CN111208081A - 一种基于多级阶梯微反射镜的ifts的图谱处理方法 - Google Patents
一种基于多级阶梯微反射镜的ifts的图谱处理方法 Download PDFInfo
- Publication number
- CN111208081A CN111208081A CN201911389985.0A CN201911389985A CN111208081A CN 111208081 A CN111208081 A CN 111208081A CN 201911389985 A CN201911389985 A CN 201911389985A CN 111208081 A CN111208081 A CN 111208081A
- Authority
- CN
- China
- Prior art keywords
- image
- interference
- sequence
- carrying
- ifts
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000001228 spectrum Methods 0.000 claims abstract description 41
- 230000003287 optical effect Effects 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 23
- 238000012937 correction Methods 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000003708 edge detection Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000003595 spectral effect Effects 0.000 description 8
- 230000010365 information processing Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000009467 reduction Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000004907 flux Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000010355 oscillation Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 238000002329 infrared spectrum Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000001559 infrared map Methods 0.000 description 1
- 238000012844 infrared spectroscopy analysis Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
-
- 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
- G01J3/2823—Imaging spectrometer
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于多级阶梯微反射镜的IFTS的图谱处理方法,包括步骤:获取干涉数据立方体;将干涉数据立方体的干涉图像按照不同干涉级次对应的图像单元进行分割,得到干涉图像单元;将干涉数据立方体的每幅干涉图像中同一级次的干涉图像单元按照扫描方向进行深度学习与特征拼接相结合的图像拼接,得到场景图像序列;对场景图像序列进行基于频域滤波的图像融合,得到场景图像;将干涉数据立方体的每幅干涉图像中含有同一目标的不同级次的干涉图像单元按照光程差顺序进行图像拼接,得到目标的干涉图像序列;对干涉图像序列进行傅里叶变换,得到目标的重建光谱。本发明提高了基于多级阶梯微反射镜的IFTS的图谱信息反演的精度。
Description
技术领域
本发明涉及红外光谱分析技术领域,具体涉及一种基于多级阶梯微反射镜的傅里叶变换成像光谱仪(Imaging FourierTransform Spectrometer,IFTS)的图谱处理方法。
背景技术
红外成像光谱技术是近半个世纪以来取得巨大突破并得到迅速发展的科学技术,能够同时获得目标的二维空间信息和光谱信息。根据目标的红外图像信息及红外光谱信息中吸收峰的强度、位置和形状,可以确定目标的类别及浓度等信息。IFTS是红外成像光谱仪器的一种,由于其多通道、高通量、高灵敏度和高精度等优点,具有十分明显的应用优势。
目前研究比较广泛的IFTS可以分为时间调制型和空间调制型,时间调制型IFTS通过动镜的移动获取很大的光程差,能够获得非常高的光谱分辨率,但是需要一套高精度的动镜驱动系统来满足采样精度的要求,这就会降低仪器整体的稳定性,限制其应用范围;空间调制型IFTS以静态方式获取光程差,增加了仪器的稳定性,且不需要时间积累过程,实时性更强,但其系统中的狭缝使得它不得不在空间分辨率和光通量之间进行权衡,这严重限制了空间调制型IFTS的应用。基于多级阶梯微反射镜的IFTS采用时空联合调制方式,干涉系统没有可动部件,且系统内没有狭缝,可以在具有高稳定性及高通量的优点的同时保证一定的光谱分辨率。
在整个红外光谱成像技术流程中,后续的图谱信息处理是最重要的一环。对于IFTS,在图像信息获取流程中,由于干涉条纹的影响,需要进一步处理才能得到目标的图像信息;在光谱信息获取流程中,不同于色散型光谱仪等能够直接获得光谱信息,傅里叶变换成像光谱技术直接获得的是干涉强度信息,需要进行很多的后续处理才能得到相对准确的光谱信息,步骤较为复杂。
基于多级阶梯微反射镜的IFTS在干涉核心引入了阶梯微反射镜进行光程差调制,由于其结构以及加工方法的特殊性,将会在图谱信息处理中带来一些新的问题,例如阶梯高度不均匀造成的采样误差,传统的图谱信息处理方法将不能解决该仪器图谱的高精度处理问题,因此有必要提出相应的图谱处理方法。
发明内容
本发明的目的是针对IFTS干涉系统采用多级阶梯微反射镜的特殊结构,导致传统的图谱信息处理方法无法实现IFTS图谱的高精度处理的问题以及解决多级阶梯微反射镜的加工工艺引起的加工误差而导致图谱精度降低等问题,提供一种不同于传统的IFTS的图谱信息处理的基于多级阶梯微反射镜的IFTS的图谱处理方法。
本发明采取如下的技术方案:
一种基于多级阶梯微反射镜的IFTS的图谱处理方法,该方法包括以下步骤:
步骤S1:获取基于多级阶梯微反射镜的IFTS采集的干涉数据立方体;
步骤S2:将所述干涉数据立方体的干涉图像按照不同干涉级次对应的图像单元进行分割,得到干涉图像单元;
步骤S3:将所述干涉数据立方体的每幅干涉图像中同一级次的干涉图像单元按照扫描方向进行深度学习与特征拼接相结合的图像拼接,得到场景图像序列;
步骤S4:对所述场景图像序列进行基于频域滤波的图像融合,得到场景图像;
步骤S5:将所述干涉数据立方体的每幅干涉图像中含有同一目标的不同级次的干涉图像单元按照光程差顺序进行图像拼接,得到目标的干涉图像序列;
步骤S6:对所述干涉图像序列进行傅里叶变换,得到目标的重建光谱。
与现有技术相比,本发明具有以下有益效果:
本发明的图谱处理方法有效地削弱了的场景图像拼接后的阶跃缝隙,避免了干涉条纹及子阶梯镜宽度分布不均匀对场景图像的影响,并消除了多级阶梯微反射镜带来的采样误差以及系统中的一些随机误差,从而提高了基于多级阶梯微反射镜的IFTS的图谱信息反演的精度。
附图说明
图1为基于多级阶梯微反射镜的IFTS的构成示意图;
图2为本发明其中一个实施例中基于多级阶梯微反射镜的IFTS的图谱处理方法的流程示意图;
图3为基于多级阶梯微反射镜的IFTS采集的干涉数据立方体的示意图;
图4为本发明其中一个具体实施方式中图像单元分割方法的流程示意图;
图5为经过有效边缘信息增强、边缘检测及插值拟合后的子阶梯边缘分布图;
图6为本发明其中一个具体实施方式中场景图像信息反演方法的流程示意图;
图7(a)为图像拼接后的场景图像;
图7(b)为基于频域滤波的图像融合后的场景图像;
图8为不同拟合阶数对应的一维干涉强度序列示意图,图中由上至下一维干涉强度序列的拟合阶数分别为2阶、5阶、10阶和11阶;
图9(a)为经过降维、基线校正、切趾和非均匀性采样校正各步骤后的一维干涉强度序列的示意图;
图9(b)为重建光谱的对比图。
具体实施方式
本发明的目的在于为基于多级阶梯微反射镜的IFTS提供一种相应的图谱信息处理方法,解决阶梯微反射镜的引入带来的一些问题,以得到目标准确有效的红外图像信息和光谱信息。本发明公开了一种基于多级阶梯微反射镜的IFTS的图谱处理方法,该方法包括场景图像重建以及目标光谱重建,其中场景图像重建方面利用分割-拼接模式,采用Hough变换边缘检测及最小二乘法边缘拟合进行干涉图像单元分割,并采用基于特征的图像拼接及频域滤波图像融合,避免了干涉条纹及子阶梯镜宽度分布不均匀对场景图像的影响;在光谱重建方面利用干涉图像序列降维、基线校正、切趾、非均匀性采样校正(固有相位误差校正)等步骤,改善了重建光谱的基线漂移、旁瓣震荡及相位误差等问题。下面将结合附图及较佳实施例对本发明的技术方案进行详细描述。
在其中一个实施例中,本发明公开一种基于多级阶梯微反射镜的IFTS的图谱处理方法,该方法包括以下步骤:
步骤S1:获取基于多级阶梯微反射镜的IFTS采集的干涉数据立方体;
步骤S2:将干涉数据立方体的干涉图像按照不同干涉级次对应的图像单元进行分割,得到干涉图像单元;
步骤S3:将干涉数据立方体的每幅干涉图像中同一级次的干涉图像单元按照扫描方向进行深度学习与特征拼接相结合的图像拼接,得到场景图像序列;
步骤S4:对场景图像序列进行基于频域滤波的图像融合,得到场景图像;
步骤S5:将干涉数据立方体的每幅干涉图像中含有同一目标的不同级次的干涉图像单元按照光程差顺序进行图像拼接,得到目标的干涉图像序列;
步骤S6:对干涉图像序列进行傅里叶变换,得到目标的重建光谱。
如图1所示,基于多级阶梯微反射镜的IFTS包括扫描反射镜1、前置成像系统2、分束器和补偿板3、平面反射镜4、多级阶梯微反射镜5、后置成像系统6、探测器和冷阑7,目标光束经扫描反射镜1反射至前置成像系统2,经前置成像系统2入射至分束器和补偿板3,被分束器和补偿板3分成两束光,一束光经分束器和补偿板3反射至平面反射镜4上成像为第一像点,另一束光经分束器和补偿板3透射至多级阶梯微反射镜5某个阶梯微反射面成像为第二像点;第一像点和第二像点发出的光分别经分束器和补偿板3透射和反射后入射至后置成像系统6成像,探测器和冷阑7接收成像信息。
基于多级阶梯微反射镜的IFTS引入多级阶梯微反射镜代替传统Michelson式干涉仪中的动镜,在保留一定的光谱分辨率的前提下,实现了红外宽谱段成像及稳定性的大幅度提高。为了利用该仪器得到高精度的图谱信息,本发明实例提出一种合理的图谱信息处理方法,能够解决一些该仪器特殊结构给数据处理带来的一些问题,最终得到相对精确的红外图谱信息。
具体地,如图2所示,本实例的基于多级阶梯微反射镜的IFTS的图谱处理方法可具体描述为以下步骤:
步骤S1:首先,获取基于多级阶梯微反射镜的IFTS采集的干涉数据立方体(如图3所示)。
步骤S2:将干涉数据立方体的干涉图像按照不同干涉级次对应的图像单元进行分割,得到干涉图像单元。由于阶梯微反射镜的制造精度和装调造成的光学系统误差,不同干涉级次对应的图像单元的宽度可能会有所不同,所以不能简单地根据子阶梯镜的宽度来简单分割,而是需要对阶梯微反射镜的子阶梯边缘进行检测识别。利用传统的边缘检测方法进行检测,其结果会受到场景景物的影响,掺杂许多不需要的冗余结果。为了解决上述问题,本发明提出一种改进的图像单元分割方法,其基本步骤分为两步:有效边缘信息的增强、边缘检测及插值拟合(如图4所示)。
步骤S2-1:以任意一幅干涉图像作为待分割图像,对待分割图像进行图像形态学边缘增强处理,得到初步边缘信息增强图像。首先进行基于图像形态学边缘增强,由于有效的子阶梯边缘信息都处于90°方向,所以采用多方向的结构元素对图像进行形态化处理:设f代表原图像(即待分割图像),并设结构元素A1、A2具体形式如下:
对待分割图像进行如下形态学运算:
步骤S2-2:对初步边缘信息增强图像进行小波分解边缘信息增强处理,得到有效边缘信息增强图像。图像形态学边缘增强只是粗略的将特定方向的图像信息增强,为了进一步增强有效边缘信息,选择高低频小波分解,利用小波变换的能量压缩特性,在分解层数逐渐增加后,图像的多数能量集中在少数幅度大的小波系数上(有效信息),而噪声等干扰信息的小波系数会迅速衰减,则利用关联分析来区分小波分解后系数中的有效边缘信息和其他信息,根据其在小波域内各尺度间对应位置的系数相关性进行边缘信息增强。对初步边缘信息增强图像进行小波分解边缘信息增强处理,得到有效边缘信息增强图像的具体步骤如下:首先对待处理图像(即初步边缘信息增强图像)进行多级小波分解,得到相应的低频分量和高频分量;然后结合先验知识与处理目的确定有效边缘信息增强的关联度阈值,并计算各分量的关联度,其中各分量的关联度通过比较序列(边缘信息)与参考序列(评价标准)的灰色欧几里得关联度来确定,定义为:
式中:
将计算所得的灰色欧几里得关联度与阈值进行比较,大于阈值的即可认为是有效边缘信息,乘以一个增益系数进行增强,即可完成有效边缘信息的增强,得到有效边缘信息增强图像。
步骤S2-3:对有效边缘信息增强图像进行边缘检测及插值拟合,得到完整的子阶梯边缘信息。接下来是边缘检测及插值拟合,经过边缘增强后的图像(即有效边缘信息增强图像)子阶梯边缘特征突出,可以采用极坐标Hough变换边缘检测方法来控制检测长度,滤除不需要的纵向边缘信息,即可得到有效的边缘信息,最后进行插值拟合,得到完整的子阶梯边缘信息,子阶梯边缘分布图如图5所示。
步骤S2-4:根据子阶梯边缘信息对待分割图像进行图像分割,即可得到待分割图像对应的干涉图像单元。
步骤S2-5:将待分割图像遍历干涉数据立方体的全部干涉图像,即可得到全部的干涉图像单元,完成干涉图像单元的分割。
在步骤S2得到干涉图像单元之后,步骤S3:将干涉数据立方体的每幅干涉图像中同一级次的干涉图像单元按照扫描方向进行深度学习与特征拼接相结合的图像拼接,得到场景图像序列。
为了兼顾干涉图像单元的配准精度和数据处理速度并削弱多级阶梯微反射镜引入造成的拼接图像阶跃缝隙,本发明提出一种深度学习与特征拼接相结合的场景图像信息反演方法,具体包括多层特征信息提取和联合熵特征匹配。
传统的特征提取方法一般只使用了一些图像的低层信息,而利用深度学习的卷积神经网络(Convolutional Neural Networks,CNN)框架的特征提取方法可以得到大量的图像中高层信息,将图像的低层信息和中高层信息相结合就能更全面地表达图像特征。多层特征信息提取具体分为两个部分,即特征检测部分和特征融合部分,特征检测部分需要利用两种方法分别检测。
场景图像信息反演方法具体包括以下步骤(如图6所示):
步骤S3-1:以干涉数据立方体的每幅干涉图像中同一级次的干涉图像单元作为待配准图像单元,对待配准图像单元分别进行基于尺度不变特征变换算法的特征检测和基于深度学习卷积神经网络算法的特征检测,得到SIFT特征和CNN特征。
基于尺度不变特征变换(Scale-Invariant Feature Transform,SIFT)算法的特征检测,为了有效地在尺度空间检测到稳定的极值点,采用了高斯差分尺度空间,利用不同尺度的高斯差分核与图像进行卷积生成DoG算子:
G(x,y,σ)=exp(-(x2+y2)/2σ2)/2πσ2 (6)
其中,G(x,y,kσ)、G(x,y,σ)是不同尺度的高斯函数,I为待检测图像,(x,y)是空间坐标,σ是尺度坐标,L(x,y,kσ)、L(x,y,σ)是图像的不同尺度的尺度空间。在寻找尺度空间极值点的过程中,每一个采样点要和它所有的相邻点比较,中间的检测点和它同尺度的8个相邻点以及上下相邻尺度对应的9×2个点(共26个点)比较,如果其是最大或最小值时,就认为该点是图像在该尺度下的一个特征点,以确保在尺度空间和二维图像空间都检测到极值点。在检测到尺度空间极值点以后,还要精确确定关键点的位置和尺度(达到亚像素精度),同时去除对比度低的关键点和不稳定的边缘响应点,以增强匹配稳定性并提高抗噪声能力。
深度学习卷积神经网络采用典型CNN模型ResNet(53层卷积层,1层全连接层,残差网络降低退化错误),首先选取人工配准的多组干涉图像,通过特征检测算法探测出图像中所有可能的特征点,并限定特征点间的距离;以特征点坐标为中心截取多个种子图像,声明其代表一个类,并对其进行随机图像变换(缩放、旋转和亮度变换)以扩展类,形成训练数据集,训练配置为学习速率设为0.1且在错误率平缓时除以10,权重衰减0.0001,动量值0.9,迭代次数600000次。最终采用2048个维度的FC7和FC6层的输出特征以及均值池化卷积层特征作为配准特征。
对待配准图像单元分别进行基于尺度不变特征变换算法的特征检测和基于深度学习卷积神经网络算法的特征检测,即可得到SIFT特征和CNN特征,接下来进行特征融合。
步骤S3-2:对SIFT特征和CNN特征进行特征融合,得到参考图像单元的候选关键点与待配准图像单元的候选关键点之间的相似度。算得SIFT特征描述符为fSIFT,CNN特征描述符为fCNN,将两个描述符进行归一化转换为一个描述符f来表示候选关键点,然后使用欧氏距离计算参考图像单元的候选关键点r和待配准图像单元的候选关键点s之间的相似度D(r,s),完成特征融合:
其中w1、w2为两个权重参数,w1,w2∈[0,1]且w1+w2=1;L1、L2为SIFT和CNN的特征维度。
步骤S3-3:根据相似度结合基于局部最大熵的特征匹配算法进行特征匹配,将匹配完成的同一级次干涉图像单元按照扫描方向进行图像拼接,得到场景图像序列。图像拼接,得到待配准图像单元对应的场景图像。为了改善传统的基于灰度的匹配算法抗噪能力和抗局部几何变形能力较差的问题,这里采用基于局部最大熵的特征匹配算法,通过局部特征点所在区域的相关性匹配,获得具有最大可信度的匹配结果。熵所表达的是一个系统的复杂性或者是不确定性,可以用来描述互信息量,表示两个随机变量间的统计相关性。基于互信息的图像匹配就是在待配准的两幅图像中搜索互信息量最大的点对,得到图像的特征点匹配对。对于一幅m×n的图像模块,熵的定义表示为:
式中pij表示图像在(i,j)坐标上的灰度分布。如果用H(A),H(B)分别表示图像A和B的熵,H(A,B)表示两幅图像的联合熵,则信息量的表达式为:
K(A,B)=H(A)+H(B)-H(A,B) (9)
在图像匹配的过程中,经过空间变换后,在两幅图像之间搜索K(A,B)达到最大值的特征点对,即为匹配的特征点对。
特征点对匹配完成后,将匹配完成的同一级次干涉图像单元按照扫描方向进行图像拼接即可得到场景图像序列。
步骤S4:对步骤S3得到的场景图像序列进行基于频域滤波的图像融合,得到场景图像。本发明采用频域滤波来削弱图像的拼接缝隙。对拼接后的图像进行二维快速傅里叶变换,图像中的垂直缝合间隙在傅立叶频域能量谱的水平轴上达到峰值,然后选择巴特沃斯带阻滤波器:
其中D0为截止频率。选取合适的截止频率,将巴特沃斯带阻滤波器的传递函数与图像的频域能量分布相乘,即可滤除频域空间中的间隙分量,最后对滤波后的频谱执行傅立叶逆变换,以获得没有拼接缝隙的场景图像信息,即得到场景图像。,如图7(a)所示为图像拼接后的场景图像,图中圆圈内为局部放大图,如图7(b)所示为基于频域滤波的图像融合后的场景图像,图中圆圈内为局部放大图,通过图7(a)与图7(b)的对比可知,基于频域滤波的图像融合能够有效削弱图像的拼接缝隙。
步骤S5:将干涉数据立方体的每幅干涉图像中含有同一目标的不同级次的干涉图像单元按照光程差顺序进行图像拼接,得到目标的干涉图像序列。光谱信息的反演本发明利用上述拼接方法,将每幅干涉图像中含有同一目标的不同级次的干涉图像单元按照光程差顺序进行拼接,得到目标的二维干涉图像序列。
步骤S6:对步骤S5得到的干涉图像序列进行傅里叶变换,得到目标的重建光谱。具体包括:干涉图像序列降维、基线校正、切趾、非均匀性采样校正(固有相位误差校正)、快速傅里叶变换。具体实施方法如下:
步骤S6-1:对干涉图像序列进行降维,得到一维干涉强度序列。
首先对二维的干涉图像序列进行重采样以得到一维的干涉强度序列。干涉图像序列降维的过程可以由下面两式表示:
(I1'I'2I3'I'4…I'N) (12)
式(11)表示二维干涉图像序列,方框内的矩阵表示一个子阶梯镜内的图像,N表示重采样的采样点数,式(12)表示降维后的一维干涉强度序列。降维后的一维干涉强度序列如图9(a)中的曲线1所示,图中横坐标为采样点,纵坐标为干涉强度。
步骤S6-2:对一维干涉强度序列进行基线校正。
对降维后的一维干涉强度序列进行基线校正,可以采用多阶最小二乘法基线拟合,得到各采样点处直流分量的值,再用原强度值减去对应的直流分量值,去除其直流分量,完成基线校正。该方法中合理的拟合阶数是基线校正的关键,阶数过低时,光谱信号中仍然存在直流分量信号,去除效果不明显;而阶数过高时,会丢失基线信号中的一部分有用信号。从图8中基线校正的结果判断,当阶数为10和11时,信号中的直流分量基本去除,所以拟合阶数设为10-11阶较为合理。基线校正后的一维干涉强度序列如图9(a)中的曲线2所示。
步骤S6-3:对基线校正后的一维干涉强度序列进行切趾。
接下来对基线校正后的一维干涉强度序列利用Happ-Genzel函数进行切趾,以消除重建光谱可能出现的旁瓣震荡:
式中δ为光程差,Δ为采样长度。切趾后的一维干涉强度序列如图9(a)中的曲线3所示。
步骤S6-4:对切趾后的一维干涉强度序列进行非均匀性采样校正。
接下来对切趾后的一维干涉强度序列进行非均匀性采样校正,以消除多级阶梯微反射镜子阶梯高度分布不均匀引入的重建光谱相位误差。根据测得的阶梯镜子阶梯高度数据,得到光程差误差矩阵δEi(i=1,2,...,N),N为采样点数,结合理想光程差矩阵δIi,即可得到实际的光程差矩阵为:
δRi=δIi-δEi (14)
利用最小二乘法拟合出实际光程差矩阵δRi与实际一维干涉强度序列IRi间的函数关系:
IRi=F(δRi) (15)
再带入理想光程差矩阵δIi即可得到非均匀性采样校正后的一维干涉强度序列:
IIi=F(δIi) (16)
经过上述步骤S6-1至步骤S6-4处理后得到的一维干涉强度序列如图9(a)中的曲线4所示。
步骤S6-5:对非均匀性采样校正后的一维干涉强度序列进行傅里叶变换,得到目标的重建光谱。
最后对经过上述步骤S6-1至步骤S6-4处理过的一维干涉强度序列进行傅里叶变换,即可得到目标的重建光谱。这里以图9(a)中拟合阶数为11阶对应的一维干涉强度序列为例,进行傅里叶变换,得到对应的目标的重建光谱,如图9(b)所示为重建光谱的对比示意图,图中横坐标为波数(单位为cm-1),纵坐标为光谱强度,实线代表重建光谱,即基于经过上述步骤S6-1至步骤S6-4处理过的一维干涉强度序列而得到的重建光谱,而虚线代表未优化光谱,即基于未经过上述步骤S6-1至步骤S6-4处理而得到的重建光谱,由图9(b)可以看出,相对于未经上述干涉数据处理步骤优化的重建光谱,本发明优化后的重建光谱的基线漂移和旁瓣震荡问题都得到了一定程度上的改善。
本发明所提出的基于多级阶梯微反射镜的IFTS的图谱处理方法有效地削弱了的场景图像拼接后的拼接缝隙,避免了干涉条纹及子阶梯镜宽度分布不均匀对场景图像的影响,并消除了多级阶梯微反射镜带来的采样误差以及系统中的一些随机误差,从而提高了基于多级阶梯微反射镜的IFTS的图谱信息反演的精度。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种基于多级阶梯微反射镜的IFTS的图谱处理方法,其特征在于,包括以下步骤:
步骤S1:获取基于多级阶梯微反射镜的IFTS采集的干涉数据立方体;
步骤S2:将所述干涉数据立方体的干涉图像按照不同干涉级次对应的图像单元进行分割,得到干涉图像单元;
步骤S3:将所述干涉数据立方体的每幅干涉图像中同一级次的干涉图像单元按照扫描方向进行深度学习与特征拼接相结合的图像拼接,得到场景图像序列;
步骤S4:对所述场景图像序列进行基于频域滤波的图像融合,得到场景图像;
步骤S5:将所述干涉数据立方体的每幅干涉图像中含有同一目标的不同级次的干涉图像单元按照光程差顺序进行图像拼接,得到目标的干涉图像序列;
步骤S6:对所述干涉图像序列进行傅里叶变换,得到目标的重建光谱。
2.根据权利要求1所述的基于多级阶梯微反射镜的IFTS的图谱处理方法,其特征在于,步骤S2包括以下步骤:
步骤S2-1:以任意一幅干涉图像作为待分割图像,对所述待分割图像进行图像形态学边缘增强处理,得到初步边缘信息增强图像;
步骤S2-2:对所述初步边缘信息增强图像进行小波分解边缘信息增强处理,得到有效边缘信息增强图像;
步骤S2-3:对所述有效边缘信息增强图像进行边缘检测及插值拟合,得到完整的子阶梯边缘信息;
步骤S2-4:根据所述子阶梯边缘信息对所述待分割图像进行图像分割,得到所述待分割图像对应的干涉图像单元;
步骤S2-5:将所述待分割图像遍历所述干涉数据立方体的全部干涉图像,得到全部的干涉图像单元。
3.根据权利要求2所述的基于多级阶梯微反射镜的IFTS的图谱处理方法,其特征在于,
采用极坐标Hough变换边缘检测方法对所述有效边缘信息增强图像进行边缘检测。
4.根据权利要求1或2所述的基于多级阶梯微反射镜的IFTS的图谱处理方法,其特征在于,步骤S3包括以下步骤:
步骤S3-1:以所述干涉数据立方体的每幅干涉图像中同一级次的干涉图像单元作为待配准图像单元,对所述待配准图像单元分别进行基于尺度不变特征变换算法的特征检测和基于深度学习卷积神经网络算法的特征检测,得到SIFT特征和CNN特征;
步骤S3-2:对所述SIFT特征和所述CNN特征进行特征融合,得到参考图像单元的候选关键点与所述待配准图像单元的候选关键点之间的相似度;
步骤S3-3:根据所述相似度结合基于局部最大熵的特征匹配算法进行特征匹配,将匹配完成的同一级次干涉图像单元按照扫描方向进行图像拼接,得到场景图像序列。
5.根据权利要求1或2所述的基于多级阶梯微反射镜的IFTS的图谱处理方法,其特征在于,步骤S6包括以下步骤:
步骤S6-1:对所述干涉图像序列进行降维,得到一维干涉强度序列;
步骤S6-2:对所述一维干涉强度序列进行基线校正;
步骤S6-3:对基线校正后的一维干涉强度序列进行切趾;
步骤S6-4:对切趾后的一维干涉强度序列进行非均匀性采样校正;
步骤S6-5:对非均匀性采样校正后的一维干涉强度序列进行傅里叶变换,得到目标的重建光谱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911389985.0A CN111208081B (zh) | 2019-12-30 | 2019-12-30 | 一种基于多级阶梯微反射镜的ifts的图谱处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911389985.0A CN111208081B (zh) | 2019-12-30 | 2019-12-30 | 一种基于多级阶梯微反射镜的ifts的图谱处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111208081A true CN111208081A (zh) | 2020-05-29 |
CN111208081B CN111208081B (zh) | 2021-06-01 |
Family
ID=70784272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911389985.0A Active CN111208081B (zh) | 2019-12-30 | 2019-12-30 | 一种基于多级阶梯微反射镜的ifts的图谱处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111208081B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184554A (zh) * | 2020-10-13 | 2021-01-05 | 重庆邮电大学 | 一种基于残差混合膨胀卷积的遥感图像融合方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184532A (zh) * | 2011-05-27 | 2011-09-14 | 北方工业大学 | 基于单一尺度的医学图像边缘检测 |
US9046422B2 (en) * | 2011-04-20 | 2015-06-02 | The Arizona Board Of Regents On Behalf Of The University Of Arizona | Ultra-compact snapshot imaging fourier transform spectrometer |
-
2019
- 2019-12-30 CN CN201911389985.0A patent/CN111208081B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9046422B2 (en) * | 2011-04-20 | 2015-06-02 | The Arizona Board Of Regents On Behalf Of The University Of Arizona | Ultra-compact snapshot imaging fourier transform spectrometer |
CN102184532A (zh) * | 2011-05-27 | 2011-09-14 | 北方工业大学 | 基于单一尺度的医学图像边缘检测 |
Non-Patent Citations (4)
Title |
---|
GAO JIAN-HUA 等: "《A Stepped Mirror Based Temporally and Spatially Modulated Imaging Fourier Transform Spectrometer:Principle and Data Processing》", 《光谱学与光谱分析》 * |
周保余: "《图像局部特征匹配性能增强研究》", 《中国博士学位论文全文数据库 信息科技辑》 * |
胡志峰: "《基于小波变换图像去噪及边缘检测研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
苏燕飞: "《基于卷积神经网络和SIFT的多源遥感图像配准研究》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184554A (zh) * | 2020-10-13 | 2021-01-05 | 重庆邮电大学 | 一种基于残差混合膨胀卷积的遥感图像融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111208081B (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107833208B (zh) | 一种基于动态权重深度自编码的高光谱异常检测方法 | |
CN108389188B (zh) | 一种稀疏高光谱异常目标检测方法 | |
Jia et al. | Destriping algorithms based on statistics and spatial filtering for visible-to-thermal infrared pushbroom hyperspectral imagery | |
CN108427934B (zh) | 一种高光谱影像混合像元分解方法 | |
WO2017161892A1 (zh) | 一种高光谱遥感图像的分类方法及其系统 | |
CN107316309B (zh) | 基于矩阵分解的高光谱图像显著性目标检测方法 | |
Zhao et al. | Hyperspectral image denoising using spectral-spatial transform-based sparse and low-rank representations | |
CN108921170B (zh) | 一种有效的图像噪声检测和去噪方法及系统 | |
CN111208081B (zh) | 一种基于多级阶梯微反射镜的ifts的图谱处理方法 | |
CN110956601B (zh) | 一种基于多传感器样态系数的红外图像融合方法和装置以及计算机可读存储介质 | |
CN113902622A (zh) | 基于深度先验联合注意力的光谱超分辨率方法 | |
Yu et al. | Dstrans: Dual-stream transformer for hyperspectral image restoration | |
Feng et al. | BM3D‐GT&AD: an improved BM3D denoising algorithm based on Gaussian threshold and angular distance | |
Li et al. | Adaptive material matching for hyperspectral imagery destriping | |
Murugesan et al. | Attention based deep convolutional U-Net with CSA optimization for hyperspectral image denoising | |
CN112288784A (zh) | 一种描述子邻域自适应的弱纹理遥感影像配准方法 | |
Karnaukhov et al. | Analysis of linear distortion characteristics in problems of restoration of multispectral images | |
CN110378268A (zh) | 高光谱快速目标检测方法及系统 | |
Zhang et al. | A generative adversarial network with dual discriminators for infrared and visible image fusion based on saliency detection | |
CN114565653A (zh) | 一种存在旋转变化和尺度差异的异源遥感图像匹配方法 | |
Takeyama et al. | Robust hyperspectral image fusion with simultaneous guide image denoising via constrained convex optimization | |
Gribl et al. | A robust method for gaussian profile estimation in the case of overlapping objects | |
CN112733865A (zh) | 一种基于稀疏表示与固定原子迭代的光谱目标检测方法 | |
CN112967241A (zh) | 一种基于局部梯度引导的高光谱图像异常检测方法 | |
Wang et al. | Dynamic negative sampling autoencoder for hyperspectral anomaly detection |
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 |