CN107560735A - 基于压缩感知的高分辨率红外成像系统及方法 - Google Patents
基于压缩感知的高分辨率红外成像系统及方法 Download PDFInfo
- Publication number
- CN107560735A CN107560735A CN201710798803.XA CN201710798803A CN107560735A CN 107560735 A CN107560735 A CN 107560735A CN 201710798803 A CN201710798803 A CN 201710798803A CN 107560735 A CN107560735 A CN 107560735A
- Authority
- CN
- China
- Prior art keywords
- mrow
- spectral
- module
- aliasing
- image
- 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
Landscapes
- Transforming Light Signals Into Electric Signals (AREA)
- Spectrometry And Color Measurement (AREA)
- Studio Devices (AREA)
Abstract
一种基于压缩感知的高分辨率红外成像系统及方法,本发明的系统包括设置于系统最前端的镜头组以及按照光路透过顺序依次排列的谱段划分模块、压缩采样模块、观测模块、重构模块、合成图像模块,使得本发明将成像系统的工作波段拓展到了8‑14um的红外谱段,对光谱图像有更好的色散混叠效果。本发明的方法,通过对红外光谱场景图像划分谱段,对重构的多光谱红外图像进行合成,克服了现有技术对一个宽谱段的原始红外图像进行处理时信息丢失严重的问题,使得本发明增加了数据量,提高了一个宽谱段的光谱信息利用率,更好地保留了图像的能量信息,提升了重构结果的质量。
Description
技术领域
本发明属于红外图像重构技术领域,特别涉及压缩光谱成像技术领域中的一种基于压缩感知的高分辨率红外成像系统及方法。本发明可用于红外谱段光谱图像的获取和重构,提高图像的空间分辨率,重构出高分辨率、髙灵敏度的红外成像。
背景技术
在图像应用领域,细节分辨能力不足是限制图像的视觉效果以及目标理解和识别性能的重要因素。在红外影像等医学成像领域,图像分辨率严重受限于探测器阵列的像元数量和尺寸。提高图像分辨率最直接方法是改进图像传感器制造工艺,即从硬件上减小像元尺寸、增加探测器阵列的像元数量。但是,减小像元大小会引入图像噪声,增加像元数量又会降低传感器的工作效率,使其可靠性降低。同时,高分辨率成像设备的制造成本急剧增加,昂贵的价格也会限制其应用推广。
如何使用现有低分辨率探测器,实现高空间分辨率、高动态范围的红外成像,是摆在我们面前的一道难题。近年发展起来的计算成像方法、尤其是基于压缩感知理论的计算成像方法,为创新红外成像模式带来了新的机遇。
Ashwin A.Wagadarikara,Nikos P.Pitsianisabc,Xiaobai Sunb,DavidJ.Bradya,在其发表的论文“Spectral Image Estimation for Coded Aperture SnapshotSpectral Imagers”(Proceedings of SPIE-The International Society,2008,7076(36):6824--6833)中提出了一种CASSI(编码孔径快照光谱成像)系统,该系统包括依次排列的镜头组、编码模块、观测模块和图像重构模块。其中,编码模块由编码模板组成,用于对光谱图像的透射信息和反射信息分别进行随机采样,得到编码的光谱图像的透射信息和与之互补的反射信息;观测模块位于编码模板的后方,用于对已编码的光谱图像进行透射观测,包括色散棱镜和面阵检测器,色散棱镜用于对已编码的光谱图像进行色散,面阵检测器用于对经过色散的光谱图像进行观测,以获得混叠的观测图像;图像重构模块,利用光谱图像的先验信息通过压缩感知理论重构出原图像。该CASSI系统存在的不足之处是,由于镜头组、编码模板、面阵检测器的特性,工作波段局限于可见光波段,且重构图像分辨率不高。
西安电子科技大学在其申请的专利文献“基于引导滤波与剪切滤波的红外图像压缩感知重构方法”(申请号:201410490600,申请公布号:CN 104268907A)公开了一种红外图像压缩感知重构方法,将引导滤波与剪切滤波相结合对红外图像进行稀疏变换,然后对高频细节图进行压缩感知观测和重构,最后将重构的高频细节图与保留下来的低频模糊图进行逆变换得到最终的红外重构图像。该专利方法存在的不足之处是,对一个宽谱段的原始红外图像进行处理时信息丢失严重,噪声数据对重构结果干扰较大。
发明内容
本发明针对上述已有技术的不足,提出一种基于压缩感知的高分辨率红外成像系统及方法,探索高分辨率、高动态范围的红外成像机理与方法,提出基于压缩感知的红外成像新模式,为研制新型高性能红外成像仪提供理论保证,以获得高分辨率的红外图像、提升重构效果。
为实现上述目的,本发明的系统包括设置于系统最前端的镜头组以及按照光路透过顺序依次排列的谱段划分模块、压缩采样模块、观测模块、重构模块、合成图像模块;
所述的镜头组,用于聚焦场景图像;
所述的谱段划分模块,用于对原始的红外光谱图像划分谱段;
所述的压缩采样模块,包括编码模板、色散元件;所述的编码模板,用于对划分谱段后的光谱信息进行编码;所述的色散元件,用于对编码后的光谱信息进行平移,得到色散后的光谱信息;
所述的观测模块,用于对色散后的光谱信息进行采集,从光通道中提取混叠观测信息;
所述的重构模块,用于进行基于CASSI的多光谱红外图像重建;
所述的合成图像模块,用于对重构的多光谱红外图像进行合成,得到宽谱高分辨率红外图像。
实现本发明的目的方法的具体步骤如下:
(1)划分谱段:
按照下式,谱段划分模块对红外光谱场景图像划分谱段:
其中,X0(i,j,λ)表示划分后的光谱图像X0在空间位置和谱段组成的坐标系中第λ个谱段的光谱信息,i表示空间位置和谱段组成的坐标系的横坐标,1≤i≤W,W表示红外光谱场景图像X的宽度,j表示空间位置和谱段组成的坐标系的纵坐标,1≤j≤H,H表示红外光谱场景图像X的长度,λ表示划分的第λ个谱段,1≤λ≤K,K表示划分的谱段总数;
(2)获得混叠后的光谱信息:
(2a)按照光谱信息编码公式,编码模板对划分谱段后的光谱信息进行编码;
(2b)采用光谱信息混叠方法,色散元件将编码后的光谱信息进行混叠,得到混叠后的光谱信息;
(3)采集混叠观测信息:
观测模块按照下式对混叠后的光谱信息进行采集,得到混叠观测信息:
其中,Y(m,n)表示在谱段叠加后的空间坐标系中第m行第n列的混叠观测信息,s表示混叠后的光谱图像Y0与混叠观测图像Y的大小比例,混叠观测图像Y的大小是
(4)重构多光谱红外图像:
采用基于编码孔径快照光谱成像系统CASSI的重建方法,重构模块进行多光谱红外图像重构;
(5)按照下式,合成图像模块对重构的多光谱红外图像进行合成,得到宽谱高分辨率红外图像:
其中,X表示宽谱高分辨率红外图像,Σ表示求和符号,xλ表示重构的多光谱图像X在第λ个谱段的分量,1≤λ≤K。
本发明与现有技术相比较具有如下的优点:
第一,由于本发明的系统使用了压缩采样模块,该模块中使用了高分辨率的锗材料编码模板和由硒化锌、锗拼接而成的色散元件,克服了现有技术编码分辨率不高、工作波段局限于可见光波段的不足,使得本发明将成像系统的工作波段拓展到了8-14um的红外谱段,对光谱图像有更好的色散混叠效果,为光谱图像保留了更多的编码信息。
第二,由于本发明的方法可对红外光谱场景图像划分谱段,为重构多光谱红外图像时增加了不同谱段的图像数据,克服了现有技术对一个宽谱段的原始红外图像进行处理时信息丢失严重的问题,使得本发明增加了数据量,提高了一个宽谱段的光谱信息利用率,更好地保留了图像的能量信息。
第三,由于本发明的方法可对重构的多光谱红外图像进行合成,将各个谱段重构结果取平均得到宽谱高分辨率红外图像,克服了现有技术噪声数据对重构结果干扰较大的问题,使得本发明提升了重构结果图像的质量。
附图说明
图1为本发明系统的结构示意图;
图2为本发明系统中压缩采样模块的编码模板结构示意图;
图3为本发明系统中压缩采样模块的色散元件结构示意图;
图4为本发明方法的流程图;
图5为本发明的仿真对比图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照附图1,本发明的系统包括设置于系统最前端的镜头组以及按照光路透过顺序依次排列的谱段划分模块、压缩采样模块、观测模块、重构模块、合成图像模块。
所述的镜头组,用于聚焦场景图像。
所述的谱段划分模块,用于对原始的红外光谱图像划分谱段。
所述的压缩采样模块,包括编码模板、色散元件;所述的编码模板,用于对划分谱段后的光谱信息进行编码;所述的色散元件,用于对编码后的光谱信息进行平移,得到色散后的光谱信息。
所述的观测模块,用于对色散后的光谱信息进行采集,从光通道中提取混叠观测信息。
所述的重构模块,用于进行基于CASSI的多光谱红外图像重建。
所述的合成图像模块,用于对重构的多光谱红外图像进行合成,得到宽谱高分辨率红外图像。
参照图2,本发明压缩采样模块中的编码模板是一块随机贴装有阵列状透光隔光材料的锗晶体圆片,设置于镜头组的正后方。编码模板的编码部分是由透光和不透光的方格组成的矩形平面板,每个方格大小相同,用于对光谱图像的透射信息进行随机采样,得到编码的光谱图像。
参照图3,本发明压缩采样模块中的色散元件是由两块相同的硒化锌材料棱镜和一块锗材料棱镜拼接而成的阿米西amici棱镜,设置于编码模板的正后方。由于设置的两种材料的折射率和角度,该色散元件对于不同波段的红外图像起到不同的色散效果,以产生混叠的光谱图像。
观测模块为红外探测器,设置于色散元件的正后方,用于采集混叠的红外光谱图像。
参照图4,对本发明提供的基于压缩感知的高分辨率红外成像方法的具体步骤描述如下。
步骤1,划分谱段。
按照下式,谱段划分模块对红外光谱场景图像划分谱段:
其中,X0(i,j,λ)表示划分后的光谱图像X0在空间位置和谱段组成的坐标系中第λ个谱段的光谱信息,i表示空间位置和谱段组成的坐标系的横坐标,1≤i≤W,W表示红外光谱场景图像X的宽度,j表示空间位置和谱段组成的坐标系的纵坐标,1≤j≤H,H表示红外光谱场景图像X的长度,λ表示划分的第λ个谱段,1≤λ≤K,K表示划分的谱段总数。
步骤2,压缩采样模块对原始的红外光谱图像添加先验信息。
编码模板对划分谱段后的光谱信息进行编码,所述的光谱信息编码公式如下:
X1(i,j,λ)=X0(i,j,λ)×T(i,j)
其中,X1(i,j,λ)表示编码后的光谱图像X1在空间位置和谱段组成的坐标系中第λ个谱段的光谱信息,T(p,q)表示由相同数量0、1组成的随机编码矩阵T的在空间坐标系中第p行第q列的元素。
步骤3,色散元件将编码后的光谱信息进行混叠,得到混叠后的光谱信息。
所述的光谱信息混叠方法如下:
第一步:按照下式,将编码后的光谱信息进行平移,得到色散后的光谱信息:
X1(i-λ,j,λ)=X0(i-λ,j,λ)×T(i-λ,j)
其中,X1(i-λ,j,λ)表示色散后的光谱图像X1进行平移后在空间位置和谱段组成的坐标系中第λ个谱段的光谱信息;
第二步,按照下式,对色散后的光谱信息进行谱段叠加,得到混叠后的光谱信息:
其中,Y0(m,n)表示在谱段叠加后的空间坐标系中第m行第n列的混叠后的光谱信息,Σ表示求和符号。
步骤4采集混叠观测信息。
观测模块按照下式对混叠后的光谱信息进行采集,得到混叠观测信息:
其中,Y(m,n)表示在谱段叠加后的空间坐标系中第m行第n列的混叠观测信息,s表示混叠后的光谱图像Y0与混叠观测图像Y的大小比例,混叠观测图像Y的大小是
步骤5,重构多光谱红外图像。
采用基于编码孔径快照光谱成像系统CASSI的重建方法,重构模块进行多光谱红外图像重构,所述的基于编码孔径快照光谱成像系统CASSI的重建方法如下:
第一步,将系统观测模型的线性关系设为约束条件:
Y=A×X
其中,Y表示混叠观测信息Y(m,n)组成的混叠观测矩阵,A表示系统观测模型的线性算子,X表示待重构的光谱图像;
第二步,按照下式,根据优化目标函数和约束条件,得到重构的多光谱红外图像:
X=argmin||ΨTX||1 s·t.Y=A×X
其中,X表示重构的多光谱红外图像,Ψ表示稀疏基,T表示转置操作,||·||1表示取l1范数操作,s.t.表示条件约束符号。
步骤6,按照下式,合成图像模块对重构的多光谱红外图像进行合成,得到宽谱高分辨率红外图像:
其中,X表示宽谱高分辨率红外图像,xλ表示重构的多光谱图像X在第λ谱段的分量,取1≤λ≤K,K表示划分的谱段总数。
下面结合仿真图对本发明的效果做进一步的说明。
1.仿真条件:
本发明仿真实验的硬件测试平台是:Intel Core i7 6700 CPU,主频3.40GHz,内存8GB;软件仿真平台为:windows 7 64位操作系统和Matlab R2016a;测试图像为:武汉高德UA430红外探测器组件采集的红外图像,空间分辨率为(352,240)。
2.仿真内容与结果分析:
为了验证本发明的有效性,采用本发明做了一个仿真实验,根据仿真实验的重构结果计算出各个红外光谱图像重构结果的峰值信噪比。
图5中的图5(a)、图5(c)、图5(e)都是红外探测器所采集的红外图像在本发明的仿真实验1作为光谱场景图像。利用本发明方法进行图像重构,取划分的谱段总数K=6,分别对图5(a)、图5(c)、图5(e)的三幅光谱场景图像进行六等分频谱划分,图5(b)、图5(d)、图5(f)是图5(a)、图5(c)、图5(e)所分别对应的红外光谱图像重构结果图。表1是重构结果图5(b)、图5(d)、图5(f)的重构运行时间和分别与光谱场景图像图5(a)、图5(c)、图5(e)的峰值信噪比PSNR值的比较一览表。
表1各个红外图像重构结果一览表
红外光谱场景 | 图5(a) | 图5(c) | 图5(e) |
重构结果图像 | 图5(b) | 图5(d) | 图5(f) |
运行时间 | 54.289768秒 | 31.416405秒 | 32.050580秒 |
PSNR/dB | 40.7231 | 40.6455 | 40.2225 |
由表1中的三幅重构结果图像分别与红外光谱场景的峰值信噪比PSNR值分析,三幅图像的峰值信噪比都比较高,本发明的重构结果图像相对清晰,得到的重构结果细节保留得更加完善,整体图像也相对清晰,本发明的重构结果比现有技术提升很多,性能得到较大提升。
Claims (8)
1.一种基于压缩感知的高分辨率红外成像系统,其特征在于,包括设置于系统最前端的镜头组以及按照光路透过顺序依次排列的谱段划分模块、压缩采样模块、观测模块、重构模块、合成图像模块;其中:
所述的镜头组,用于聚焦场景图像;
所述的谱段划分模块,用于对原始的红外光谱图像划分谱段;
所述的压缩采样模块,包括编码模板、色散元件;所述的编码模板,用于对划分谱段后的光谱信息进行编码;所述的色散元件,用于对编码后的光谱信息进行平移,得到色散后的光谱信息;
所述的观测模块,用于对色散后的光谱信息进行采集,从光通道中提取混叠观测信息;
所述的重构模块,用于进行基于CASSI的多光谱红外图像重建;
所述的合成图像模块,用于对重构的多光谱红外图像进行合成,得到宽谱高分辨率红外图像。
2.根据权利要求1所述的基于压缩感知的高分辨率红外成像系统,其特征在于,所述压缩采样模块中的编码模板是一块随机贴装有阵列状透光隔光材料的锗晶体圆片,设置于镜头组的正后方。
3.根据权利要求1所述的基于压缩感知的高分辨率红外成像系统,其特征在于,所述压缩采样模块中的色散元件是由两块相同的硒化锌材料棱镜和一块锗材料棱镜拼接而成的阿米西amici棱镜,设置于编码模板的正后方。
4.根据权利要求1所述的基于压缩感知的高分辨率红外成像系统,其特征在于,所述观测模块为红外探测器,设置于色散元件的正后方。
5.一种基于压缩感知的高分辨率红外成像方法,包括如下步骤:
(1)划分谱段:
按照下式,谱段划分模块对红外光谱场景图像划分谱段:
<mrow>
<msub>
<mi>X</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>K</mi>
</mfrac>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
其中,X0(i,j,λ)表示划分后的光谱图像X0在空间位置和谱段组成的坐标系中第λ个谱段的光谱信息,i表示空间位置和谱段组成的坐标系的横坐标,1≤i≤W,W表示红外光谱场景图像X的宽度,j表示空间位置和谱段组成的坐标系的纵坐标,1≤j≤H,H表示红外光谱场景图像X的长度,λ表示划分的第λ个谱段,1≤λ≤K,K表示划分的谱段总数;
(2)获得混叠后的光谱信息:
(2a)按照光谱信息编码公式,编码模板对划分谱段后的光谱信息进行编码;
(2b)采用光谱信息混叠方法,色散元件将编码后的光谱信息进行混叠,得到混叠后的光谱信息;
(3)采集混叠观测信息:
观测模块按照下式对混叠后的光谱信息进行采集,得到混叠观测信息:
<mrow>
<mi>Y</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>s</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>q</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>s</mi>
</munderover>
<msub>
<mi>Y</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>&times;</mo>
<mi>s</mi>
<mo>+</mo>
<mi>p</mi>
<mo>,</mo>
<mo>(</mo>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>&times;</mo>
<mi>s</mi>
<mo>+</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
</mrow>
其中,Y(m,n)表示在谱段叠加后的空间坐标系中第m行第n列的混叠观测信息,s表示混叠后的光谱图像Y0与混叠观测图像Y的大小比例,混叠观测图像Y的大小是
(4)重构多光谱红外图像:
采用基于编码孔径快照光谱成像系统CASSI的重建方法,重构模块进行多光谱红外图像重构;
(5)按照下式,合成图像模块对重构的多光谱红外图像进行合成,得到宽谱高分辨率红外图像:
<mrow>
<mi>X</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>K</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>&lambda;</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msub>
<mi>x</mi>
<mi>&lambda;</mi>
</msub>
</mrow>
其中,X表示宽谱高分辨率红外图像,∑表示求和符号,xλ表示重构的多光谱图像X在第λ个谱段的分量,1≤λ≤K。
6.根据权利要求5所述的基于压缩感知的高分辨率红外成像方法,其特征在于,步骤(2a)中所述的光谱信息编码公式如下:
X1(i,j,λ)=X0(i,j,λ)×T(i,j)
其中,X1(i,j,λ)表示编码后的光谱图像X1在空间位置和谱段组成的坐标系中第λ个谱段的光谱信息,T(p,q)表示由相同数量0、1组成的随机编码矩阵T的在空间坐标系中第p行第q列的元素。
7.根据权利要求5所述的基于压缩感知的高分辨率红外成像方法,其特征在于,步骤(2b)中所述的光谱信息混叠方法如下:
第一步:按照下式,将编码后的光谱信息进行平移,得到色散后的光谱信息:
X1(i-λ,j,λ)=X0(i-λ,j,λ)×T(i-λ,j)
其中,X1(i-λ,j,λ)表示色散后的光谱图像X1进行平移后在空间位置和谱段组成的坐标系中第λ个谱段的光谱信息;
第二步,按照下式,对色散后的光谱信息进行谱段叠加,得到混叠后的光谱信息:
<mrow>
<msub>
<mi>Y</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>&lambda;</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<mo>&lsqb;</mo>
<msub>
<mi>X</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mi>&lambda;</mi>
<mo>,</mo>
<mi>j</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mi>&lambda;</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
其中,Y0(m,n)表示在谱段叠加后的空间坐标系中第m行第n列的混叠后的光谱信息,Σ表示求和符号。
8.根据权利要求5所述的基于压缩感知的高分辨率红外成像方法,其特征在于,步骤(4)中所述的基于编码孔径快照光谱成像系统CASSI的重建方法如下:
第一步,将系统观测模型的线性关系设为约束条件:
Y=A×X
其中,Y表示混叠观测信息Y(m,n)组成的混叠观测矩阵,A表示系统观测模型的线性算子,X表示待重构的光谱图像;
第二步,按照下式,根据优化目标函数和约束条件,得到重构的多光谱红外图像:
X=arg min||ΨTX||1 s.t.Y=A×X
其中,X表示重构的多光谱红外图像,Ψ表示稀疏基,T表示转置操作,||·||1表示取l1范数操作,s.t.表示条件约束符号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710798803.XA CN107560735B (zh) | 2017-09-07 | 2017-09-07 | 基于压缩感知的高分辨率红外成像系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710798803.XA CN107560735B (zh) | 2017-09-07 | 2017-09-07 | 基于压缩感知的高分辨率红外成像系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107560735A true CN107560735A (zh) | 2018-01-09 |
CN107560735B CN107560735B (zh) | 2019-07-23 |
Family
ID=60979356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710798803.XA Active CN107560735B (zh) | 2017-09-07 | 2017-09-07 | 基于压缩感知的高分辨率红外成像系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107560735B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109186762A (zh) * | 2018-09-30 | 2019-01-11 | 中国科学院西安光学精密机械研究所 | 一种确定编码图像数据区域的方法及编码模板 |
CN110987182A (zh) * | 2019-11-26 | 2020-04-10 | 西安电子科技大学 | 环形波长渐变滤光片和压缩感知的高光谱成像系统及方法 |
CN112802136A (zh) * | 2021-01-28 | 2021-05-14 | 北京理工大学重庆创新中心 | 基于低分辨率先验信息互补编码的场景重建方法和系统 |
CN113820012A (zh) * | 2020-06-19 | 2021-12-21 | 华为技术有限公司 | 一种多光谱图像处理方法及装置 |
CN116576965A (zh) * | 2023-06-30 | 2023-08-11 | 徐州光引科技发展有限公司 | 一种光谱分段计算重构方法、光谱仪及设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1494046B1 (en) * | 2003-07-02 | 2006-05-03 | Berner Fachhochschule Hochschule für Technik und Architektur Biel | Method and apparatus for coded-aperture imaging |
CN1802847A (zh) * | 2003-05-13 | 2006-07-12 | 艾科悉德成像有限公司 | 用于增强图像分辨率的光学方法和系统 |
US20110085051A1 (en) * | 2009-10-09 | 2011-04-14 | University Of Rochester | Optical element, device, method, and applications |
CN102130731A (zh) * | 2011-03-18 | 2011-07-20 | 电子科技大学 | 一种高分辨率多径信道时延谱的测定方法 |
CN103743482A (zh) * | 2013-11-22 | 2014-04-23 | 中国科学院光电研究院 | 一种光谱成像装置及光谱成像反演方法 |
CN104154999A (zh) * | 2014-08-15 | 2014-11-19 | 中国科学院上海技术物理研究所 | 一种基于压缩感知的计算多光谱成像系统 |
CN105021280A (zh) * | 2015-08-13 | 2015-11-04 | 西安电子科技大学 | 基于全色和压缩光谱成像的图像超分辨率系统及方法 |
CN105675136A (zh) * | 2016-03-22 | 2016-06-15 | 深圳先进技术研究院 | 一种编码孔径光谱成像系统 |
-
2017
- 2017-09-07 CN CN201710798803.XA patent/CN107560735B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1802847A (zh) * | 2003-05-13 | 2006-07-12 | 艾科悉德成像有限公司 | 用于增强图像分辨率的光学方法和系统 |
EP1494046B1 (en) * | 2003-07-02 | 2006-05-03 | Berner Fachhochschule Hochschule für Technik und Architektur Biel | Method and apparatus for coded-aperture imaging |
US20110085051A1 (en) * | 2009-10-09 | 2011-04-14 | University Of Rochester | Optical element, device, method, and applications |
CN102130731A (zh) * | 2011-03-18 | 2011-07-20 | 电子科技大学 | 一种高分辨率多径信道时延谱的测定方法 |
CN103743482A (zh) * | 2013-11-22 | 2014-04-23 | 中国科学院光电研究院 | 一种光谱成像装置及光谱成像反演方法 |
CN104154999A (zh) * | 2014-08-15 | 2014-11-19 | 中国科学院上海技术物理研究所 | 一种基于压缩感知的计算多光谱成像系统 |
CN105021280A (zh) * | 2015-08-13 | 2015-11-04 | 西安电子科技大学 | 基于全色和压缩光谱成像的图像超分辨率系统及方法 |
CN105675136A (zh) * | 2016-03-22 | 2016-06-15 | 深圳先进技术研究院 | 一种编码孔径光谱成像系统 |
Non-Patent Citations (1)
Title |
---|
ASHWIN A. WAGADARIKAR ET AL.: "Spectral Image Estimation for Coded Aperture Snapshot Spectral Imagers", 《PROC. OF SPIE》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109186762A (zh) * | 2018-09-30 | 2019-01-11 | 中国科学院西安光学精密机械研究所 | 一种确定编码图像数据区域的方法及编码模板 |
CN109186762B (zh) * | 2018-09-30 | 2023-09-01 | 中国科学院西安光学精密机械研究所 | 一种确定编码图像数据区域的方法及编码模板 |
CN110987182A (zh) * | 2019-11-26 | 2020-04-10 | 西安电子科技大学 | 环形波长渐变滤光片和压缩感知的高光谱成像系统及方法 |
CN113820012A (zh) * | 2020-06-19 | 2021-12-21 | 华为技术有限公司 | 一种多光谱图像处理方法及装置 |
CN112802136A (zh) * | 2021-01-28 | 2021-05-14 | 北京理工大学重庆创新中心 | 基于低分辨率先验信息互补编码的场景重建方法和系统 |
CN112802136B (zh) * | 2021-01-28 | 2022-11-15 | 北京理工大学重庆创新中心 | 基于低分辨率先验信息互补编码的场景重建方法和系统 |
CN116576965A (zh) * | 2023-06-30 | 2023-08-11 | 徐州光引科技发展有限公司 | 一种光谱分段计算重构方法、光谱仪及设备 |
CN116576965B (zh) * | 2023-06-30 | 2023-09-29 | 徐州光引科技发展有限公司 | 一种光谱分段计算重构方法、光谱仪及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107560735B (zh) | 2019-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107560735A (zh) | 基于压缩感知的高分辨率红外成像系统及方法 | |
Akgun et al. | Super-resolution reconstruction of hyperspectral images | |
CN112819737B (zh) | 基于3d卷积的多尺度注意力深度卷积网络的遥感图像融合方法 | |
EP2511680A2 (en) | Optimized orthonormal system and method for reducing dimensionality of hyperspectral Images | |
CN111080567A (zh) | 基于多尺度动态卷积神经网络的遥感图像融合方法及系统 | |
CN109376804A (zh) | 基于注意力机制和卷积神经网络高光谱遥感图像分类方法 | |
CN104867124B (zh) | 基于对偶稀疏非负矩阵分解的多光谱与全色图像融合方法 | |
IL226166A (en) | A system and method for reducing the dimensions of spectral figures | |
CN108765359A (zh) | 一种基于jskf模型和nsct技术的高光谱遥感影像与全色图像的融合方法 | |
CN109883548A (zh) | 基于优化启发的神经网络的光谱成像系统的编码优化方法 | |
CN110378295A (zh) | 一种多光谱图像信息和光谱信息异构融合的煤矸识别方法 | |
CN108288256A (zh) | 一种多光谱马赛克图像复原方法 | |
CN107436194A (zh) | 一种高光通量实时光谱成像装置 | |
CN106872035A (zh) | 量子点光谱成像系统 | |
CN106768327A (zh) | 一种液晶可调谐滤波器成像光谱重建方法 | |
Hu et al. | Spectroscopic studies of type Ia supernovae using LSTM neural networks | |
CN107064005A (zh) | 一种高光谱光场的快照式成像系统以及重建算法 | |
CN117726550B (zh) | 一种多尺度门控注意力遥感图像去雾方法和系统 | |
CN114638758A (zh) | 一种基于压缩感知的光谱成像技术进行受损图像的恢复重构方法 | |
CN109946241A (zh) | 一种基于高光谱计算成像系统的土壤分类方法 | |
CN117115669B (zh) | 双条件质量约束的对象级地物样本自适应生成方法及系统 | |
CN110631699A (zh) | 基于深度网络解混的瞬态光谱仪 | |
Zhang et al. | Enhanced resolution of FY4 remote sensing visible spectrum images utilizing super-resolution and transfer learning techniques | |
CN108801457B (zh) | 基于编码采样板设计以及二次能量约束校正的三维图谱获取及重建方法 | |
Geng et al. | Evaluation of GOFP over four forest plots using RAMI and UAV measurements |
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 |