CN110095188B - 一种光谱还原方法、装置及计算机可读存储介质 - Google Patents
一种光谱还原方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110095188B CN110095188B CN201910263262.XA CN201910263262A CN110095188B CN 110095188 B CN110095188 B CN 110095188B CN 201910263262 A CN201910263262 A CN 201910263262A CN 110095188 B CN110095188 B CN 110095188B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- light intensity
- column vector
- reduction
- vector input
- 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.)
- Active
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 89
- 230000009467 reduction Effects 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003860 storage Methods 0.000 title claims description 12
- 239000013598 vector Substances 0.000 claims abstract description 52
- 239000000463 material Substances 0.000 claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 38
- 230000003595 spectral effect Effects 0.000 claims abstract description 34
- 238000012804 iterative process Methods 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 230000001133 acceleration Effects 0.000 claims abstract description 22
- 238000013213 extrapolation Methods 0.000 claims abstract description 18
- 238000002835 absorbance Methods 0.000 claims description 21
- 238000010521 absorption reaction Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 230000008707 rearrangement Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012805 post-processing Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000000295 emission spectrum Methods 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 230000002269 spontaneous effect Effects 0.000 description 4
- 241001074086 Peprilus triacanthus Species 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011946 reduction process Methods 0.000 description 3
- 238000000411 transmission spectrum Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2803—Investigating the spectrum using photoelectric array detector
Abstract
本申请披露了一种光谱还原方法，包括：确定一维列向量输入；获取滤光材料阵列的吸收率矩阵、修正的投影梯度算法的动态步长和外插值加速策略的调节参数；基于所述动态步长、外插值加速策略的调节参数、所述一维列向量输入和所述滤光材料的吸收率矩阵，确定所述修正的投影梯度算法的迭代过程；基于所述迭代过程，确定还原光谱。
Description
技术领域
本发明涉及一种光谱还原方法和装置。具体的，涉及一种针对复式光谱仪的光谱还原方法和装置。
背景技术
光谱仪是用于测量样品光谱的器件。光谱仪中的光源照射目标样品后，目标样品反射、透射或散射形成反射谱、散射谱或者透射谱，或者样品不需照射、本身可发光，所述射谱、散射谱、透射谱或者样品的自发光谱能够反映物质的成分(组分)。在工业上对工业生产环境、在环保上对于自然环境(空气、水)，在生活中对于食品、饮料、药品等都有很多的物质成分识别与分析需求。
以反射谱为例，光源照射目标样品后反射产生反射谱，反射谱经过不同吸收特性的滤光片(阵列)调制后由CCD/CMOS或其他光电转换器件接收并转换为原始光强信号，原始光强信经处理后可重建出反射谱。所述重建过程就是基于CCD接收的数字信号和滤光片阵列的参数，计算处理获得样品的反射谱。同样地，当所述过程为透射或散射或目标样品自发光时，该重建过程可确定目标样品的透射谱或散射谱或自发光谱。
现有技术中的重建方法包括直接求解法和最小二乘法。采用直接求解法时会遇到的障碍就是无法获得超分辨率光谱，就意味着，如果只有32种滤光片，就只能还原成一个32个点的离散长度的光谱。且直接求解的解不具有数学上的稳定性，从实际结果来看，也即是抗噪音能力差。最小二乘法是一种迭代算法，迭代算法的缺点在于：1.获得的还原光谱可能会有强度出现负数的情况(很可能)，负数在物理上没有意义，并且肯定是错误的；2.解的正则性无法得到保证，也就意味着还原的光谱充满人造的高频噪音，严重影响进一步分析；3.收敛没有自适应性，无法达到快速计算，在低功耗设备上实时输出结果。
发明内容
针对现有技术中光谱还原计算不准确性和计算速度慢的情况，本申请提出了一种光谱还原方法。
本申请的一个方面涉及一种光谱还原方法，包括：确定一维列向量输入；获取滤光材料阵列的吸收率矩阵、修正的投影梯度算法的动态步长和外插值加速策略的调节参数；基于所述动态步长、外插值加速策略的调节参数、所述一维列向量输入和所述滤光材料的吸收率矩阵，确定所述修正的投影梯度算法的迭代过程；基于所述迭代过程，确定还原光谱。
在一些实施例中，所述确定一维列向量输入，包括：获取面型光电传感器接收的原始光强信号；去除所述面型光电传感器接收的原始光强信号中的暗电流信号，获得降噪光强信号；将相邻的若干个降噪光强信号进行融合，获得融合光强信号；将融合光强信号进行重排，确定一维列向量输入。
在一些实施例中，所述确定一维列向量输入，包括：获取线型光电传感器接收的原始光强信号；去除所述线型光电传感器接收的原始光强信号中的暗电流信号，获得降噪光强信号；将相邻的若干个降噪光强信号进行融合，获得一维列向量输入。
在一些实施例中，所述滤光材料阵列的吸收率矩阵是预先确定的，所述确定过程包括：获取滤光材料阵列中的m个滤光材料对应的m个吸收率曲线，所述m的值等于所述一维列向量输入的长度；将预设波长范围离散化，确定n个波长值；将n个波长值代入到m个吸收率曲线，确定滤光材料阵列的m*n吸收率矩阵A。
在一些实施例中，所述修正的投影梯度算法的动态步长为
vk+1为第k+1步迭代的步长，xk为第k步迭代的光谱信号值，a为调节参数，0<a<2；所述外插值加速策略的调节参数为
其中，tk+1为第k+1步的调节参数，tk为第k步的调节参数，t1＝1，1≤k≤n。
在一些实施例中，其特征在于，所述修正的投影梯度算法的迭代过程为
其中，xk+1为第k+1步迭代的光谱信号值，
xk-1为第k-1步迭代的光谱信号值，A为滤光材料阵列的m*n吸收率矩阵，b为一维列向量输入。
在一些实施例中，所述方法还包括：对还原光谱进行Savitzky—Golay平滑滤波，确定平滑化光谱，所述还原光谱由迭代过程中每一步得到的光谱信号值组成；对所述平滑化光谱进行三次样条插值，确定连续光谱。
本申请的又一方面涉及一种光谱还原装置，包括：处理模块，所述处理模块用于确定一维列向量输入；获取模块，其特征在于，所述获取模块用于获取滤光材料阵列的吸收率矩阵、修正的投影梯度算法的动态步长和外插值加速策略的调节参数；迭代过程确定模块，其特征在于，所述迭代过程确定模块用于基于所述动态步长、外插值加速策略的调节参数、所述一维列向量输入和所述滤光材料的吸收率矩阵，确定所述修正的投影梯度算法的迭代过程；光谱还原模块，其特征在于，所述光谱还原模块用于基于所述迭代过程，确定还原光谱。
在一些实施例中，所述处理模块包括：获取单元，所述获取单元用于获取面型光电传感器接收的原始光强信号；去噪单元，所述去噪单元用于去除所述面型光电传感器接收的原始光强信号中的暗电流信号，获得降噪光强信号；融合单元，所述融合单元用于将相邻的若干个降噪光强信号进行融合，获得融合光强信号；重排单元，所述重排单元用于将融合光强信号进行重排，确定一维列向量输入。
在一些实施例中，所述处理模块包括：获取单元，所述获取单元用于获取线型光电传感器接收的原始光强信号；去噪单元，所述去噪单元用于去除所述线型光电传感器接收的原始光强信号中的暗电流信号，获得降噪光强信号；融合单元，所述融合单元用于将相邻的若干个降噪光强信号进行融合，获得一维列向量输入。
在一些实施例中，所述滤光材料阵列的吸收率矩阵是预先确定的，所述确定过程包括：获取滤光材料阵列中的m个滤光材料对应的m个吸收率曲线，所述m的值等于所述一维列向量输入的长度；将预设波长范围离散化，确定n个波长值；将n个波长值代入到m个吸收率曲线，确定滤光材料阵列的m*n吸收率矩阵A。
在一些实施例中，所述修正的投影梯度算法的动态步长为
其中，vk+1为第k+1步迭代的步长，xk为第k步迭代的光谱信号值，a为调节参数，0<a<2；所述外插值加速策略的调节参数为
其中，tk+1为第k+1步的调节参数，tk为第k步的调节参数，t1＝1，1≤k≤n。
在一些实施例中，所述修正的投影梯度算法的迭代过程为
其中，xk+1为第k+1步迭代的光谱信号值，
xk-1为第k-1步迭代的光谱信号值，A为滤光材料阵列的m*n吸收率矩阵，b为一维列向量输入。
在一些实施例中，所述光谱还原装置还包括：Savitzky—Golay平滑滤波单元，所述Savitzky—Golay平滑滤波单元用于对还原光谱进行Savitzky—Golay平滑滤波，确定平滑化光谱，所述还原光谱由迭代过程中每一步得到的光谱信号值组成；样条插值单元，所述样条插值单元用于对所述平滑化光谱进行三次样条差值，确定连续光谱。
本申请的另一个方面涉及一种光谱还原系统，其特征在于，包括处理器，所述处理器执行所述的光谱还原方法。。
本申请的另一个方面涉及一种计算机可读存储介质，所述存储介质存储计算机指令，所述计算机指令被计算机读取后执行所述光谱还原方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构和操作。
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。
图1是根据本申请的一些实施例所示的一种光谱还原方法示意图；
图2是根据本申请的一些实施例所示的一种一维列向量输入确定方法示意图；
图3是根据本申请的一些实施例所示的另一种一维列向量输入确定方法示意图；
图4是根据本申请的一些实施例所示的一种滤光材料阵列吸收率矩阵的确定方法示意图；
图5是根据本申请的一些实施例所示的一种滤光材料阵列吸收率曲线示意图；
图6是根据本申请的一些实施例所示的一种还原光谱的后处理方法示意图；
图7是根据本申请的一些实施例所示的一种光谱还原装置示意图；
图8是根据本申请的一些实施例所示的一种处理模块示意图；以及
图9是根据本申请的一些实施例所示的一种后处理模块示意图。
具体实施方式
在下面的详细描述中，通过示例阐述了本申请的许多具体细节，以便提供对相关披露的透彻理解。然而，对于本领域的普通技术人员来讲，本申请显而易见的可以在没有这些细节的情况下实施。应当理解的是，本申请中使用“系统”、“装置”、“单元”和/或“模块”术语，是用于区分在顺序排列中不同级别的不同部件、元件、部分或组件的一种方法。然而，如果其他表达式可以实现相同的目的，这些术语可以被其他表达式替换。
应当理解的是，当设备、单元或模块被称为“在……上”、“连接到”或“耦合到”另一设备、单元或模块时，其可以直接在另一设备、单元或模块上，连接或耦合到或与其他设备、单元或模块通信，或者可以存在中间设备、单元或模块，除非上下文明确提示例外情形。例如，本申请所使用的术语“和/或”包括一个或多个相关所列条目的任何一个和所有组合。
本申请所用术语仅为了描述特定实施例，而非限制本申请范围。如本申请说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的特征、整体、步骤、操作、元素和/或组件，而该类表述并不构成一个排它性的罗列，其他特征、整体、步骤、操作、元素和/或组件也可以包含在内。
参看下面的说明以及附图，本申请的这些或其他特征和特点、操作方法、结构的相关元素的功能、部分的结合以及制造的经济性可以被更好地理解，其中说明和附图形成了说明书的一部分。然而，可以清楚地理解，附图仅用作说明和描述的目的，并不意在限定本申请的保护范围。可以理解的是，附图并非按比例绘制。
本申请中使用了多种结构图用来说明根据本申请的实施例的各种变形。应当理解的是，前面或下面的结构并不是用来限定本申请。本申请的保护范围以权利要求为准。
复式光谱仪是光谱仪的一种，复式光谱仪中的光源照射目标样品，反射、透射或散射所述光源的光，目标样品的反射谱、透射谱或散射谱，或者所述目标样品的自发光谱(以下统称“目标样品的光谱”)经过多色滤光片调制后被CCD捕捉并转换为电信号，所述电信号经过处理可重建或还原所述目标样品的光谱。
如前文所述，现有技术中的重建方法存在不足，因此，本申请提出了一种光谱还原方法。所述光谱还原方法对现有的投影梯度短发进行了修正，提高了光谱还原的速度和精度。
图1是根据本申请所示的一种光谱还原方法示意图。在一些实施例中，所述光谱还原方法可由图7中的光谱还原装置执行。
在102中，确定一维列向量输入。所述一维列向量输入为经过去噪、融合、重排等处理的信号。例如，所述一维列向量输入可通过图2或图3确定。
在202中，获取面型光电传感器接收的原始光强信号。所述面型光电传感器可以是CCD或CMOS。例如，所述面型光电传感器接收的原始光强信号为c*d个像素点接收的信号I。
在204中，去除所述面型光电传感器接收的原始光强信号中的暗电流信号，获得降噪光强信号。所述暗电流信号为在暗环境下复式光谱仪的c*d个像素点接收的信号B。则所述降噪光强信号为I’＝max(I-B,0)。进一步地，为使降噪光强信号有意义，可将I-B小于零的某些信号强制置零。
在206中，将相邻的若干个降噪光强信号进行融合，获得融合光强信号。在一些实施例中，光电传感器本身带来噪声，因此，可以采用信号融合的方式去除光电传感器带来的噪声影响。在一些实施例中，可以将临近的若干个像素对应的降噪光强信号融合为一个点，该点的值取所述若干个像素对应的光强信号的平均值。例如，取4*4个像素矩阵采集的信号的平均值作为一个点。所述数据量变为c*d/16。
在208中，将融合光强信号进行重排，确定一维列向量输入。在一些实施例中，将总规模c*d/16的信号重新排列为一维列向量输入b。所述重排方式可以是按照行或列任意排列。例如，可以按照从第一列到最后一列依次排列(或从最后一列到第一列依次排列)，其中每一列从上至下或从下至上排列。又例如，可以按照第一行到最后一行依次排列(或从最后一行到第一行依次排列)，其中每一行从左至右或从右至左排列。
值得说明的是，当采用线型光电传感器时，则不需要重排这一步骤。如图3所述，在302中，获取线型光电传感器接收的原始光强信号。在304中，去除所述线型光电传感器接收的原始光强信号中的暗电流信号，获得降噪光强信号。在306中，将相邻的若干个降噪光强信号进行融合，获得一维列向量输入。步骤302-306与步骤202-206类似，在此不做赘述。
在104中，获取滤光材料阵列的吸收率矩阵、修正的投影梯度算法的动态步长和外插值加速策略的调节参数。
在一些实施例中，所述滤光材料阵列的吸收率矩阵为预先获取的。也就是说，可以直接计算出滤光材料阵列的吸收率矩阵，复式光谱仪检测不同样品时，采用的滤光材料阵列的吸收率矩阵是已知的。
图4给出了一种滤光材料阵列的吸收率矩阵的确定方法。在402中，获取滤光材料阵列中m个滤光材料对应的m个吸收率曲线，所述m的值等于所述一维列向量输入的长度。图5给出了滤光材料的吸收率曲线示意图。如图5所示，为100个滤光材料对波长381nm-720nm的100个吸收率曲线。
在404中，将预设波长范围离散化，确定n个波长值。例如，分别在s至S纳米(可变，实践中为320-900)间隔d纳米(可变，实践中选择1)取值得到行向量ai。例如，当波长值取320-900nm，间隔d＝1nm时，向量ai中有900-320+1＝581个波长值。
在406中，将n个波长值代入到m个吸收率曲线，确定滤光材料阵列的m*n吸收率矩阵。例如，将581个波长值中的第一个数据320nm输入到m个吸收率曲线中，可以确定m个吸收率值。所述m个吸收率值作为第一个列向量。依次可获得581个列向量，每个列向量有m个吸收率值，其中n＝581。将所述n个列向量按顺序排列可获得m*n的吸收率矩阵A。
上述吸收率矩阵确定后，如果下次检测样品时采用的是相同的波长范围和相同的滤光材料阵列，则A是已知的。
基于滤光材料阵列的吸收率矩阵A和一维列向量输入，建立数学模型：
Ax＝b+e(1)
其中，A为滤光材料阵列的吸收率矩阵，是已知的；b是102中获取的一维列向量输入；e是一个均值为零的未知的随机误差。数学模型的计算过程即为求解使e最小的情况下的x。在实际过程中，滤光材料阵列的吸收率矩阵A为m行n列，x为n行1列，b为m行1列。特别地，为便于计算，设定前文所述的c*d/16等于m。(1)式可变换为非负最小二乘问题：
在投影梯度下降算法的使用中，一个关键技术问题是搜索步长的选取，这对收敛速度与计算结果都起着重要的影响。工程计算中常用的几种搜索步长都存在某些缺陷：1.最简单的常数步长难以确定其最优步长，步长过大会导致不收敛，步长太小会导致收敛速度太慢；2.渐逝步长(如vk＝1/k或vk＝1/k2)虽能够保证算法收敛，但是收敛速度通常都太慢；3.最优下降值步长虽原理上确保了最好的函数值下降，但是线搜索子问题没有解析表达，需要额外的计算耗能，而且容易出现“拐羊头”现象。鉴于目前常用的搜索步长的各种缺陷，我们提出一个具有解析表达的动态步长：
其中，，vk+1为第k+1步的步长，a为调节参数。
这个动态步长具有诸多优点：1.步长计算具有解析形式；2.算法具有快速的线性收敛性；3.数值实验发现可有效避免“拐羊头”现象。
此外，为了加速算法使用最先进的外插值加速策略。可以设置外插值加速策略的调节参数tk。
其中，其中，tk+1为第k+1步的调节参数，tk为第k步的调节参数，t1＝1。
在106中，基于所述动态步长、外插值加速策略的调节参数、所述一维列向量输入和所述滤光材料的吸收率矩阵，确定所述修正的投影梯度算法的迭代过程。
借鉴外插值加速策略的思想，结合动态步长，本申请设计了一个新型的快速投影梯度下降算法，其迭代过程如下式(4)：
其中，xk+1为第k+1步迭代的光谱信号值，
xk-1为第k-1步迭代的光谱信号值，A为滤光材料阵列的m*n吸收率矩阵，b为一维列向量输入。特别地，在一些实施例中，a＝1时，(4)式中的迭代过程有较快的收敛速度。
在108中，基于所述迭代过程，确定还原光谱。在式(2)中，只有xk+1、xk、xk-1是未知的。可通过上式(4)迭代过程计算得出xk的每个值，1≤k≤n。
在一些实施例中，求得的每个xk值是离散的。需要进一步处理得到连续光谱。如图6所示，为一种连续光谱确定方法示意图。
在602中，对还原光谱进行Savitzky—Golay平滑滤波，确定平滑化光谱，所述还原光谱由迭代过程中每一步得到的光谱信号值组成。具体地，对(4)式求出的x对应的光谱进行5次，11点的Savitzky—Golay平滑得到滤波后的向量x'。这是因为，(4)式得到的还原光谱对于高频噪声较为敏感，通常情况下，不存在半峰宽小于2nm的高频信号，因此需要进一步修正信号获得更好的信噪比。
在604中，对所述平滑化光谱进行三次样条差值，确定连续光谱。与x一样，x'是一个长度为(S-s)/d的离散光谱信号。对于s至S纳米范围内的任意波长g，采用三次样条插值获得该点的光谱强度X，从而重建覆盖s至S纳米范围内的连续光谱。
图7是根据本申请的一些实施例所示的光谱还原装置示意图。如图7所示，所述光谱还原装置700包括处理模块710、获取模块720、迭代过程确定模块730和光谱还原模块740。所述光谱还原装置700用于执行上述光谱还原方法。
所述处理模块710用于确定一维列向量输入。所述一维列向量输入的确定过程如图2或图3中所述。
在一些实施例中，对应图2中的确定过程，所述处理模块710可以由图8中的组件构成。如图8所示，所述处理模块710包括获取单元810、去噪单元820、融合单元830和重排单元840。
所述获取单元810用于获取面型光电传感器接收的原始光强信号；所述去噪单元用于去除所述面型光电传感器接收的原始光强信号中的暗电流信号，获得降噪光强信号；所述融合单元用于将相邻的若干个降噪光强信号进行融合，获得融合光强信号；所述重排单元用于将融合光强信号进行重排，确定一维列向量输入。所述处理模块710执行如图2中的确定一维列向量输入的过程，在此不做赘述。
值得说明的是，所述处理模块710执行如图3所述的过程时，可以不需要重排单元，即，此时，处理模块710包括获取单元、去噪单元和融合单元。
所述获取模块720用于获取滤光材料阵列的吸收率矩阵、修正的投影梯度算法的动态步长和外插值加速策略的调节参数。所述滤光材料阵列的吸收率矩阵、修正的投影梯度算法的动态步长和外插值加速策略在步骤104中已有描述，在此不作赘述。
所述迭代过程确定模块730用于基于所述动态步长、外插值加速策略的调节参数、所述一维列向量输入和所述滤光材料的吸收率矩阵，确定所述修正的投影梯度算法的迭代过程。所述光谱还原模块740用于基于所述迭代过程，确定还原光谱。所述迭代过程确定过程和光谱还原过程已分别在步骤106和步骤108中描述，在此不做赘述。
在一些实施例中，所述光谱还原装置700还可以执行后处理过程，以获得连续光谱。所述后处理过程可以是由单独的后处理模块执行。
如图8所示，为根据本申请的一些实施例所示的光谱后处理过程。如图8所示，所述后处理模块包括Savitzky—Golay平滑滤波单元810和样条插值单元820。
所述Savitzky—Golay平滑滤波单元810用于对还原光谱进行Savitzky—Golay平滑滤波，确定平滑化光谱，所述还原光谱由迭代过程中每一步得到的光谱信号值组成；所述样条插值单元820用于对所述平滑化光谱进行三次样条差值，确定连续光谱。所述后处理过程在图6中已有描述，在此不做赘述。
与现有技术相比，本申请的有益效果表现如下：
一、本申请中的迭代过程可有效避免“拐羊头”现象。
二、本申请中的迭代过程具有快速的线性收敛性。
以上概述了的方法的不同方面和/或通过程序实现其他步骤的方法。技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”，是通过计算机可读的介质所参与或实现的。有形的、永久的储存介质包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何时间能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信，如互联网或其他通信网络。此类通信能够将软件从一个计算机设备或处理器加载到另一个。例如：从智能机器人系统的一个管理服务器或主机计算机加载至一个计算机环境的硬件平台，或其他实现系统的计算机环境，或与智能机器人系统所需要的信息相关的类似功能的系统。因此，另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接，例如光波、电波、电磁波等，通过电缆、光缆或者空气实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备，也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质，其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
因此，一个计算机可读的介质可能有多种形式，包括但不限于，有形的存储介质，载波介质或物理传输介质。稳定的储存介质包括：光盘或磁盘，以及其他计算机或类似设备中使用的，能够实现图中所描述的系统组件的存储系统。不稳定的存储介质包括动态内存，例如计算机平台的主内存。有形的传输介质包括同轴电缆、铜电缆以及光纤，包括计算机系统内部形成总线的线路。载波传输介质可以传递电信号、电磁信号，声波信号或光波信号，这些信号可以由无线电频率或红外数据通信的方法所产生的。通常的计算机可读介质包括硬盘、软盘、磁带、任何其他磁性介质；CD-ROM、DVD、DVD-ROM、任何其他光学介质；穿孔卡、任何其他包含小孔模式的物理存储介质；RAM、PROM、EPROM、FLASH-EPROM，任何其他存储器片或磁带；传输数据或指令的载波、电缆或传输载波的连接装置、任何其他可以利用计算机读取的程序代码和/或数据。这些计算机可读介质的形式中，会有很多种出现在处理器在执行指令、传递一个或更多结果的过程之中。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，例如，局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
本领域技术人员能够理解，本申请所披露的内容可以出现多种变型和改进。例如，以上所描述的不同系统组件都是通过硬件设备所实现的，但是也可能只通过软件的解决方案得以实现。例如：在现有的服务器上安装系统。此外，这里所披露的位置信息的提供可能是通过一个固件、固件/软件的组合、固件/硬件的组合或硬件/固件/软件的组合得以实现。
以上内容描述了本申请和/或一些其他的示例。根据上述内容，本申请还可以作出不同的变形。本申请披露的主题能够以不同的形式和例子所实现，并且本申请可以被应用于大量的应用程序中。后文权利要求中所要求保护的所有应用、修饰以及改变都属于本申请的范围。
同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档、物件等，特将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。
最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不限于本申请明确介绍和描述的实施例。
Claims (12)
1.一种光谱还原方法，其特征在于，包括：
确定一维列向量输入b；
获取滤光材料阵列的吸收率矩阵A、修正的投影梯度算法的动态步长和外插值加速策略的调节参数；其中，所述修正的投影梯度算法的动态步长为
vk+1为第k+1步迭代的步长，xk为第k步迭代的光谱信号值，a为调节参数，0＜a＜2；所述外插值加速策略的调节参数为
其中，tk+1为第k+1步迭代的调节参数，tk为第k步迭代的调节参数，t1＝1，1≤k≤n；
基于所述动态步长、外插值加速策略的调节参数、所述一维列向量输入b和所述滤光材料阵列的吸收率矩阵A，确定所述修正的投影梯度算法的迭代过程为
其中，xk+1为第k+1步迭代的光谱信号值，
xk-1为第k-1步迭代的光谱信号值；
基于所述迭代过程，确定还原光谱。
2.如权利要求1所述的方法，其特征在于，所述确定一维列向量输入b，包括：
获取面型光电传感器接收的原始光强信号；
去除所述面型光电传感器接收的原始光强信号中的暗电流信号，获得降噪光强信号；
将相邻的若干个降噪光强信号进行融合，获得融合光强信号；
将融合光强信号进行重排，确定一维列向量输入b。
3.如权利要求1所述的方法，其特征在于，所述确定一维列向量输入b，包括：
获取线型光电传感器接收的原始光强信号；
去除所述线型光电传感器接收的原始光强信号中的暗电流信号，获得降噪光强信号；
将相邻的若干个降噪光强信号进行融合，获得一维列向量输入b。
4.如权利要求2或3所述的方法，其特征在于，所述滤光材料阵列的吸收率矩阵A是预先确定的，包括：
获取滤光材料阵列中的m个滤光材料对应的m个吸收率曲线，所述m的值等于所述一维列向量输入b的长度；
将预设波长范围离散化，确定n个波长值；
将n个波长值代入到m个吸收率曲线，确定滤光材料阵列的m*n吸收率矩阵A。
5.如权利要求1所述的方法，其特征在于，所述方法还包括：
对还原光谱进行Savitzky—Golay平滑滤波，确定平滑化光谱，所述还原光谱由迭代过程中每一步得到的光谱信号值组成；
对所述平滑化光谱进行三次样条插值，确定连续光谱。
6.一种光谱还原装置，其特征在于，包括：
处理模块，所述处理模块用于确定一维列向量输入b；
获取模块，其特征在于，所述获取模块用于获取滤光材料阵列的吸收率矩阵A、修正的投影梯度算法的动态步长和外插值加速策略的调节参数；其中，所述修正的投影梯度算法的动态步长为
vk+1为第k+1步迭代的步长，xk为第k步迭代的光谱信号值，a为调节参数，0＜a＜2；所述外插值加速策略的调节参数为
其中，tk+1为第k+1步迭代的调节参数，tk为第k步迭代的调节参数，t1＝1，1≤k≤n；
迭代过程确定模块，其特征在于，所述迭代过程确定模块用于基于所述动态步长、外插值加速策略的调节参数、所述一维列向量输入b和所述滤光材料阵列的吸收率矩阵A，确定所述修正的投影梯度算法的迭代过程为
其中，xk+1为第k+1步迭代的光谱信号值，
xk-1为第k-1步迭代的光谱信号值；
光谱还原模块，其特征在于，所述光谱还原模块用于基于所述迭代过程，确定还原光谱。
7.如权利要求6所述的装置，其特征在于，所述处理模块包括：
获取单元，所述获取单元用于获取面型光电传感器接收的原始光强信号；
去噪单元，所述去噪单元用于去除所述面型光电传感器接收的原始光强信号中的暗电流信号，获得降噪光强信号；
融合单元，所述融合单元用于将相邻的若干个降噪光强信号进行融合，获得融合光强信号；
重排单元，所述重排单元用于将融合光强信号进行重排，确定一维列向量输入b。
8.如权利要求6所述的装置，其特征在于，所述处理模块包括：
获取单元，所述获取单元用于获取线型光电传感器接收的原始光强信号；
去噪单元，所述去噪单元用于去除所述线型光电传感器接收的原始光强信号中的暗电流信号，获得降噪光强信号；
融合单元，所述融合单元用于将相邻的若干个降噪光强信号进行融合，获得一维列向量输入b。
9.如权利要求7或8所述的装置，其特征在于，所述滤光材料阵列的吸收率矩阵A是预先确定的，包括：
获取滤光材料阵列中的m个滤光材料对应的m个吸收率曲线，所述m的值等于所述一维列向量输入b的长度；
将预设波长范围离散化，确定n个波长值；
将n个波长值代入到m个吸收率曲线，确定滤光材料阵列的m*n吸收率矩阵A。
10.如权利要求6所述的装置，其特征在于，所述光谱还原装置还包括：
Savitzky—Golay平滑滤波单元，所述Savitzky—Golay平滑滤波单元用于对还原光谱进行Savitzky—Golay平滑滤波，确定平滑化光谱，所述还原光谱由迭代过程中每一步得到的光谱信号值组成；
样条插值单元，所述样条插值单元用于对所述平滑化光谱进行三次样条差值，确定连续光谱。
11.一种光谱还原系统，其特征在于，包括处理器，所述处理器执行如权利要求1-5任一所述的光谱还原方法。
12.一种计算机可读存储介质，所述存储介质存储计算机指令，其特征在于，所述计算机指令被计算机读取后执行如权利要求1-5任一所述的光谱还原方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910263262.XA CN110095188B (zh) | 2019-04-02 | 2019-04-02 | 一种光谱还原方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910263262.XA CN110095188B (zh) | 2019-04-02 | 2019-04-02 | 一种光谱还原方法、装置及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110095188A CN110095188A (zh) | 2019-08-06 |
| CN110095188B true CN110095188B (zh) | 2021-07-16 |
Family
ID=67444273
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910263262.XA Active CN110095188B (zh) | 2019-04-02 | 2019-04-02 | 一种光谱还原方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110095188B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111397733B (zh) * | 2020-04-23 | 2021-03-02 | 湖南大学 | 一种单/多帧快照式光谱成像方法、系统及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102231057A (zh) * | 2011-03-04 | 2011-11-02 | 江苏大学 | 基于混沌粒子群优化的赖氨酸发酵过程软测量方法 |
| US8456633B2 (en) * | 2001-12-21 | 2013-06-04 | Malvern Instruments Incorporated | Spectrometric process monitoring |
| US20130258314A1 (en) * | 2012-03-28 | 2013-10-03 | Seiko Epson Corporation | Analysis method and imaging apparatus |
| WO2017022840A1 (ja) * | 2015-08-04 | 2017-02-09 | 浜松ホトニクス株式会社 | 分光器、及び分光器の製造方法 |
| CN108151877A (zh) * | 2017-12-14 | 2018-06-12 | 西京学院 | 一种微型孔光谱仪及光谱重建方法 |
-
2019
- 2019-04-02 CN CN201910263262.XA patent/CN110095188B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8456633B2 (en) * | 2001-12-21 | 2013-06-04 | Malvern Instruments Incorporated | Spectrometric process monitoring |
| CN102231057A (zh) * | 2011-03-04 | 2011-11-02 | 江苏大学 | 基于混沌粒子群优化的赖氨酸发酵过程软测量方法 |
| US20130258314A1 (en) * | 2012-03-28 | 2013-10-03 | Seiko Epson Corporation | Analysis method and imaging apparatus |
| WO2017022840A1 (ja) * | 2015-08-04 | 2017-02-09 | 浜松ホトニクス株式会社 | 分光器、及び分光器の製造方法 |
| CN108151877A (zh) * | 2017-12-14 | 2018-06-12 | 西京学院 | 一种微型孔光谱仪及光谱重建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110095188A (zh) | 2019-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Efficient blind signal reconstruction with wavelet transforms regularization for educational robot infrared vision sensing | |
| Sanghvi et al. | Embedding deep learning in inverse scattering problems | |
| EP3089074B1 (en) | Hyperspectral demixing using foveated compressive projections | |
| Liu et al. | RISIR: Rapid infrared spectral imaging restoration model for industrial material detection in intelligent video systems | |
| CN110399857A (zh) | 一种基于图卷积神经网络的脑电情感识别方法 | |
| US9734424B2 (en) | Sensor data filtering | |
| WO2019102901A1 (ja) | 脳内ネットワークの活動推定システム、脳内ネットワークの活動推定方法、脳内ネットワークの活動推定プログラム、および、学習済み脳活動推定モデル | |
| Liu et al. | Multi-order blind deconvolution algorithm with adaptive Tikhonov regularization for infrared spectroscopic data | |
| Shukla et al. | Generalized fractional filter-based algorithm for image denoising | |
| Habermehl et al. | Optimizing the regularization for image reconstruction of cerebral diffuse optical tomography | |
| Baohua et al. | A multi-focus image fusion algorithm based on an improved dual-channel PCNN in NSCT domain | |
| CN110503060B (zh) | 一种光谱信号去噪方法及其系统 | |
| CN110095188B (zh) | 一种光谱还原方法、装置及计算机可读存储介质 | |
| CN107341768B (zh) | 网格降噪 | |
| CN114758031A (zh) | 电容耦合电阻抗层析成像图像重建方法和装置 | |
| Fu et al. | Context-aware compressed sensing of hyperspectral image | |
| Park et al. | GTSNet: Flexible architecture under budget constraint for real-time human activity recognition from wearable sensor | |
| CN116007754B (zh) | 光谱仪标定方法、装置、电子设备和存储介质 | |
| Kim et al. | A deep convolutional neural network for estimating hemodynamic response function with reduction of motion artifacts in fNIRS | |
| CN112257658A (zh) | 一种脑电信号的处理方法、装置、电子设备及存储介质 | |
| CN111861970B (zh) | 古文物修复处理方法、装置、计算机设备及存储介质 | |
| US11823029B2 (en) | Method and apparatus with neural network processing | |
| Wei et al. | Fusion of multispectral and hyperspectral images based on sparse representation | |
| Aetesam et al. | Proximal approach to denoising hyperspectral images under mixed‐noise model | |
| Qiu et al. | Improved MR image denoising via low‐rank approximation and Laplacian‐of‐Gaussian edge detector |
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 |