CN107170013A - 一种rgb相机光谱响应曲线的标定方法 - Google Patents
一种rgb相机光谱响应曲线的标定方法 Download PDFInfo
- Publication number
- CN107170013A CN107170013A CN201710304262.0A CN201710304262A CN107170013A CN 107170013 A CN107170013 A CN 107170013A CN 201710304262 A CN201710304262 A CN 201710304262A CN 107170013 A CN107170013 A CN 107170013A
- Authority
- CN
- China
- Prior art keywords
- msub
- spectral response
- response curve
- mrow
- camera
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Color Television Image Signal Generators (AREA)
Abstract
本发明公开的一种RGB相机光谱响应曲线的标定方法,属于计算摄像学领域。本发明分为训练阶段和使用阶段。训练阶段在相机光谱响应曲线的训练集中,把每个相机光谱响应曲线分为红色、绿色、蓝色3个通道;对所述每个通道的所有光谱响应曲线,使用字典学习方法求解稀疏字典。使用阶段利用超光谱成像的图像融合平台,以所述待标定RGB相机拍摄高分辨率RGB图像,并使用超光谱相机拍摄相同场景的低分辨率超光谱图像;根据所述两张图像和三通道的稀疏字典,使用稀疏编码方法求解所述待标定相机的光谱响应曲线,从而完成对RGB相机光谱响应曲线的标定。本发明具有步骤简单快速、不需要昂贵标定设备,且在图像具有噪声的情况下仍能保持标定精度的优点。
Description
技术领域
本发明涉及一种RGB相机光谱响应曲线的标定方法,具体涉及一种基于低分辨率超光谱图像、相同场景高分辨率RGB图像以及光谱响应曲线训练集的相机光谱响应曲线标定方法,属于计算摄像学领域。
背景技术
不同的彩色相机在拍摄相同场景时,得到的图像常常会有色差,这是由于相机内部的硬件差别所导致的。这些差别包括CCD图像传感器的感光特性差异、拜耳滤光片的差异等。这些差异可以表现为相机在三个通道的光谱敏感度的差异。为了描述相机的光谱敏感度,厂家常常会提供相机的光谱响应曲线,表示相机的每个通道在整个光谱域的响应,这样的曲线通常以波长为横坐标,以相对响应为纵坐标。
彩色相机的光谱响应曲线在一些工业应用中有重要意义。例如,近年来兴起的单次曝光的超光谱成像技术。这种技术的一种实现是,使用RGB彩色相机拍摄场景的高分辨率RGB图像,同时使用超光谱相机拍摄相同场景的低分辨率超光谱图像,使用某种方法将两者融合,得到高分辨率超光谱图像。这种技术要求RGB相机的光谱响应曲线必须已知。
对RGB相机光谱响应曲线的标定,传统的方法会使用待标定相机拍摄多个波长的单色光源,同时记录相机的响应。这种方法虽然可以得到精确的光谱响应曲线,但是它的缺点是需要昂贵的设备,且标定过程耗时长。根据超光谱成像图像融合平台的特点,近年的技术中也提出了仅利用平台拍摄的高低分辨率两张图像标定RGB相机光谱响应曲线的方法,但是这些方法在图像中具有噪声时,性能会急剧下降,导致光谱响应曲线标定不准确,从而降低超光谱成像的精度。
发明内容
从现有应用对RGB相机光谱响应曲线的标定需求出发,针对传统技术中RGB相机光谱曲线标定方法存在的复杂、昂贵的缺点,以及基于图像融合平台的RGB相机光谱响应曲线标定方法中存在的对噪声敏感的缺点,本发明公开的一种RGB相机光谱响应曲线的标定方法,要解决的技术问题是提供一种适用于超光谱成像的图像融合平台的RGB相机光谱响应曲线的标定方法,具有步骤简单快速、不需要昂贵标定设备,且在图像具有噪声的情况下仍能保持标定精度的优点。
为达到以上目的,本发明采用以下技术方案:
本发明公开的一种RGB相机光谱响应曲线的标定方法,分为训练阶段和使用阶段。训练阶段在相机光谱响应曲线的训练集中,把每个相机光谱响应曲线分为红色、绿色、蓝色3个通道;对所述每个通道的所有光谱响应曲线,使用字典学习方法求解稀疏字典。使用阶段利用超光谱成像的图像融合平台,以所述待标定RGB相机拍摄高分辨率RGB图像,并使用超光谱相机拍摄相同场景的低分辨率超光谱图像;根据所述两张图像和三通道的稀疏字典,使用稀疏编码方法求解所述待标定相机的光谱响应曲线,从而完成对RGB相机光谱响应曲线的标定。
本发明公开的一种RGB相机光谱响应曲线的标定方法,分为训练和使用两个阶段,包括如下步骤:
步骤一:训练阶段用于根据RGB相机光谱响应曲线训练集,使用字典学习方法得到红色、绿色、蓝色三个通道的光谱响应稀疏字典。
步骤1.1:在相机光谱响应曲线的训练集中,将每个相机光谱响应曲线分为红色、绿色、蓝色三个颜色通道;
步骤1.2:对步骤1.1中红色、绿色、蓝色三个颜色通道的所有光谱响应曲线,使用如公式(1)所示字典学习方法求解稀疏字典。
其中Φq表示第q个通道的稀疏字典,Xq表示q通道的所有原始响应曲线,βq表示稀疏编码,η表示稀疏项的权重,||·||F表示矩阵的弗罗宾尼斯(frobenius)范数,||·||1表示矩阵的1-范数;
求解公式(1)的方法优选:K-SVD算法,最佳方向(MOD)法,在线字典学习(ODL)法,主成分分析(PCA)法,顶点成分分析(VCA)法;
步骤二:使用阶段根据步骤一得到的红色、绿色、蓝色三个颜色通道的稀疏字典,采集的低分辨率超光谱图像和高分辨率RGB图像,得到RGB相机的光谱响应曲线。
步骤2.1:使用超光谱成像的图像融合平台,以待标定RGB相机拍摄高分辨率RGB图像,并使用已标定的超光谱相机拍摄相同场景的低分辨率超光谱图像;
步骤2.2:根据步骤2.1得到的高、低分辨率两张图像和步骤一中得到的稀疏字典,求解如公式(2)所示优化方程得到稀疏编码;
其中αq表示所述稀疏编码,H表示所述低分辨率超光谱图像的矩阵表示,Mq表示所述RGB图像的q通道的矩阵表示,S代表高分辨率图像和低分辨率图像之间的空间下采样矩阵表示,η表示稀疏约束的权重;
求解公式(2)的方法,优选正交匹配追踪(OMP)算法,最小角回归(LARS)算法,迭代软阈值(ISTA)算法,交替方向乘子(ADMM)算法;
步骤2.3:利用步骤一得到的稀疏字典和步骤2.2得到的稀疏编码,根据公式(3)和(4)求解所述待标定相机的光谱响应曲线,从而完成对RGB相机光谱响应曲线的标定。
其中表示q通道光谱响应曲线的估计值。
有益效果:
1、现有技术中基于图像融合平台的RGB相机光谱响应曲线标定方法,由于仅利用了高分辨率RGB图像和低分辨率超光谱图像之间的相等关系,在两张图像中具有噪声时会导致标定不准确;本发明公开的一种RGB相机光谱响应曲线的标定方法,由于步骤1.2中在训练集中使用了稀疏字典,且步骤2.2中利用稀疏字典进行了稀疏编码,使标定结果对噪声不敏感。
2、相比传统的RGB相机光谱响应曲线标定方法需要多次曝光,本发明公开的一种RGB相机光谱响应曲线的标定方法,由于步骤2.1采集图像时只需要进行一次曝光,因此标定速度快。
3、本发明公开的一种RGB相机光谱响应曲线的标定方法,标定过程中由于步骤2.1只需要利用已有的图像融合平台中的设备,相比传统RGB相机光谱响应曲线标定方法不需要额外昂贵的标定设备,可以节省标定成本、降低标定过程的复杂度。
附图说明
图1是本发明公开的RGB相机光谱响应曲线的标定方法的流程图。
图2是本发明公开的RGB相机光谱响应曲线的标定方法使用的图像融合平台的示意图。
图3是公开的RGB相机光谱响应曲线的标定方法标定过程的示意图。
具体实施方式
为了更好的说明本发明的目的和优点,下面结合附图和实例对发明内容做进一步说明。
实施例1:
本实施例公开的一种RGB相机光谱响应曲线的标定方法,分为训练阶段和使用阶段。训练阶段在相机光谱响应曲线的训练集中,把每个相机光谱响应曲线分为红色、绿色、蓝色3个通道;对所述每个通道的所有光谱响应曲线,使用字典学习方法求解稀疏字典。使用阶段利用超光谱成像的图像融合平台,以所述待标定RGB相机拍摄高分辨率RGB图像,并使用超光谱相机拍摄相同场景的低分辨率超光谱图像;根据所述两张图像和三通道的稀疏字典,使用稀疏编码方法求解所述待标定相机的光谱响应曲线,从而完成对RGB相机光谱响应曲线的标定。本实施例中标定方法的流程图如图1所示。
近几年,基于一次曝光的超光谱成像平台被广泛研究(详见Kawakami R,Matsushita Y,Wright J,et al.High-resolution hyperspectral imaging via matrixfactorization[C]//Computer Vision and Pattern Recognition(CVPR),2011 IEEEConference on.IEEE,2011:2329-2336.)。图2是一种图像融合平台的示意图,这种平台利用分光镜,使低分辨率超光谱相机和高分辨率相机通过一次曝光拍摄相同场景的图像,然后通过稀疏表达技术进行融合,从而得到高分辨率超光谱图像。这种图像融合技术要求RGB相机的光谱响应曲线已知。两台相机拍摄的两张图像,应有如下关系:MS=TH,其中M表示高分辨率RGB图像,H表示低分辨率超光谱图像,S表示高分辨率图像到低分辨率图像的空间下采样矩阵,T表示RGB相机的光谱响应曲线。利用这个相等关系,可以在空间下采样矩阵已知的情况下,使用图像融合平台采集高分辨率RGB图像和低分辨率超光谱图像,从而对RGB相机的光谱响应曲线进行标定。
现有技术中基于图像融合平台的RGB相机光谱响应曲线标定方法仅利用以上关系,当采集的RGB图像或超光谱图像含有噪声时,对标定结果影响很大(详见Veganzones MA,Simoes M,Licciardi G,et al.Hyperspectral super-resolution of locally lowrank images from complementary multisource data[J].IEEE Transactions on ImageProcessing,2016,25(1):274-288.)。因此本实施例公开的标定方法,额外使用了稀疏表达技术,在求解RGB相机的光谱响应曲线时加入了稀疏约束,从而有效降低了标定方法对噪声的敏感度。本实施例中标定方法的示意图如图3所示。同时,本实施例公开的标定方法也保持了基于图像融合平台的RGB相机光谱响应曲线标定方法所具有的简单、快速的特点,不需要额外的标定设备。
本实施例公开的一种RGB相机光谱响应曲线的标定方法,分为训练和使用两个阶段。本实施例中标定方法的流程图如图1所示。
步骤一:训练阶段用于根据RGB相机光谱响应曲线训练集,使用字典学习方法得到红色、绿色、蓝色三个通道的光谱响应稀疏字典。
步骤1.1:在相机光谱响应曲线的训练集中,将每个相机光谱响应曲线分为红色、绿色、蓝色三个颜色通道;
步骤1.2:对步骤1.1中红色、绿色、蓝色三个颜色通道的所有光谱响应曲线,使用如公式(1)所示字典学习方法求解稀疏字典。
其中Φq表示第q个通道的稀疏字典,Xq表示q通道的所有原始响应曲线,βq表示稀疏编码,η表示稀疏项的权重,||·||F表示矩阵的弗罗宾尼斯(frobenius)范数,||·||1表示矩阵的1-范数;
求解公式(1)的方法优选:K-SVD算法,最佳方向(MOD)法,在线字典学习(ODL)法(详见Mairal J,Bach F,Ponce J,et al.Online dictionary learning for sparsecoding[C]//Proceedings of the 26th annual international conference on machinelearning.ACM,2009:689-696.),主成分分析(PCA)法,顶点成分分析(VCA)法;
步骤二:使用阶段根据步骤一得到的红色、绿色、蓝色三个颜色通道的稀疏字典,采集的低分辨率超光谱图像和高分辨率RGB图像,得到RGB相机的光谱响应曲线。
步骤2.1:使用超光谱成像的图像融合平台,以待标定RGB相机拍摄高分辨率RGB图像,并使用已标定的超光谱相机拍摄相同场景的低分辨率超光谱图像;
步骤2.2:根据步骤2.1得到的高、低分辨率两张图像和步骤一中得到的稀疏字典,求解公式(2)所示优化方程得到稀疏编码。
其中αq表示所述稀疏编码,H表示所述低分辨率超光谱图像的矩阵表示,Mq表示所述RGB图像的q通道的矩阵表示,S代表高分辨率图像和低分辨率图像之间的空间下采样矩阵表示,η表示稀疏约束的权重;
求解公式(2)的方法,优选正交匹配追踪(OMP)算法(详见Pati Y C,Rezaiifar R,Krishnaprasad P S.Orthogonal matching pursuit:Recursive functionapproximation with applications to wavelet decomposition[C]//Signals,Systemsand Computers,1993.1993 Conference Record of The Twenty-Seventh AsilomarConference on.IEEE,1993:40-44.),最小角回归(LARS)算法(详见Efron B,Hastie T,Johnstone I,et al.Least angle regression[J].The Annals of statistics,2004,32(2):407-499.),迭代软阈值(ISTA)算法,交替方向乘子(ADMM)算法;
步骤2.3:利用步骤一得到的稀疏字典和步骤2.2得到的稀疏编码,根据公式(3)和(4)求解所述待标定相机的光谱响应曲线,从而完成对RGB相机光谱响应曲线的标定。
其中表示q通道光谱响应曲线的估计值。
以上所述的具体描述,对发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种RGB相机光谱响应曲线的标定方法,其特征在于:分为训练和使用两个阶段,包括如下步骤:
步骤一:训练阶段用于根据RGB相机光谱响应曲线训练集,使用字典学习方法得到红色、绿色、蓝色三个通道的光谱响应稀疏字典;
步骤1.1:在相机光谱响应曲线的训练集中,将每个相机光谱响应曲线分为红色、绿色、蓝色三个颜色通道;
步骤1.2:对步骤1.1中红色、绿色、蓝色三个颜色通道的所有光谱响应曲线,使用如公式(1)所示字典学习方法求解稀疏字典;
<mrow>
<mover>
<msub>
<mi>&Phi;</mi>
<mi>q</mi>
</msub>
<mo>^</mo>
</mover>
<mo>=</mo>
<mi>arg</mi>
<munder>
<mi>min</mi>
<msub>
<mi>&phi;</mi>
<mi>q</mi>
</msub>
</munder>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>X</mi>
<mi>q</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&Phi;</mi>
<mi>q</mi>
</msub>
<msub>
<mi>&beta;</mi>
<mi>q</mi>
</msub>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mi>&eta;</mi>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>&beta;</mi>
<mi>q</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>1</mn>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中Φq表示第q个通道的稀疏字典,Xq表示q通道的所有原始响应曲线,βq表示稀疏编码,η表示稀疏项的权重,||·||F表示矩阵的弗罗宾尼斯(frobenius)范数,||·||1表示矩阵的1-范数;
步骤二:使用阶段根据步骤一得到的红色、绿色、蓝色三个颜色通道的稀疏字典,采集的低分辨率超光谱图像和高分辨率RGB图像,得到RGB相机的光谱响应曲线;
步骤2.1:使用超光谱成像的图像融合平台,以待标定RGB相机拍摄高分辨率RGB图像,并使用已标定的超光谱相机拍摄相同场景的低分辨率超光谱图像;
步骤2.2:根据步骤2.1得到的高、低分辨率两张图像和步骤一中得到的稀疏字典,求解如公式(2)所示优化方程得到稀疏编码;
<mrow>
<msub>
<mover>
<mi>&alpha;</mi>
<mo>^</mo>
</mover>
<mi>q</mi>
</msub>
<mo>=</mo>
<mi>arg</mi>
<munder>
<mi>min</mi>
<msub>
<mi>&alpha;</mi>
<mi>q</mi>
</msub>
</munder>
<mo>|</mo>
<mo>|</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&Phi;</mi>
<mi>q</mi>
</msub>
<msub>
<mi>&alpha;</mi>
<mi>q</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mi>H</mi>
<mo>-</mo>
<msub>
<mi>M</mi>
<mi>q</mi>
</msub>
<mi>S</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mi>&eta;</mi>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>&alpha;</mi>
<mi>q</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>1</mn>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中αq表示所述稀疏编码,H表示所述低分辨率超光谱图像的矩阵表示,Mq表示所述RGB图像的q通道的矩阵表示,S代表高分辨率图像和低分辨率图像之间的空间下采样矩阵表示,η表示稀疏约束的权重;
步骤2.3:利用步骤一得到的稀疏字典和步骤2.2得到的稀疏编码,根据公式(3)和(4)求解所述待标定相机的光谱响应曲线,从而完成对RGB相机光谱响应曲线的标定;
<mrow>
<msub>
<mover>
<mi>T</mi>
<mo>^</mo>
</mover>
<mi>q</mi>
</msub>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>&Phi;</mi>
<mo>^</mo>
</mover>
<mi>q</mi>
</msub>
<msub>
<mover>
<mi>&alpha;</mi>
<mo>^</mo>
</mover>
<mi>q</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mover>
<mi>T</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<mo>&lsqb;</mo>
<msub>
<mover>
<mi>T</mi>
<mo>^</mo>
</mover>
<mi>R</mi>
</msub>
<mo>;</mo>
<msub>
<mover>
<mi>T</mi>
<mo>^</mo>
</mover>
<mi>G</mi>
</msub>
<mo>;</mo>
<msub>
<mover>
<mi>T</mi>
<mo>^</mo>
</mover>
<mi>B</mi>
</msub>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中表示q通道光谱响应曲线的估计值。
2.如权利要求1所述的一种RGB相机光谱响应曲线的标定方法,其特征在于:求解公式(1)的方法选用K-SVD算法,最佳方向(MOD)法,在线字典学习(ODL)法,主成分分析(PCA)法或顶点成分分析(VCA)法。
3.如权利要求1所述的一种RGB相机光谱响应曲线的标定方法,其特征在于:求解公式(2)的方法选用正交匹配追踪(OMP)算法,最小角回归(LARS)算法,迭代软阈值(ISTA)算法,交替方向乘子(ADMM)算法。
4.一种RGB相机光谱响应曲线的标定方法,其特征在于:分为训练阶段和使用阶段;训练阶段在相机光谱响应曲线的训练集中,把每个相机光谱响应曲线分为红色、绿色、蓝色3个通道;对所述每个通道的所有光谱响应曲线,使用字典学习方法求解稀疏字典;使用阶段利用超光谱成像的图像融合平台,以所述待标定RGB相机拍摄高分辨率RGB图像,并使用超光谱相机拍摄相同场景的低分辨率超光谱图像;根据所述两张图像和三通道的稀疏字典,使用稀疏编码方法求解所述待标定相机的光谱响应曲线,从而完成对RGB相机光谱响应曲线的标定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710304262.0A CN107170013B (zh) | 2017-05-03 | 2017-05-03 | 一种rgb相机光谱响应曲线的标定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710304262.0A CN107170013B (zh) | 2017-05-03 | 2017-05-03 | 一种rgb相机光谱响应曲线的标定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107170013A true CN107170013A (zh) | 2017-09-15 |
CN107170013B CN107170013B (zh) | 2020-04-21 |
Family
ID=59812419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710304262.0A Expired - Fee Related CN107170013B (zh) | 2017-05-03 | 2017-05-03 | 一种rgb相机光谱响应曲线的标定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107170013B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108694715A (zh) * | 2018-05-15 | 2018-10-23 | 清华大学 | 基于卷积稀疏编码的单相机rgb-nir成像系统 |
CN112714300A (zh) * | 2020-12-01 | 2021-04-27 | 南京理工大学 | 超低照度下基于光谱响应的色彩校正方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005024362A1 (en) * | 2003-09-05 | 2005-03-17 | Christos Salpistis | Multispectral spectroscopy through tunable multispectral reflection between 200nm and 6000nm |
CN101294867A (zh) * | 2008-06-03 | 2008-10-29 | 清华大学 | Ccd成像设备相对光谱响应特性的标定方法及系统 |
CN101661620A (zh) * | 2009-09-18 | 2010-03-03 | 北京航空航天大学 | 单幅图像相机响应曲线标定方法 |
CN102279050A (zh) * | 2011-07-28 | 2011-12-14 | 清华大学 | 一种多光谱计算重构方法及系统 |
CN102496143A (zh) * | 2011-11-14 | 2012-06-13 | 西安电子科技大学 | 基于chelesky分解和近似奇异值分解的稀疏K-SVD噪声抑制方法 |
CN102722865A (zh) * | 2012-05-22 | 2012-10-10 | 北京工业大学 | 一种超分辨率稀疏重建方法 |
CN103247034A (zh) * | 2013-05-08 | 2013-08-14 | 中国科学院光电研究院 | 一种基于稀疏光谱字典的压缩感知高光谱图像重构方法 |
CN103886342A (zh) * | 2014-03-27 | 2014-06-25 | 西安电子科技大学 | 基于光谱和邻域信息字典学习的高光谱图像分类方法 |
CN104320640A (zh) * | 2014-11-12 | 2015-01-28 | 北京凌云光技术有限责任公司 | Rgb光谱响应曲线的建立方法及系统、感光像元组 |
CN105091905A (zh) * | 2015-06-10 | 2015-11-25 | 清华大学 | 混合相机高光谱采集系统的标定方法及系统 |
CN105509900A (zh) * | 2016-02-03 | 2016-04-20 | 姜志富 | 红外辐射测量仪响应曲线标定装置及方法 |
CN106157244A (zh) * | 2016-06-08 | 2016-11-23 | 南京航空航天大学 | 一种基于稀疏表示的QR Code图像超分辨重建方法 |
CN106251320A (zh) * | 2016-08-15 | 2016-12-21 | 西北大学 | 基于联合稀疏与结构字典的遥感图像融合方法 |
-
2017
- 2017-05-03 CN CN201710304262.0A patent/CN107170013B/zh not_active Expired - Fee Related
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005024362A1 (en) * | 2003-09-05 | 2005-03-17 | Christos Salpistis | Multispectral spectroscopy through tunable multispectral reflection between 200nm and 6000nm |
CN101294867A (zh) * | 2008-06-03 | 2008-10-29 | 清华大学 | Ccd成像设备相对光谱响应特性的标定方法及系统 |
CN101661620A (zh) * | 2009-09-18 | 2010-03-03 | 北京航空航天大学 | 单幅图像相机响应曲线标定方法 |
CN102279050A (zh) * | 2011-07-28 | 2011-12-14 | 清华大学 | 一种多光谱计算重构方法及系统 |
CN102496143A (zh) * | 2011-11-14 | 2012-06-13 | 西安电子科技大学 | 基于chelesky分解和近似奇异值分解的稀疏K-SVD噪声抑制方法 |
CN102722865A (zh) * | 2012-05-22 | 2012-10-10 | 北京工业大学 | 一种超分辨率稀疏重建方法 |
CN103247034A (zh) * | 2013-05-08 | 2013-08-14 | 中国科学院光电研究院 | 一种基于稀疏光谱字典的压缩感知高光谱图像重构方法 |
CN103886342A (zh) * | 2014-03-27 | 2014-06-25 | 西安电子科技大学 | 基于光谱和邻域信息字典学习的高光谱图像分类方法 |
CN104320640A (zh) * | 2014-11-12 | 2015-01-28 | 北京凌云光技术有限责任公司 | Rgb光谱响应曲线的建立方法及系统、感光像元组 |
CN105091905A (zh) * | 2015-06-10 | 2015-11-25 | 清华大学 | 混合相机高光谱采集系统的标定方法及系统 |
CN105509900A (zh) * | 2016-02-03 | 2016-04-20 | 姜志富 | 红外辐射测量仪响应曲线标定装置及方法 |
CN106157244A (zh) * | 2016-06-08 | 2016-11-23 | 南京航空航天大学 | 一种基于稀疏表示的QR Code图像超分辨重建方法 |
CN106251320A (zh) * | 2016-08-15 | 2016-12-21 | 西北大学 | 基于联合稀疏与结构字典的遥感图像融合方法 |
Non-Patent Citations (6)
Title |
---|
BO WU ET AL: "Generalization of spectral fidelity with flexible measures for the sparse representation classification of hyperspectral images", 《INTERNATIONAL JOURNAL OF APPLIED EARTH OBSERVATION AND GEOINFORMATION》 * |
WEISHENG DONG ET AL: "Hyperspectral Image Super-Resolution via Non-Negative Structured Sparse Representation", 《IEEE TRANSACTIONS ON IMAGE PROCESSING 》 * |
YING FU ET AL: "Adaptive Spatial-Spectral Dictionary Learning for Hyperspectral Image Denoising", 《 2015 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV)》 * |
李广煜: "高光谱图像结构稀疏编码与重建", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
李涛: "遥感影像稀疏表示中的字典学习算法及其应用", 《中国博士学位论文全文数据库信息科技辑》 * |
王传珂等: "光学多道谱仪和CCD组合系统的效率曲线标定", 《光电子技术与信息》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108694715A (zh) * | 2018-05-15 | 2018-10-23 | 清华大学 | 基于卷积稀疏编码的单相机rgb-nir成像系统 |
CN112714300A (zh) * | 2020-12-01 | 2021-04-27 | 南京理工大学 | 超低照度下基于光谱响应的色彩校正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107170013B (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11810272B2 (en) | Image dehazing and restoration | |
Cong et al. | Dovenet: Deep image harmonization via domain verification | |
Xie et al. | Hyperspectral image super-resolution using deep feature matrix factorization | |
Oh et al. | Do it yourself hyperspectral imaging with everyday digital cameras | |
Liu et al. | A spectral grouping and attention-driven residual dense network for hyperspectral image super-resolution | |
Kim et al. | Robust radiometric calibration and vignetting correction | |
EP4109392A1 (en) | Image processing method and image processing device | |
US11455535B2 (en) | Systems and methods for sensor-independent illuminant determination | |
Gao et al. | Improving color constancy by discounting the variation of camera spectral sensitivity | |
AU2020281143B1 (en) | Creating super-resolution images | |
CN107239781B (zh) | 一种基于rgb图像的超光谱反射率重建方法 | |
WO2023240857A1 (zh) | 基于智能空谱融合的高分辨率视频高光谱成像方法、装置及介质 | |
Shi et al. | Illumination estimation via thin-plate spline interpolation | |
CN107220955A (zh) | 一种基于重叠区域特征点对的图像亮度均衡方法 | |
CN109360147A (zh) | 基于彩色图像融合的多光谱图像超分辨率重建方法 | |
Abdelhamed et al. | Leveraging the availability of two cameras for illuminant estimation | |
CN107170013A (zh) | 一种rgb相机光谱响应曲线的标定方法 | |
Mu et al. | A two-branch network combined with robust principal component analysis for hyperspectral image classification | |
CN110580684A (zh) | 一种基于黑白-彩色双目相机的图像增强方法 | |
Yamashita et al. | Low-light color image enhancement via iterative noise reduction using RGB/NIR sensor | |
CN111178229B (zh) | 一种基于深度学习的静脉显像方法和装置 | |
Prystavka et al. | Pyramid image and resize based on spline model | |
CN114140359B (zh) | 一种基于渐进式跨尺度神经网络的遥感图像融合锐化方法 | |
Tao et al. | An effective color correction method for underwater image | |
Wang et al. | Multispectral demosaicing via non-local low-rank regularization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
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: 20200421 Termination date: 20210503 |
|
CF01 | Termination of patent right due to non-payment of annual fee |