CN106896069A - 一种基于彩色数码相机单幅rgb图像的光谱重建方法 - Google Patents
一种基于彩色数码相机单幅rgb图像的光谱重建方法 Download PDFInfo
- Publication number
- CN106896069A CN106896069A CN201710222003.3A CN201710222003A CN106896069A CN 106896069 A CN106896069 A CN 106896069A CN 201710222003 A CN201710222003 A CN 201710222003A CN 106896069 A CN106896069 A CN 106896069A
- Authority
- CN
- China
- Prior art keywords
- training sample
- sample set
- formula
- response
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
- G01N21/274—Calibration, base line adjustment, drift correction
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明属于光谱成像技术领域,涉及一种基于彩色数码相机单幅RGB图像的光谱重建方法,包括测量训练样本光谱反射率;搭建拍摄环境,拍摄训练样本和重建对象RGB图像,校正图像;提取训练样本和重建对象各像素RGB响应值,计算任一像素与训练样本之间RGB值的欧氏距离,依据欧式距离从小到大对训练样本进行升序排列,取前p个训练样本为最优训练样本集;计算最优训练样本集的反距离加权矩阵;对最优训练样本集和待重建像素的响应值进行扩展;利用反距离加权矩阵对最优训练样本集的响应值扩展矩阵和光谱反射率矩阵进行加权;利用伪逆方法求解光谱重建转换矩阵,重建对应像素的光谱反射率,最终获得重建对象的光谱图像。
Description
技术领域
本发明属于光谱成像技术领域,具体涉及一种基于彩色数码相机单幅RGB图像的光谱重建方法。
背景技术
由于光谱成像技术在光谱与色度方面具有较高成像质量的能力,且具有图谱合一的功能,因此在遥感、彩色成像、生物医疗、文化遗产和艺术品研究等领域发展迅速。为了满足以上不同领域的具体应用,产生了各种类型的光谱成像系统,如相机+线阵扫描光谱仪、相机+滤光片轮、相机+带通滤光片(宽带或窄带)、相机+多光谱光源、单色相机+声光或液晶可调谐滤光片等,在颜色科学领域常被分为窄带和宽带两大类。对于上述基于光学带通滤光片的光谱成像系统而言,由于从低维度的数字响应信号重建高维度光谱反射率信息是一个病态的数学求解过程,因此光谱重建方法是上述光谱成像系统的关键所在。此外,由于光谱成像系统自身的复杂性以及不同型号滤光片本身厚度、折射率和非理想共面等因素存在,导致不同滤光片对应的数字图像之间存在几何扭曲,降低了光谱成像的精度。
分析当前基于光学带通滤光片的光谱成像系统的工作原理可知,相对于彩色数码相机,其主要优势是通过配合滤光片来增加数字图像采集的通道数,为光谱重建提供更高维度的输入信息,从而提高光谱重建的精度。受此启发,诸多学者开展利用彩色数码相机响应值扩展的方法实现物体表面光谱反射率重建的相关研究。虽然现有研究实现了基于彩色数码相机的光谱重建,获得了较好的光谱重建精度。但现有研究大多采用标准形式的多项式扩展模型,忽略了相机响应值扩展项数对光谱重建精度的影响。此外,当前方法多以整个训练样本集去重建所有的测试样本,所有的训练样本的权重相同,忽略了训练样本的数量以及其与测试样本之间的相关性对光谱重建精度的影响,制约了整体的光谱重建精度。
对于以上问题,目前学术界及工业界中均尚未提出合理有效的解决方法。本发明提出了一种基于响应值扩展和局部反距离加权的单幅RGB光谱重建方法,通过伪逆方法求解光谱重建转换矩阵,实现了光谱图像的获取,有效提高了光谱重建精度。
发明内容
本发明的目的是为了解决背景技术中所述问题,提出一种基于彩色数码相机单幅RGB图像的光谱重建方法。
本发明的技术方案为一种基于彩色数码相机单幅RGB图像的光谱重建方法,具体包括以下步骤:
步骤1,测量获得训练样本集的光谱反射率数据;
步骤2,搭建均匀的拍摄照明环境;
步骤3,设定彩色数码相机的各项拍摄参数,在相同拍摄条件下,拍摄获取训练样本集和重建对象的RGB图像,同时拍摄获取相机暗电流噪声和标准灰板的RGB图像;
步骤4,对训练样本集和重建对象的RGB图像进行暗电流噪声校正和光照不均匀性校正;
步骤5,提取训练样本集的RGB响应值和重建对象各像素的RGB响应值;
步骤6,针对重建对象任一像素,计算其与所有训练样本之间RGB响应值的欧式距离,计算公式如式一所示:
其中,下标j表示训练样本集中第j个训练样本,下标test表示重建的一个像素点或一个样本,ej表示重建样本与第j个训练样本之间的欧几里得距离,N表示训练样本数量,r、g和b分别表示一个像素点或一个样本的R通道、G通道和B通道的响应值;
步骤7,将训练样本集按照步骤6计算得到的欧氏距离值从小到大升序排列,提取前p个训练样本,作为局部最优训练样本集;
步骤8,计算局部最优训练样本集中每个样本的反距离加权权重,得到反距离加权矩阵,反距离加权权重计算方式如式二所示,
其中,下标k表示局部最优训练样本集中第k个训练样本,ek表示重建样本与第k个训练样本之间的欧几里得距离,σ是为了避免式二中出现分母为零而加入的一个极小数值,对于任意一个重建样本,其对应局部最优训练样本集的反距离加权权重矩阵如式三所示,
其中,p表示步骤7中提取的前p个训练样本;
步骤9,对局部最优训练样本集和重建像素的响应值进行扩展,扩展项数为s,响应值扩展形式如式四所示,
其中,dexpanded表示一个像素点或一个样本的相机响应值的扩展响应向量,r、g和b表示一个像素点或一个样本的R通道、G通道和B通道的响应值;
步骤10,利用反距离加权矩阵对局部最优训练样本集的响应值扩展矩阵和光谱反射率矩阵进行加权处理,如式六和式七所示:
Rwlocaltrain=WRlocaltrain 式六
Dwlocaltrain=WDlocaltrain 式七
其中,Rlocaltrain表示局部最优训练样本集的光谱反射率矩阵,Rwlocaltrain表示反距离加权之后的局部最优训练样本集的光谱反射率矩阵,Dlocaltrain表示局部最优训练样本集的扩展响应矩阵,Dwlocaltrain表示反距离加权之后的局部最优训练样本集的扩展响应矩阵,W为反距离加权权重矩阵;
步骤11,利用伪逆方法求解光谱重建转换矩阵,如式八所示,
Q=RwlocaltrainDwlocaltrain +式八
其中,Q为光谱重建转换矩阵,上标+表示伪逆运算符号;
步骤12,利用光谱重建转换矩阵Q重建对应像素的光谱反射率,如式九所示,
rtest=Qdtest 式九
其中,rtest表示一个重建像素点或一个样本的光谱反射率向量,dtest表示一个重建像素点或一个样本的响应值扩展响应向量;
步骤13,完成重建对象所有像素的光谱反射率重建,获得重建对象的光谱图像。
而且,所述步骤2中彩色数码相机的各项拍摄参数包括曝光时间、光圈大小、感光度ISO。
而且,所述步骤4中对训练样本集和重建对象的RGB图像进行暗电流噪声校正和光照不均匀性校正的具体实施方式为,从拍摄的训练样本、重建对象和标准灰板图像信号中减去暗电流噪声信号,完成暗电流噪声校正,然后利用训练样本和重建对象图像每个通道的每个像素响应值,分别除以标准灰板对应每个通道的响应均值,完成光照不均匀性校正。
而且,所述步骤7中局部最优训练样本数量p的取值,由训练样本集的样本数量N确定,当训练样本集的样本数量N大于等于100时,p值取100,当训练样本集的样本数量N小于100时,p取值为N。
而且,所述步骤8中极小值σ的取值为0.001。
而且,所述步骤1中矿物颜料样本集的光谱反射率数据由分光光度计测量获得。
本发明从光谱重建过程自适应优化处理角度出发,提出通过将相机响应值扩展与光谱重建局部样本反距离加权最优化相结合的方式,提高基于彩色数码相机的光谱重建精度。本发明相对于本研究方向的现有研究成果而言:1)有效地克服了首先将数码相机响应值映射到一个中间空间,然后再映射到光谱反射率信息的两步方法的繁琐性,实现了相机信号到光谱反射率的直接映射。2)弥补了现有研究方法使用整体训练样本集等权重计算光谱重建转换矩阵的缺点,构建了自适应优化光谱重建转换矩阵计算方法,有效提高了重建样本集的整体光谱重建精度。由于本发明技术方案具有重要应用意义,受到多个项目支持:1.国家自然基金项目61275172,2.国家自然基金项目61575147,3.国家973基础研究子项目2012CB725302。对本发明技术方案进行保护,将对我国相关行业竞争国际领先地位具有重要意义。
附图说明
图1为本发明实施例的流程图。
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计算机软件技术运行。结合附图,提供本发明实施例具体描述如下。
如图1所示,本发明实施例提供了一种基于彩色数码相机单幅RGB图像的光谱重建方法,可以有效地克服当前方法的不足,提高重建样本集的整体光谱重建精度,用于颜色科学、文物保护、病害检测等诸多领域的光谱图像获取。本发明实施例采用佳能彩色数码相机600D、由784个矿物颜料色块组成的样本集、爱色丽Eye-one Pro分光光度计、平面日光灯光源等设备,在标准暗室内开展实验,对本发明方法进行说明,其中样本集中奇数样本为实施例的训练样本集,偶数样本为本实施例的重建样本。需要说明的是,本发明并不仅仅局限于上述设备和样本的应用支持,对于任意能实现上述设备功能的同等性质的设备同样适用。
实施例主要包括以下步骤:
1)测量获得矿物颜料样本集的光谱反射率数据。
利用爱色丽Eye-one Pro分光光度计测量784个矿物颜料样本的光谱反射率数据,该设备采用0/45测量条件,在测量中通过三次测量求平均的方法减小随机噪声引起的测量误差;同时,为去除在光谱曲线两端由系统误差造成的噪声,以10nm为采样间隔,截取400-700nm范围内光谱反射率用于后续计算。
2)搭建均匀的拍摄照明环境。
在标准暗室内,利用平面日光灯光源,以45°角照明方向均匀照明拍摄区域,将佳能数码600D固定于三脚架,相机光路垂直于拍摄平面,关闭标准暗室其它光源,完成拍摄环境的搭建。
3)设定好彩色数码相机的各项拍摄参数,在相同拍摄条件下,拍摄获取矿物颜料样本集的RGB图像,同时拍摄获取相机暗电流噪声和标准灰板的RGB图像。
根据搭建的拍摄场景,设定佳能600D彩色数码相机各项拍摄参数,分别是曝光时间为1/20s,光圈大小为f4,感光度ISO为100,采用自动白平衡校正,摄获取上述保护784个颜料色块样本集的RGB图像,同时拍摄获取相机暗电流噪声和标准灰板的RGB图像,通过盖上相机镜头盖方式,拍摄获取暗电流噪声RGB图像。
4)对矿物颜料的RGB图像进行暗电流噪声校正和光照不均匀性校正。
从拍摄的矿物颜料样本集和标准灰板图像信号中减去暗电流噪声信号,完成暗电流噪声校正,然后利用矿物颜料样本集图像的每个通道的每个像素响应值,分别除以标准灰板对应每个通道的响应均值,完成光照不均匀性校正。
5)提取训练样本集的RGB响应值和重建对象各像素的RGB响应值。
利用在MATLAB工具,将矿物颜料样本集图像转换为双精度数值类型,然后提取矿物颜料样本集中每个样本中心5×5像素区域的平均响应值,作为该样本的RGB响应值,完成矿物颜料样本集RGB响应值的提取。
6)针对重建对象任一像素,计算其与所有训练样本之间RGB响应值的欧式距离。
以矿物颜料样本集中的392个奇数样本作为训练样本,以392个偶数样本作为重建样本,针对每一个偶数重建样本,通过式一计算其与训练样本集中每个样本响应值的欧式距离:
其中,下标j表示训练样本集中第j个训练样本,ej表示重建样本与第j个训练样本之间的欧几里得距离,N表示训练样本数量,r、g和b分别表示一个像素点或一个样本的R通道、G通道和B通道的响应值,下标test表示重建的一个像素点或一个样本;本发明实施例中N=392。
7)将训练样本集按照步骤6计算得到的欧氏距离值从小到大升序排列,提取前p(1≤p≤N)个训练样本,作为局部最优训练样本集。
其中的局部最优训练样本数量p的取值,由训练样本集的样本数量N确定,当训练样本集的样本数量N大于等于100时,p值取100,当训练样本集的样本数量N小于100时,p取值为N。实施例中,对392个训练样本,按照其与重建样本的欧式距离值,从小到大进行升序排列,取前100个训练样本作为重建样本的局部最优训练样本集,p=100。
8)计算局部最优训练样本集中每个样本的反距离加权权重,得到反距离加权矩阵。
本实施例中,针对392个重建样本中的每一个样本的局部最优训练样本集,按照式二分别计算局部最优样本集中每个样本的反距离加权权重:
其中,下标k表示局部最优训练样本集中第k个训练样本,ek表示重建样本与第k个训练样本之间的欧几里得距离,σ是为了避免式二中出现分母为零而加入的一个极小数值,实施例中,σ=0.001,对于任意一个重建样本,其对应局部最优训练样本集的反距离加权权重矩阵如式三所示。
其中,p表示步骤7中提取的前p个训练样本;
9)对局部最优训练样本集和重建像素的响应值进行扩展,扩展项数为s。
实施例中,响应值的具体扩展方式以如式四所示的标准四阶多项式模型为参考,对局部最优训练样本集和重建样本的响应值进行扩展,扩展项数为35项。
其中,dexpanded表示一个像素点或一个样本的相机响应值的扩展响应向量,r、g和b表示样本的R通道、G通道和B通道的响应值。但如果采用式式四中所有35个扩展项进行光谱重建,则可能导致数据过拟合问题,因此在正式光谱重建之前,应该首先确定最优响应扩展项数s,本发明利用训练样本集的奇数样本重建偶数样本方式,实施例中采用392个奇数样本作为训练样本,采用392个偶数样本作为重建样本,通过测试从4项到35项的方法确定最优扩展项数s,如式五所示,得到本实施例对应的最优扩展项数为19。
10)利用反距离加权矩阵对局部最优训练样本集的响应值扩展矩阵和光谱反射率矩阵进行加权处理。
实施例中,针对每一个重建样本,利用步骤8)中得到反距离加权权重矩阵,分别对局部最优样本集的反射率矩阵和响应值扩展矩阵进行加权处理,如式六和式七所示:
Rwlocaltrain=WRlocaltrain 式六
Dwlocaltrain=WDlocaltrain 式七
其中,Rlocaltrain表示局部最优训练样本集的光谱反射率矩阵,Rwlocaltrain表示反距离加权之后的局部最优训练样本集的光谱反射率矩阵,Dlocaltrain表示局部最优训练样本集的扩展响应矩阵,由式五计算得到,Dwlocaltrain表示反距离加权之后的局部最优训练样本集的扩展响应矩阵,W为反距离加权权重矩阵;
11)利用伪逆方法求解光谱重建转换矩阵。
实施例中,针对每一个重建样本,利用伪逆方法求解光谱重建转换矩阵Q,如式八所示:
Q=RwlocaltrainDwlocaltrain + 式八
其中,Q为光谱重建转换矩阵,上标+表示伪逆运算符号。
12)利用光谱重建转换矩阵Q重建对应像素的光谱反射率。
实施例中,利用步骤11)中计算得到的光谱转换矩阵Q,对每一个重建样本进行光谱重建,如式九所示:
rtest=Qdtest 式九
其中,rtest表示一个重建样本的光谱反射率向量,dtest表示一个重建像素点或一个重建样本的响应值扩展响应向量。
13)获得392个重建样本的光谱反射率数据。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (6)
1.一种基于彩色数码相机单幅RGB图像的光谱重建方法,其特征在于,包括以下步骤:
步骤1,测量获得训练样本集的光谱反射率数据;
步骤2,搭建均匀的拍摄照明环境;
步骤3,设定彩色数码相机的各项拍摄参数,在相同拍摄条件下,拍摄获取训练样本集和重建对象的RGB图像,同时拍摄获取相机暗电流噪声和标准灰板的RGB图像;
步骤4,对训练样本集和重建对象的RGB图像进行暗电流噪声校正和光照不均匀性校正;
步骤5,提取训练样本集的RGB响应值和重建对象各像素的RGB响应值;
步骤6,针对重建对象任一像素,计算其与所有训练样本之间RGB响应值的欧式距离,计算公式如式一所示:
其中,下标j表示训练样本集中第j个训练样本,下标test表示重建的一个像素点或一个样本,ej表示重建样本与第j个训练样本之间的欧几里得距离,N表示训练样本数量,r、g和b分别表示一个像素点或一个样本的R通道、G通道和B通道的响应值;
步骤7,将训练样本集按照步骤6计算得到的欧氏距离值从小到大升序排列,提取前p个训练样本,作为局部最优训练样本集;
步骤8,计算局部最优训练样本集中每个样本的反距离加权权重,得到反距离加权矩阵,反距离加权权重计算方式如式二所示,
其中,下标k表示局部最优训练样本集中第k个训练样本,ek表示重建样本与第k个训练样本之间的欧几里得距离,σ是为了避免式二中出现分母为零而加入的一个极小数值,对于任意一个重建样本,其对应局部最优训练样本集的反距离加权权重矩阵如式三所示,
其中,p表示步骤7中提取的前p个训练样本;
步骤9,对局部最优训练样本集和重建像素的响应值进行扩展,扩展项数为s,响应值扩展形式如式四所示,
其中,dexpanded表示一个像素点或一个样本的相机响应值的扩展响应向量,r、g和b表示一个像素点或一个样本的R通道、G通道和B通道的响应值;
步骤10,利用反距离加权矩阵对局部最优训练样本集的响应值扩展矩阵和光谱反射率矩阵进行加权处理,如式六和式七所示,
Rwlocaltrain=WRlocaltrain 式六
Dwlocaltrain=WDlocaltrain 式七
其中,Rlocaltrain表示局部最优训练样本集的光谱反射率矩阵,Rwlocaltrain表示反距离加权之后的局部最优训练样本集的光谱反射率矩阵,Dlocaltrain表示局部最优训练样本集的扩展响应矩阵,Dwlocaltrain表示反距离加权之后的局部最优训练样本集的扩展响应矩阵,W为反距离加权权重矩阵;
步骤11,利用伪逆方法求解光谱重建转换矩阵,如式八所示,
Q=RwlocaltrainDwlocaltrain + 式八
其中,Q为光谱重建转换矩阵,上标+表示伪逆运算符号;
步骤12,利用光谱重建转换矩阵Q重建对应像素的光谱反射率,如式九所示,
rtest=Qdtest 式九
其中,rtest表示一个重建像素点或一个样本的光谱反射率向量,dtest表示一个重建像素点或一个样本的响应值扩展响应向量;
步骤13,完成重建对象所有像素的光谱反射率重建,获得重建对象的光谱图像。
2.根据权利要求1所述的一种基于彩色数码相机单幅RGB图像的光谱重建方法,其特征在于:所述步骤2中彩色数码相机的各项拍摄参数包括曝光时间、光圈大小、感光度ISO。
3.根据权利要求1或2所述的一种基于彩色数码相机单幅RGB图像的光谱重建方法,其特征在于:所述步骤4中对训练样本集和重建对象的RGB图像进行暗电流噪声校正和光照不均匀性校正的具体实施方式为,从拍摄的训练样本、重建对象和标准灰板图像信号中减去暗电流噪声信号,完成暗电流噪声校正,然后利用训练样本和重建对象图像每个通道的每个像素响应值,分别除以标准灰板对应每个通道的响应均值,完成光照不均匀性校正。
4.根据权利要求3的一种所述基于彩色数码相机单幅RGB图像的光谱重建方法,其特征在于:所述步骤7中局部最优训练样本数量p的取值,由训练样本集的样本数量N确定,当训练样本集的样本数量N大于等于100时,p值取100,当训练样本集的样本数量N小于100时,p取值为N。
5.根据权利要求4所述的一种基于彩色数码相机单幅RGB图像的光谱重建方法,其特征在于:所述步骤8中极小值σ的取值为0.001。
6.根据权利要求1所述基于彩色数码相机单幅RGB图像的光谱重建方法,其特征在于:所述步骤1中矿物颜料样本集的光谱反射率数据由分光光度计测量获得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710222003.3A CN106896069B (zh) | 2017-04-06 | 2017-04-06 | 一种基于彩色数码相机单幅rgb图像的光谱重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710222003.3A CN106896069B (zh) | 2017-04-06 | 2017-04-06 | 一种基于彩色数码相机单幅rgb图像的光谱重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106896069A true CN106896069A (zh) | 2017-06-27 |
CN106896069B CN106896069B (zh) | 2019-05-10 |
Family
ID=59194392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710222003.3A Expired - Fee Related CN106896069B (zh) | 2017-04-06 | 2017-04-06 | 一种基于彩色数码相机单幅rgb图像的光谱重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106896069B (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107505046A (zh) * | 2017-07-31 | 2017-12-22 | 征图新视(江苏)科技有限公司 | 多光谱颜色测量方法 |
CN107515045A (zh) * | 2017-08-30 | 2017-12-26 | 中国科学院上海技术物理研究所 | 一种手机便携式多光谱成像方法及装置 |
CN107576396A (zh) * | 2017-08-30 | 2018-01-12 | 中国科学院上海技术物理研究所 | 手机程控多光谱成像方法及装置 |
CN108020519A (zh) * | 2017-12-11 | 2018-05-11 | 齐鲁工业大学 | 一种基于颜色恒常性的虚拟多光源光谱重建方法 |
CN108133271A (zh) * | 2017-12-13 | 2018-06-08 | 北京华航无线电测量研究所 | 一种基于三基色相机的颜色再现方法 |
CN108520488A (zh) * | 2018-04-10 | 2018-09-11 | 深圳劲嘉集团股份有限公司 | 一种重构光谱并进行复制的方法以及电子设备 |
CN108680535A (zh) * | 2018-04-02 | 2018-10-19 | 西安建筑科技大学 | 基于改进r矩阵的光谱反射率重建方法 |
CN108805953A (zh) * | 2018-06-15 | 2018-11-13 | 郑州布恩科技有限公司 | 一种基于lfp相位特征和k近邻算法的简单图像重建方法 |
CN109214302A (zh) * | 2018-08-13 | 2019-01-15 | 湖南志东科技有限公司 | 一种基于多光谱的物质识别方法 |
CN109697697A (zh) * | 2019-03-05 | 2019-04-30 | 北京理工大学 | 基于优化启发的神经网络的光谱成像系统的重构方法 |
CN110084163A (zh) * | 2019-04-18 | 2019-08-02 | 南京信息工程大学 | 基于多视图局部线性表示保留鉴别嵌入的人脸识别方法 |
CN110736542A (zh) * | 2019-10-28 | 2020-01-31 | 南京林业大学 | 一种基于rgb值的光谱重建方法 |
CN110807812A (zh) * | 2019-09-29 | 2020-02-18 | 浙江大学 | 一种基于先验噪声模型的数字图像传感器系统误差标定方法 |
CN110926608A (zh) * | 2019-10-14 | 2020-03-27 | 齐鲁工业大学 | 一种基于光源筛选的光谱重建方法 |
CN111750994A (zh) * | 2020-06-04 | 2020-10-09 | 武汉纺织大学 | 一种基于数码相机成像模型的光谱测量方法 |
CN111750993A (zh) * | 2020-06-04 | 2020-10-09 | 武汉纺织大学 | 一种基于成像条件校正的开放测量环境光谱测量方法 |
CN111750995A (zh) * | 2020-06-04 | 2020-10-09 | 武汉纺织大学 | 一种面向开放测量环境应用的光谱测量方法 |
CN111896109A (zh) * | 2020-07-17 | 2020-11-06 | 武汉大学 | 一种基于数码相机原始响应值的光谱重建方法 |
CN113792710A (zh) * | 2021-11-15 | 2021-12-14 | 滨州学院 | 光谱重建方法、装置及电子设备 |
CN113971434A (zh) * | 2021-07-27 | 2022-01-25 | 中国地质大学(武汉) | 提升光谱反射率重建精度的样本集扩展方法和存储介质 |
CN114235153A (zh) * | 2022-02-24 | 2022-03-25 | 武汉纺织大学 | 一种基于数码相机的织物颜色数字化测量方法 |
CN114397094A (zh) * | 2022-01-26 | 2022-04-26 | 武汉大学 | 一种基于光谱重建和色貌模型的光源显色性评价方法 |
WO2022126438A1 (zh) * | 2020-12-16 | 2022-06-23 | 华为技术有限公司 | 图像生成方法、装置及电子设备 |
CN115015180A (zh) * | 2022-07-20 | 2022-09-06 | 浙江理工大学 | 一种基于光谱反射率重建技术的水果糖度无损检测方法 |
CN115187870A (zh) * | 2022-09-13 | 2022-10-14 | 浙江蓝景科技有限公司杭州分公司 | 海洋塑料垃圾材质识别方法、系统、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103528968A (zh) * | 2013-11-01 | 2014-01-22 | 上海理工大学 | 基于迭代阈值法的反射率光谱重建方法 |
CN104634451A (zh) * | 2015-02-11 | 2015-05-20 | 武汉大学 | 基于多通道成像系统的光谱重建方法及系统 |
CN105513102A (zh) * | 2015-12-15 | 2016-04-20 | 西安电子科技大学 | 基于非局部全变差和低秩稀疏的高光谱压缩感知重建方法 |
CN105651384A (zh) * | 2016-01-13 | 2016-06-08 | 南京大学 | 一种全光信息采集系统 |
US20170094253A1 (en) * | 2015-09-25 | 2017-03-30 | Disney Enterprises, Inc. | Photometric three-dimensional facial capture and relighting |
-
2017
- 2017-04-06 CN CN201710222003.3A patent/CN106896069B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103528968A (zh) * | 2013-11-01 | 2014-01-22 | 上海理工大学 | 基于迭代阈值法的反射率光谱重建方法 |
CN104634451A (zh) * | 2015-02-11 | 2015-05-20 | 武汉大学 | 基于多通道成像系统的光谱重建方法及系统 |
US20170094253A1 (en) * | 2015-09-25 | 2017-03-30 | Disney Enterprises, Inc. | Photometric three-dimensional facial capture and relighting |
CN105513102A (zh) * | 2015-12-15 | 2016-04-20 | 西安电子科技大学 | 基于非局部全变差和低秩稀疏的高光谱压缩感知重建方法 |
CN105651384A (zh) * | 2016-01-13 | 2016-06-08 | 南京大学 | 一种全光信息采集系统 |
Non-Patent Citations (4)
Title |
---|
HEIKKINEN V,ET AL: "Regularized learning framework in the estimation of reflectance spectra from camera responses", 《JOURNAL OF THE OPTICAL SOCIETY OF AMERICA A》 * |
XIAO K,ET AL: "Improved method for skin reflectance reconstruction from camera images", 《OPTICS EXPRESS》 * |
李婵 等: "基于光谱连接空间的彩色相机光谱重构研究", 《发光学报》 * |
陈奕艺 等: "基于数码相机的光谱重构研究", 《光学学报》 * |
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107505046A (zh) * | 2017-07-31 | 2017-12-22 | 征图新视(江苏)科技有限公司 | 多光谱颜色测量方法 |
CN107505046B (zh) * | 2017-07-31 | 2020-06-12 | 征图新视(江苏)科技股份有限公司 | 多光谱颜色测量方法 |
CN107515045A (zh) * | 2017-08-30 | 2017-12-26 | 中国科学院上海技术物理研究所 | 一种手机便携式多光谱成像方法及装置 |
CN107576396A (zh) * | 2017-08-30 | 2018-01-12 | 中国科学院上海技术物理研究所 | 手机程控多光谱成像方法及装置 |
CN108020519B (zh) * | 2017-12-11 | 2020-03-10 | 齐鲁工业大学 | 一种基于颜色恒常性的虚拟多光源光谱重建方法 |
CN108020519A (zh) * | 2017-12-11 | 2018-05-11 | 齐鲁工业大学 | 一种基于颜色恒常性的虚拟多光源光谱重建方法 |
CN108133271A (zh) * | 2017-12-13 | 2018-06-08 | 北京华航无线电测量研究所 | 一种基于三基色相机的颜色再现方法 |
CN108133271B (zh) * | 2017-12-13 | 2020-07-17 | 北京华航无线电测量研究所 | 一种基于三基色相机的颜色再现方法 |
CN108680535A (zh) * | 2018-04-02 | 2018-10-19 | 西安建筑科技大学 | 基于改进r矩阵的光谱反射率重建方法 |
CN108520488A (zh) * | 2018-04-10 | 2018-09-11 | 深圳劲嘉集团股份有限公司 | 一种重构光谱并进行复制的方法以及电子设备 |
CN108520488B (zh) * | 2018-04-10 | 2022-06-24 | 深圳劲嘉集团股份有限公司 | 一种重构光谱并进行复制的方法以及电子设备 |
CN108805953A (zh) * | 2018-06-15 | 2018-11-13 | 郑州布恩科技有限公司 | 一种基于lfp相位特征和k近邻算法的简单图像重建方法 |
CN109214302A (zh) * | 2018-08-13 | 2019-01-15 | 湖南志东科技有限公司 | 一种基于多光谱的物质识别方法 |
CN109697697A (zh) * | 2019-03-05 | 2019-04-30 | 北京理工大学 | 基于优化启发的神经网络的光谱成像系统的重构方法 |
CN110084163A (zh) * | 2019-04-18 | 2019-08-02 | 南京信息工程大学 | 基于多视图局部线性表示保留鉴别嵌入的人脸识别方法 |
CN110807812A (zh) * | 2019-09-29 | 2020-02-18 | 浙江大学 | 一种基于先验噪声模型的数字图像传感器系统误差标定方法 |
CN110807812B (zh) * | 2019-09-29 | 2022-04-05 | 浙江大学 | 一种基于先验噪声模型的数字图像传感器系统误差标定方法 |
CN110926608A (zh) * | 2019-10-14 | 2020-03-27 | 齐鲁工业大学 | 一种基于光源筛选的光谱重建方法 |
CN110736542A (zh) * | 2019-10-28 | 2020-01-31 | 南京林业大学 | 一种基于rgb值的光谱重建方法 |
CN110736542B (zh) * | 2019-10-28 | 2021-07-16 | 南京林业大学 | 一种基于rgb值的光谱重建方法 |
CN111750993A (zh) * | 2020-06-04 | 2020-10-09 | 武汉纺织大学 | 一种基于成像条件校正的开放测量环境光谱测量方法 |
CN111750994A (zh) * | 2020-06-04 | 2020-10-09 | 武汉纺织大学 | 一种基于数码相机成像模型的光谱测量方法 |
CN111750994B (zh) * | 2020-06-04 | 2022-11-11 | 武汉纺织大学 | 一种基于数码相机成像模型的光谱测量方法 |
CN111750995B (zh) * | 2020-06-04 | 2022-10-14 | 武汉纺织大学 | 一种面向开放测量环境应用的光谱测量方法 |
CN111750993B (zh) * | 2020-06-04 | 2022-10-14 | 武汉纺织大学 | 一种基于成像条件校正的开放测量环境光谱测量方法 |
CN111750995A (zh) * | 2020-06-04 | 2020-10-09 | 武汉纺织大学 | 一种面向开放测量环境应用的光谱测量方法 |
CN111896109A (zh) * | 2020-07-17 | 2020-11-06 | 武汉大学 | 一种基于数码相机原始响应值的光谱重建方法 |
WO2022126438A1 (zh) * | 2020-12-16 | 2022-06-23 | 华为技术有限公司 | 图像生成方法、装置及电子设备 |
CN113971434A (zh) * | 2021-07-27 | 2022-01-25 | 中国地质大学(武汉) | 提升光谱反射率重建精度的样本集扩展方法和存储介质 |
CN113971434B (zh) * | 2021-07-27 | 2024-10-01 | 中国地质大学(武汉) | 提升光谱反射率重建精度的样本集扩展方法和存储介质 |
CN113792710A (zh) * | 2021-11-15 | 2021-12-14 | 滨州学院 | 光谱重建方法、装置及电子设备 |
CN114397094A (zh) * | 2022-01-26 | 2022-04-26 | 武汉大学 | 一种基于光谱重建和色貌模型的光源显色性评价方法 |
CN114235153B (zh) * | 2022-02-24 | 2022-05-13 | 武汉纺织大学 | 一种基于数码相机的织物颜色数字化测量方法 |
CN114235153A (zh) * | 2022-02-24 | 2022-03-25 | 武汉纺织大学 | 一种基于数码相机的织物颜色数字化测量方法 |
US11614362B1 (en) | 2022-02-24 | 2023-03-28 | Wuhan Textile University | Method of digital measuring color of fabrics based on digital camera |
CN115015180A (zh) * | 2022-07-20 | 2022-09-06 | 浙江理工大学 | 一种基于光谱反射率重建技术的水果糖度无损检测方法 |
CN115015180B (zh) * | 2022-07-20 | 2024-05-21 | 浙江理工大学 | 一种基于光谱反射率重建技术的水果糖度无损检测方法 |
CN115187870A (zh) * | 2022-09-13 | 2022-10-14 | 浙江蓝景科技有限公司杭州分公司 | 海洋塑料垃圾材质识别方法、系统、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106896069B (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106896069B (zh) | 一种基于彩色数码相机单幅rgb图像的光谱重建方法 | |
Krig | Computer vision metrics | |
Erben et al. | GaBoDS: The Garching‐Bonn Deep Survey: IV. Methods for the image reduction of multi‐chip cameras demonstrated on data from the ESOWide‐Field Imager | |
Liu et al. | An underwater image enhancement method for different illumination conditions based on color tone correction and fusion-based descattering | |
Zheng et al. | Joint image and depth estimation with mask-based lensless cameras | |
Liang et al. | Research on filter selection method for broadband spectral imaging system based on ancient murals | |
Xu et al. | Self-training-based spectral image reconstruction for art paintings with multispectral imaging | |
CN116630148B (zh) | 光谱图像处理方法、装置、电子设备及存储介质 | |
Cabayol et al. | The PAU survey: estimating galaxy photometry with deep learning | |
CN109325927A (zh) | 工业相机摄影测量图像亮度补偿方法 | |
CN111750994B (zh) | 一种基于数码相机成像模型的光谱测量方法 | |
Wang et al. | A novel low rank smooth flat-field correction algorithm for hyperspectral microscopy imaging | |
Xie et al. | Dual camera snapshot hyperspectral imaging system via physics-informed learning | |
CN113935917B (zh) | 一种基于云图运算和多尺度生成对抗网络的光学遥感影像薄云去除方法 | |
Shi et al. | Rapid all-in-focus imaging via physical neural network optical encoding | |
Yao et al. | Calculation and restoration of lost spatial information in division-of-focal-plane polarization remote sensing using polarization super-resolution technology | |
CN104111080B (zh) | 一种凝视卫星面阵ccd相机的mtf在轨检测方法 | |
Xu et al. | Wavelength encoding spectral imaging based on the combination of deeply learned filters and an RGB camera | |
Todarello et al. | Constraints on the origin of the radio synchrotron background via angular correlations | |
Tu et al. | 2D in situ method for measuring plant leaf area with camera correction and background color calibration | |
Simon Fraser University. Centre for Systems Science et al. | Shape from color | |
Gao et al. | Deep-learning-based hyperspectral imaging through a RGB camera | |
Wegner et al. | Image based performance analysis of thermal imagers | |
Simoneau et al. | Methods to Calibrate a Digital Colour Camera as a Multispectral Imaging Sensor in Low Light Conditions | |
Zhang et al. | Sub-pixel dispersion model for coded aperture snapshot spectral imaging |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190510 Termination date: 20200406 |
|
CF01 | Termination of patent right due to non-payment of annual fee |