CN112037132B - 一种多孔径紧凑型多光谱成像系统及深度学习图像超分辨率重建方法 - Google Patents
一种多孔径紧凑型多光谱成像系统及深度学习图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN112037132B CN112037132B CN202010897207.9A CN202010897207A CN112037132B CN 112037132 B CN112037132 B CN 112037132B CN 202010897207 A CN202010897207 A CN 202010897207A CN 112037132 B CN112037132 B CN 112037132B
- Authority
- CN
- China
- Prior art keywords
- image
- aperture
- super
- resolution
- sub
- 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
- 238000000701 chemical imaging Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 238000006073 displacement reaction Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 abstract description 3
- 238000003384 imaging method Methods 0.000 description 14
- 238000001228 spectrum Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
- G06T3/4076—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution using the original low-resolution images to iteratively correct the high-resolution images
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G01J2003/2826—Multispectral imaging, e.g. filter imaging
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Mechanical Light Control Or Optical Switches (AREA)
Abstract
本发明公开了一种多孔径紧凑型多光谱成像系统及深度学习图像超分辨率重建方法,系统包括:面阵CCD探测器、线性渐变滤光片、高精度角度调节器、微透镜阵列、多孔径遮光板、电控精密位移台和计算机;计算机用于通过深度学习图像超分辨率重建算法获取目标物超分辨率图像。多孔径紧凑型多光谱成像系统易于实现、成本低廉、操作和控制方便。通过采用微透镜阵列以及安装角度可调节的线性渐变滤光片,不但可以得到同一目标物的不同波段图像,而且可以调节、控制光谱分辨率。同时,由于采用多孔径遮光板,避免了图像重叠和杂散光影响,抗干扰能力和实用性更强。另外,通过采用深度学习图像超分辨率重建算法,可以快速重建出高质量的超分辨率图像。
Description
技术领域
本发明涉及多光谱成像领域,具体涉及一种多孔径紧凑型多光谱成像系统及深度学习图像超分辨率重建方法。
背景技术
多光谱成像技术可以同时记录场景的空间特征信息和光谱信息,能够对同一场景同时进行多个波段成像。相比于传统的单波段成像技术,多光谱成像技术能够得到更加全面的场景光谱信息,具有多光谱分辨率的优势。因此多光谱成像技术在生物医学、环境监测、地质勘探、农业生产等方面得到广泛的应用。
在众多的多光谱成像系统中,滤光片式多光谱成像系统具有很多优点,例如,可以根据需求设定光谱探测范围、光谱采样精度、空间成像分辨率等,因而在军事和民用领域具有重要的应用价值。常用的滤光片式多光谱成像系统主要由线性渐变滤光片,镜头和面阵探测器三个部件构成。通过滤光片产生多种光谱的光,从而得到多个光谱段的图像。传统的滤光片型多光谱成像系统由于探测器尺寸、成像镜头的限制,导致系统存在成像质量较差、分辨率较低、成像速度较慢等问题。因此,开发成像质量好、成像分辨率高、成像速度快的滤光片型多光谱成像系统非常有助于多光谱成像技术的应用和发展。
发明内容
针对传统滤光片式多光谱成像系统中成像质量差、分辨率较低、成像速度较慢的问题,本发明提供了一种多孔径紧凑型多光谱成像系统及深度学习图像超分辨率重建方法。该系统结构紧凑,易于携带,成本低廉,结合深度学习图像超分辨率重建算法,提高了成像质量和分辨率,加快了成像速度。有望在生物医学、遥感探测、农产品检测等领域得到广泛应用。
为达此目的,本发明采用以下技术方案:
第一方面,本发明提供了一种多孔径紧凑型多光谱成像系统,包括:
面阵CCD探测器;
线性渐变滤光片,安装在所述面阵CCD探测器的前方;
高精度角度调节器,用于安装所述线性渐变滤光片及调整所述线性渐变滤光片的角度;
微透镜阵列,安装在所述高精度角度调节器的前方,所述面阵CCD探测器处于所述微透镜阵列的焦距上;
多孔径遮光板,安装在所述微透镜阵列的前方,所述微透镜阵列中每个微透镜的中心与所述多孔径遮光板上对应的孔径中心一一对应,所述微透镜阵列、所述多孔径遮光板及所述线性渐变滤光片的方向分别与所述面阵CCD 探测器的方向对齐;
电控精密位移台,用于安装所述微透镜阵列和所述多孔径遮光板及驱动所述微透镜阵列和所述多孔径遮光板产生位移;
计算机,所述计算机分别与所述面阵CCD探测器和所述电控精密位移台连接,用于通过深度学习图像超分辨率重建算法获取目标物超分辨率图像。
可选地,所述微透镜阵列为p×q的微透镜阵列,所述多孔径遮光板为p×q 的多孔径遮光板,p、q分别为阵列的行数和列数。
可选地,所述线性渐变滤光片与所述微透镜阵列的水平夹角为β=7.5°。
第二方面,本发明提供了一种深度学习图像超分辨率重建方法,包括:
利用如上所述的多孔径紧凑型多光谱成像系统拍摄被测目标物图像;
将拍摄得到的目标物图像分割成多张子图像Ai,得到包括多张子图像Ai的图像集A,i=1,2,...,K;
以图像集A中的第k张子图像Ak为目标图像,将剩余的K-1张子图像与目标图像进行配准,得到新的子图像集W=[W1,W2,...,Wi,...,WK];子图像集W中元素总数为K,Wk为目标图像Ak;
将子图像集W中的K张图像输入到深度神经网络,之后输出即为超分辨率图像GI,其数学模型可以表示如下:
GI=GI(x,y)=Ω(W,Θ);
式中GI(x,y)表示超分辨率图像,Ω()是一个隐函数,表示深度神经网络,Θ是深度神经网络的网络参数,(x,y)表示像素坐标。
可选地,在深度神经网络训练过程中,采用ADAM函数对损失函数L(Θ) 进行优化,其过程表示如下:
式中M为总训练次数,Wm为第m个子图像集,GTm为第m个高分辨率图像。
可选地,还包括:训练数据集中的Wm子图像集生成方法,该生成方法具体包括:
将GTm图像缩小a倍;
将缩小的图像在水平和竖直方向上分别随机移动b、c个像素,b,c∈[D,E],然后将移动后的图像加上高斯噪声、泊松噪声、加性高斯白噪声、高斯模糊、散焦模糊、运动模糊等,得到子图像记为Bm;
将Bm进行图像配准,最后得到用于训练的子图像集Wm。
可选地,还包括:
经过M次训练后,得到优化参数Θ。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例提供了一种易于实现、成本低廉、操作和控制方便的多孔径紧凑型多光谱成像系统。通过采用微透镜阵列以及安装角度可调节的线性渐变滤光片,不但可以得到同一目标物的不同波段图像,而且可以调节、控制光谱分辨率。同时,由于采用多孔径遮光板,避免了图像重叠和杂散光影响,抗干扰能力和实用性更强。另外,本发明实施例还提供了一种深度学习图像超分辨率重建算法,可以快速重建出高质量的超分辨率图像。本发明实施例非常有利于多光谱成像及深度学习技术的应用研究。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容所能涵盖的范围内。
图1为实施方式中多孔径紧凑型多光谱成像系统的组成示意图;
图2为实施方式中面阵CCD探测器、线性渐变滤光片、多孔径遮光板、微透镜阵列的几何位置关系示意图;
图3为实施方式中多孔径遮光板正视图;
图4为实施方式中多孔径遮光板侧视图;
图5为实施方式中微透镜阵列示意图;
图6为实施方式中深度神经网络架构示意图;
图7为实施方式中图6中公用网模块的组成示意图;
图8为实施方式中图7中BL模块的组成示意图。
具体实施方式
为使得本发明的目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1至图8所示,本实施例提供了一种多孔径紧凑型多光谱成像系统,该系统包括计算机101、面阵CCD探测器102、高精度角度调节器103、多孔径遮光板104、微透镜阵列105、线性渐变滤光片107和电控精密位移台 108。
计算机101与面阵CCD探测器102连接,同时计算机101与电控精密位移台108连接,计算机101通过深度学习图像超分辨率重建算法获取目标物高质量超分辨率图像。
具体的,如图1所示,固定面阵CCD探测器102,将线性渐变滤光片107 安装在高精度角度调节器103上,记为第一组合体,并将第一组合体安装在面阵CCD探测器102前L1=0.8mm处。将一个8×11的微透镜阵列105和8×11的多孔径遮光板104安装在一起,两者的间距为L2=0.5mm,记为第二组合体,安装过程中确保每个微透镜501的中心与多孔径遮光板104上对应的孔径301 的中心一一对应。多孔径遮光板104上还有遮光材料302。将第二组合体安装在电控精密位移台108上,记为第三组合体。将第三组合体安装在第一组合体前L3=1mm处。
上述微透镜阵列105的焦距为f=8mm,面阵CCD探测器102分辨率为 3840×5120。调节第一组合体、第三组合体,使微透镜阵列105、多孔径遮光板104及线性渐变滤光片107与面阵CCD探测器102的水平和竖直方向对齐,如图2所示。xi是水平方向,yi是竖直方向,z是中心轴线方向,i=1,2,3,4。
调节电控精密位移台108,即改变L3距离,使面阵CCD探测器102处于微透镜阵列105的焦距上。然后顺时针转动高精度角度调节器103,使线性渐变滤光片107与微透镜阵列105的水平夹角为β=7.5°。由此构建出一个多孔径紧凑型多光谱成像系统。
进一步地,本实施例还提供了一种深度学习图像超分辨率重建方法,应用于上述多孔径紧凑型多光谱成像系统。系统可以同时获取多个光谱段的图像,结合该深度学习图像超分辨率重建算法,可以重建出高质量的超分辨率目标物图像。
具体的,利用所述多光谱成像系统拍摄被测目标物106的图像。把得到的目标物图像分割成多个子图像,每个子图像记为Ai,即把每一个微透镜501 所成的像分割开,可得到包含K=8×11=88张子图像的图像集A,i=1,2,...,88。以子图像集A中的第k=45张子图像A45为目标图像,将剩余的87张子图像与目标图像进行配准,得到新的子图像集W=[W1,W2,...,Wi,...,W88]。子图像集W中元素总数为K=88,W45为目标图像A45。
如图6所示,深度学习图像超分辨率重建算法获取目标物图像是通过深度神经网络来实现。将子图像集W中的K=88张图像输入到深度神经网络,之后输出即为超分辨率图像GI,其数学模型可以表示如下:
GI=GI(x,y)=Ω(W,Θ);
上式中GI(x,y)表示超分辨率图像,Ω()是一个隐函数,表示深度神经网络,Θ是深度神经网络的网络参数,(x,y)表示像素坐标。
在深度神经网络训练过程中,采用ADAM函数对损失函数L(Θ)进行优化,其过程表示如下:
上式中M=200000总训练次数,Wm为第m个子图像集,GTm为第m个高分辨率图像。
训练数据集中的Wm子图像集生成过程如下:
将GTm图像缩小a=2倍,接着将缩小的图像在水平和竖直方向上分别随机移动b、c个像素,b,c∈[-25,25],然后将移动后的图像加上高斯噪声、泊松噪声、加性高斯白噪声、高斯模糊、散焦模糊、运动模糊等,得到子图像记为Bm,将Bm按照所述方法进行图像配准,最后得到用于训练的子图像集Wm。
经过M=200000次训练后,可以得到优化参数Θ。
对于一个由所述多光谱成像系统拍摄的目标物图像,并经过图像分割和配准得到的子图像集Wgiven,可以通过GI=Ω(Wgiven,Θ)重建出放大a=2倍的超分辨率目标物图像。
综上所述,本发明实施例提供的一种多孔径紧凑型多光谱成像系统及深度学习图像超分辨率重建方法,多孔径紧凑型多光谱成像系统易于实现、成本低廉、操作和控制方便。通过采用微透镜阵列105以及安装角度可调节的线性渐变滤光片107,不但可以得到同一目标物的不同波段图像,而且可以调节、控制光谱分辨率。同时,由于采用多孔径遮光板104,避免了图像重叠和杂散光影响,抗干扰能力和实用性更强。另外,通过采用深度学习图像超分辨率重建算法,可以快速重建出高质量的超分辨率图像。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种多孔径紧凑型多光谱成像系统,其特征在于,包括:
面阵CCD探测器;
线性渐变滤光片,安装在所述面阵CCD探测器的前方;
高精度角度调节器,用于安装所述线性渐变滤光片及调整所述线性渐变滤光片的角度;
微透镜阵列,安装在所述高精度角度调节器的前方,所述面阵CCD探测器处于所述微透镜阵列的焦距上;
多孔径遮光板,安装在所述微透镜阵列的前方,所述微透镜阵列中每个微透镜的中心与所述多孔径遮光板上对应的孔径中心一一对应,所述微透镜阵列、所述多孔径遮光板及所述线性渐变滤光片的方向分别与所述面阵CCD探测器的方向对齐;
电控精密位移台,用于安装所述微透镜阵列和所述多孔径遮光板及驱动所述微透镜阵列和所述多孔径遮光板产生位移;
计算机,所述计算机分别与所述面阵CCD探测器和所述电控精密位移台连接,用于通过深度学习图像超分辨率重建算法获取目标物超分辨率图像。
2.根据权利要求1所述的多孔径紧凑型多光谱成像系统,其特征在于,所述微透镜阵列为p×q的微透镜阵列,所述多孔径遮光板为p×q的多孔径遮光板,p、q分别为阵列的行数和列数。
3.根据权利要求1所述的多孔径紧凑型多光谱成像系统,其特征在于,所述线性渐变滤光片与所述微透镜阵列的水平夹角为β=7.5°。
4.一种深度学习图像超分辨率重建方法,其特征在于,包括:
利用如权利要求1至3任一所述的多孔径紧凑型多光谱成像系统拍摄被测目标物图像;
将拍摄得到的目标物图像分割成多张子图像Ai,得到包括多张子图像Ai的图像集A,i=1,2,...,K;
以图像集A中的第k张子图像Ak为目标图像,将剩余的K-1张子图像与目标图像进行配准,得到新的子图像集W=[W1,W2,...,Wi,...,WK];子图像集W中元素总数为K,Wk为目标图像Ak;
将子图像集W中的K张图像输入到深度神经网络,之后输出即为超分辨率图像GI,其数学模型可以表示如下:
GI=GI(x,y)=Ω(W,Θ);
式中GI(x,y)表示超分辨率图像,Ω()是一个隐函数,表示深度神经网络,Θ是深度神经网络的网络参数,(x,y)表示像素坐标。
5.根据权利要求4所述的深度学习图像超分辨率重建方法,其特征在于,在深度神经网络训练过程中,采用ADAM优化算法对损失函数L(Θ)进行优化,其过程表示如下:
式中M为总训练次数,Wm为第m个子图像集,GTm为第m个高分辨率图像。
6.根据权利要求5所述的深度学习图像超分辨率重建方法,其特征在于,还包括:训练数据集中的Wm子图像集生成方法,该生成方法具体包括:
将GTm图像缩小a倍;
将缩小的图像在水平和竖直方向上分别随机移动b、c个像素,b,c∈[D,E],D、E为常数项;然后将移动后的图像加上高斯噪声、泊松噪声、加性高斯白噪声、高斯模糊、散焦模糊、运动模糊,得到子图像记为Bm;
将Bm进行图像配准,最后得到用于训练的子图像集Wm。
7.根据权利要求5所述的深度学习图像超分辨率重建方法,其特征在于,还包括:
经过M次训练后,得到优化参数Θ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010897207.9A CN112037132B (zh) | 2020-08-31 | 2020-08-31 | 一种多孔径紧凑型多光谱成像系统及深度学习图像超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010897207.9A CN112037132B (zh) | 2020-08-31 | 2020-08-31 | 一种多孔径紧凑型多光谱成像系统及深度学习图像超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112037132A CN112037132A (zh) | 2020-12-04 |
CN112037132B true CN112037132B (zh) | 2023-07-28 |
Family
ID=73585934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010897207.9A Active CN112037132B (zh) | 2020-08-31 | 2020-08-31 | 一种多孔径紧凑型多光谱成像系统及深度学习图像超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112037132B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743001B (zh) * | 2021-08-13 | 2023-12-12 | 湖南大学 | 面向光谱超分辨率重建的滤光片设计方法、滤光片及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107271039A (zh) * | 2017-07-13 | 2017-10-20 | 西安交通大学 | 紧凑微型快照式光谱成像探测装置及探测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8866920B2 (en) * | 2008-05-20 | 2014-10-21 | Pelican Imaging Corporation | Capturing and processing of images using monolithic camera array with heterogeneous imagers |
CN102353449B (zh) * | 2011-06-20 | 2014-11-12 | 中国科学院空间科学与应用研究中心 | 一种极弱光多光谱成像方法及其系统 |
-
2020
- 2020-08-31 CN CN202010897207.9A patent/CN112037132B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107271039A (zh) * | 2017-07-13 | 2017-10-20 | 西安交通大学 | 紧凑微型快照式光谱成像探测装置及探测方法 |
Non-Patent Citations (1)
Title |
---|
基于光谱相似性的高光谱图像超分辨率算法;潘宗序 等;自动化学报;第40卷(第12期);第2797-2806页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112037132A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8724000B2 (en) | Methods and apparatus for super-resolution in integral photography | |
CN109118544B (zh) | 基于透视变换的合成孔径成像方法 | |
Raghavendra et al. | Comparative evaluation of super-resolution techniques for multi-face recognition using light-field camera | |
EP2596472B1 (de) | Mosaikaufnahmeerzeugung | |
WO2021103696A1 (zh) | 一种基于透射式红外孔径编码成像系统及其超分辨方法 | |
CN104717482A (zh) | 多光谱多景深阵列拍摄方法与拍摄相机 | |
CN107133976A (zh) | 一种获取三维高光谱信息的方法和装置 | |
JP5822937B2 (ja) | 不可視スペクトル領域の画像を処理する方法、相応するカメラおよび測定装置 | |
CN112037132B (zh) | 一种多孔径紧凑型多光谱成像系统及深度学习图像超分辨率重建方法 | |
CN112987026A (zh) | 一种基于混合神经网络的事件场合成孔径成像算法 | |
DE112014006672T5 (de) | Bildverarbeitungsvorrichtung, Bildgebungsvorrichtung, Mikroskopsystem, Bildverarbeitungsverfahren und ein Bildverarbeitungsprogramm | |
CN112651911A (zh) | 一种基于偏振图像的高动态范围成像生成方法 | |
DE102019008472B4 (de) | Multilinsen-Kamerasystem und Verfahren zur hyperspektralen Aufnahme von Bildern | |
CN116977449B (zh) | 一种基于闪烁棋盘格的复眼事件相机主动标定方法 | |
Huang et al. | Spectral clustering super-resolution imaging based on multispectral camera array | |
EP3143583B1 (en) | System and method for improved computational imaging | |
CN111080774B (zh) | 一种应用深度采样进行光场重构的方法及系统 | |
CN106382985B (zh) | 一种利用多狭缝实现的光谱成像方法及其使用装置 | |
WO2014056473A2 (de) | Verfahren zur bildaufbereitung und damit durchführbares verfahren zur automatischen objekterkennung sowie beobachtungsvorrichtung und verfahren zur hochgenauen bahnverfolgung startender raketen auf grosse entfernungen | |
CN104143179B (zh) | 一种多线列时差扫描扩展采样的运动目标增强方法 | |
Suliga et al. | Microlens array calibration method for a light field camera | |
CN116029954A (zh) | 一种图像融合方法及装置 | |
CN112819742B (zh) | 一种基于卷积神经网络的事件场合成孔径成像方法 | |
CN112866545B (zh) | 对焦控制方法和装置、电子设备、计算机可读存储介质 | |
WO2021093502A1 (zh) | 相位差的获取方法和装置、电子设备 |
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 |