较高的适用性。

附图说明

图1：为本发明实施例的流程图。

图2：为本发明实例宽带光谱成像系统简图。

具体实施方式

本发明技术方案具体实施时可由本领域技术人员采用相应设备和计算机软件技术实现自动运行。结合附图，提供本发明实施例具体描述如下。

如图1所示实施例提供的一种基于真实光谱成像系统重建光谱误差最小化的训练样本选择方法，可以在降低光谱成像复杂性的同时提高光谱重建精度，用于物体表面色的信息的数字化真实采集记录。实例采用一套由Sinar75H高分辨率数码相机改造而成宽带光谱成像系统，配合由154种矿物质颜料在11种颗粒度粒径下涂制而成的1687个颜料样本集，进行详细说明。

实例主要包括以下步骤：

1)宽带光谱成像系统搭建。

如图2所示，采用仙娜(Sinar75H)三通道数码相机配合参照Schott滤光片制作的两个型号为BG7和OG515带通滤光片组成宽带光谱成像系统，照明光源为scanlite1000，黑障用于放置光源光线直接照射进入相机镜头中，避免光源噪声，PR705用于标定系统通道线性化响应程度。

2)对搭建的宽带光谱成像系统进行标定。

针对图2所示系统进行标定，包括系统的暗电流噪声，光源稳定性，拍摄平面光照均匀性，以及系统的通道响应线性化程度。本例中，系统的R、G、B三个通道平均暗电流水平分别为1000.7、1008.2、1025.0；光源稳定性较好；系统R、G、B通道线性化响应程度分别为96.09％、95.88％、96.18，经线性化校正之后分别为99.67％、99.76％、99.56％，校正后线性化程度较高；拍摄平面的光照均匀性采用18％的均匀灰卡进行标定。

3)准备光谱成像样本集Θ。

本实验颜色样本集选用由154种矿物质颜料在11种颗粒度粒径下涂制而成的1687个颜料样本，这154种矿物质颜料包含了几乎古代壁画所使用的所有矿物质颜料，具有较高程度的代表性。

4)利用专业设备测量样本集Θ的光谱反射率数据。

使用spectrolino在D50/2°条件下通过三次测量求平均的方法得到颜色样本集在380～730nm范围内的相对光谱反射率r。

5)利用搭建的宽带光谱成像系统对样本集Θ进行采集并校正。

利用图2所示宽带光谱成像系统，对样本集Θ进行拍照采集，获得样本集的数字响应信号，对获得的样本数字响应信号进行暗电流校正、系统噪声去除、线性化校正以及光照不均匀性校正等处理，得到样本校正后数字响应值d。

6)利用伪逆方法进行光谱重建，选择最优训练样本集Ω。

针对获得的每个重建样本的六通道系统响应信号d_i，可以通过转换矩阵T重建得到其对应的光谱反射率，其中转换矩阵T是通过训练样本的光谱反射率矩阵乘以对应的系统响应值的伪逆矩阵得到，从选择第一个训练样本开始，针对样本集Θ中的每一个样本r_i，利用式(1)计算得到样本对应的转换矩阵T：

T＝r_i·PINV(d_i)(1)

然后利用式(2)对样本集Θ进行光谱重建：

$\hat{r}=T\·d---\left(2\right)$

以光谱重建误差(rootmeansquare,RMS)作为评价指标：

$J=RMS=E\left\{\right||\hat{r}-r|\left|\right\}---\left(3\right)$

挑选出光谱重建误差最小的一个样本作为第一个训练样本：

$s_1=\underset{r_i\∈\mathrm{\Θ}}{\arg \min }J---\left(4\right)$

此时，训练样本集中的第一个样本被选定，

Ω₁＝{s₁}(5)

以此类推，在挑选剩余的第2个到第k个训练样本时有

$\left\{\begin{array}{c}T=\{{\mathrm{\Ω}}_{k-1}\∪r_i\}\·PINV\left(d_{\{{\mathrm{\Ω}}_{k-1}\∪r_i\}}\right)\\ \hat{r}=T\·d\\ J=E\left\{\right||\hat{r}-r|\left|\right\}\\ s_k=\underset{r_1\∈\mathrm{\Θ}}{\arg \min }J\\ {\mathrm{\Ω}}_k={\mathrm{\Ω}}_{k-1}\∪\left\{s_k\right\}\end{array}\right.---\left(6\right)$

7)对数目不断训增加的练样本集的收敛性进行监督。

计算每增加一个训练样本之后的训练样本集Ω对全部样本集Θ的平均光谱重建精度，直到满足式(7)所表示的条件时完成训练样本选择，此时确定的训练样本集Ω_k对样本集Θ光谱重建误差开始达到最小，当继续增加满足式(6)的训练样本s_k+1,s_k+2,…,s_m时，训练样本集Ω_k+1,Ω_k+2,…,Ω_m对样本集Θ的光谱重建误差仅有极其微弱减小趋势，基本收敛于最小值J_min。

$\underset{s_k}{\arg \min }{J}_k=\underset{s_{k+1}}{\arg \min }{J}_{k+1}=\underset{s_{k+2}}{\arg \min }{J}_{k+2}=\mathrm{...}=J_{\min }---\left(7\right)$

每挑选一个新的样本加入到训练样本集Ω时，都要将样本集Θ中所有的样本遍历一次，其中包括已经存在于训练样本集Ω中的样本，如此设计算法可以充分利用有效训练样本在真实光谱成像系统中的贡献度，使最终确定的训练样本集Ω在真实光谱成像系统前提条件下最大程度的表征样本集Θ的光谱特征。

实例中，当训练样本数量达到25(k＝25)个时，光谱成像系统的重建光谱误差RMS已经十分接近使用1687个样本作为训练样本的重建误差水平(RMS＝0.0279)，当训练样本数量达到38(k＝38)个时，光谱成像系统的重建光谱误差RMS开始收敛于0.0277，38个样本中有两个重复一次的样本。当继续增加样本数量超过38(k>38)个时，光谱成像系统的重建光谱误差RMS虽有微小降低，但仍然收敛于0.0277，此时训练样本集中重复出现的色块数量和色块的重复次数都开始增加。因此，可以认为当训练样本数量达到38个时，可作为1687个色块组成的样本集在本实验真实宽带光谱成像系统下光谱重建的最优训练样本集。

8)锁定最优训练样本集。

根据步骤7)对训练样本集的监督及分析可知，当训练样本数目达到38时(包括两个重复样本)，训练样本集Ω对全部样本集Θ的平均光谱重建精度达到最小，并开始收敛。以此锁定在本例的宽带光谱成像系统中，1687个样本集的最优训练样本为k＝38对应的训练样本集，完成最优训练样本集的选择。

本实施例中光谱误差极限水平设定为0.0279，k＝38。这并不是对本方法的限定，事实上，本方法的光谱误差极限水平和k针对不同的样本集具有不同的取值。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (3)

1.一种用于宽带光谱成像系统的最优化训练样本选择方法，其特征在于，包括以下步骤：

步骤1：搭建实际宽带光谱成像系统；

步骤2：对宽带光谱成像系统的暗电流水平、光源稳定性、光照不均匀性和各通道线性化响应程度进行标定；

步骤3：准备宽带光谱成像系统常用的样本集Θ，包括标准色靶或自制色靶，利用专业测量设备测量获取样本集Θ的光谱反射率信息r；

步骤4：用标定后的真实宽带光谱成像系统对样本集Θ进行拍摄，并根据步骤2对宽带光谱成像系统的标定结果对拍摄的样本集进行校正，获得样本集校正后的数字响应信号值d；

步骤5：利用伪逆方法作为训练样本选择时的光谱重建方法，从选择第一个训练样本开始，针对样本集Θ中的每一个样本r_i，利用伪逆方法计算得到样本对应的转换矩阵T；然后对样本集Θ进行光谱重建；以光谱重建误差(rootmeansquare，RMS)作为评价指标，挑选出光谱重建误差最小的一个样本作为第一个训练样本s₁；此时，训练样本集Ω中的第一个样本集Ω₁被选定；以此类推，在挑选剩余的第2个到第k个训练样本；

所述的转换矩阵T为:

T＝r_i·PINV(d_i)(式一)；

式一中，d_i表示与r_i对应的第i个样本的数字响应信号值；

所述的对样本集Θ进行光谱重建的公式为：

$\hat{r}=T\·d$ (式二)；

$J=RMS=E\left\{\right||\hat{r}-r|\left|\right\}$ (式三)；

$s_1=\underset{r_i\∈\mathrm{\Θ}}{\arg \min }J$ (式四)；

Ω₁＝{s₁}(式五)；

所述的挑选剩余的第2个到第k个训练样本的计算公式为：

$\left\{\begin{array}{c}T=\{{\mathrm{\Ω}}_{k-1}\∪r_i\}\·PINV\left(d_{\{{\mathrm{\Ω}}_{k-1}\∪r_i\}}\right)\\ \hat{r}=T\·d\\ J=E\left\{\right||\hat{r}-r|\left|\right\}\\ s_k=\underset{r_i\∈\mathrm{\Θ}}{\arg \min }J\\ {\mathrm{\Ω}}_k={\mathrm{\Ω}}_{k-1}\∪\left\{s_k\right\}\end{array}\right.$ (式六)；

步骤6：针对步骤5中的训练样本选择方法，直到满足式七所表示的条件时，完成训练样本选择，此时确定的训练样本集Ω_k对样本集Θ光谱重建误差开始达到最小，开始收敛；当继续增加满足式六的训练样本s_k+1,s_k+2,…,s_m时，训练样本集Ω_k+1,Ω_k+2,…,Ω_m对样本集Θ的光谱重建误差仅有极其微弱减小趋势，基本收敛于最小值J_min；

其中： $\underset{s_k}{\arg \min }{J}_k=\underset{s_{k+1}}{\arg \min }{J}_{k+1}=\underset{s_{k+2}}{\arg \min }{J}_{k+2}=...=J_{min}$ (式七)；

每挑选一个新的样本加入到训练样本集Ω时，都要将样本集Θ中所有的样本遍历一次，其中包括已经存在于训练样本集Ω中的样本；

步骤7：锁定满足步骤6中式七所示的规则和条件的最优训练样本集Ω_k，完成宽带光谱成像系统最优训练样本选择。

2.根据权利要求1所述的用于宽带光谱成像系统的最优化训练样本选择方法，其特征在于：步骤6中光谱重建误差极限水平设定为0.0279。

3.根据权利要求1所述的用于宽带光谱成像系统的最优化训练样本选择方法，其特征在于：k＝38。