CN112268862B - 光谱重建方法及装置、设备及介质 - Google Patents
光谱重建方法及装置、设备及介质 Download PDFInfo
- Publication number
- CN112268862B CN112268862B CN202011025595.8A CN202011025595A CN112268862B CN 112268862 B CN112268862 B CN 112268862B CN 202011025595 A CN202011025595 A CN 202011025595A CN 112268862 B CN112268862 B CN 112268862B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- spectral
- reconstructed
- reconstruction
- dictionary
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明实施例提供的光谱重建方法及装置、设备及介质,该方法包括:利用第一光谱特征字典对待重建光谱进行初次重建,得到第一重建光谱;所述第一光谱特性字典中的元素为升余弦曲线,所述采样点为所述待重建光谱的采样点;所述第一光谱特性字典中的元素覆盖所述待重建光谱的全部频点范围;对所述第一重建光谱进行处理,得到所述第一重建光谱的谱峰信息;所述谱峰信息包括:谱峰个数以及每个谱峰的谱峰位置与宽度值;利用所述谱峰信息生成与所述待重建光谱对应的第二光谱特征字典;利用所述第二光谱特征字典对所述待重建光谱进行再次重建,得到第二重建光谱,能够解决稀疏优化和字典学习算法重建时间复杂度的问题,并提高重建的似然度和稳定性。
Description
技术领域
本发明涉及光学信息处理技术领域,尤其涉及光谱重建方法及装置、设备及介质。
背景技术
光谱能够很好地反映物质性质,光谱学及光谱分析在近现代科学的诸多领域都有着重要的作用,应用场景遍及宇宙探测、宏观场景检测以及微观物质分析。但囿于传统光谱仪的庞大体积、高昂价格等因素,光谱分析的应用受到了较大的限制。近年来,随着微纳加工技术的发展,多种高精度光谱仪小型化的方案被提出,光谱仪的微型化、集成化大大促进了光谱学的发展和光谱分析的应用前景。这些小型化方案有:量子点、纳米线和光子晶体等,在这些方案中,基于光子晶体空间光滤波器的方案在光谱成像等应用方面,具有集成度高、结构设计灵活、易于大规模制备等优势。
基于光子晶体的光谱仪是利用光子晶体表面不同的周期结构,对同一束入射光进行不同的宽带滤波调制,并由光探测器收集调制后输出光。例如:在为入射光的光强为f(λ);光子晶体表面结构透射系数为Φi;光电探测器的光谱响应为q(λ);暗噪声为ei;第i个结构对应探测器收集到的光强值Ii为:
Ii=∫f(λ)Φi(λ)q(λ)dλ+ei
为便于数据的处理,对连续光谱进行离散点采样,将积分式转化为矩阵求和的形式:
其中m为光子晶体结构单元数目,n为频谱采样点数。利用收集光强值Im×1和Φm×n,即可通过对线性方程组求逆,得到重建入射谱fn×1。然而在实际实现中,一方面,器件实现的复杂度约束了光子晶体结构单元的数目;另一方面,对重建光谱精度的要求意味着更密集的频谱采样点数;这些导致重建所需求解的线性方程组欠定,因此需要合适的重建算法来提高基于光子晶体光谱仪的光谱重建表现。目前已有的算法中,表现最佳的是稀疏优化和字典学习的算法。
稀疏优化算法是考虑到光谱信息的内在联系,认为自然界中的光谱信息可归纳为若干光谱特征的线性叠加。即对任意自然界中待重建光谱f,都可表示为光谱的稀疏表示矩阵Ψ和与光谱对应的稀疏表示系数s的乘积。其中光谱的稀疏表示矩阵Ψ就蕴含了光谱的特征,理想情况下,利用矩阵Ψ中的很少元素即能够表示任意光谱信息;稀疏表示系数s则对应着待重建光谱中蕴含的部分特征,同时它仅有很少的非零元素。结合压缩感知的背景,在明确光谱的稀疏表示矩阵后,即光谱字典,稀疏优化算法能够起到较好的重建效果。
然而,稀疏优化本身是一个迭代算法,因此稀疏域的数据量也决定着最终稀疏优化的时间复杂度,与此同时它也决定着稀疏域蕴含的光谱信息量。在实际重建时,这两者很难均衡。具体表现为:光谱稀疏域数据量过大时,稀疏优化算法延时较长,会影响到光谱重建的实时性能;光谱稀疏域数据量不足时,重建所需信息量不足,会影响到字典本身在稀疏优化中的表现。此外字典学习算法训练出的光谱字典是具有数据倾向的,如果待重建光谱中蕴含训练集中不含有的光谱特征,会导致稀疏优化算法重建出的光谱似然度较低,影响到训练出的光谱字典在稀疏优化中的稳定性和泛用性。
因此,如何提供一种光谱重建方案,能够解决稀疏优化和字典学习算法重建时间复杂度的问题,并提高重建的似然度和稳定性,是本领域技术人员亟待解决的技术问题。
发明内容
本发明实施例提供一种光谱重建方法及装置、设备及介质,能够解决稀疏优化和字典学习算法重建时间复杂度的问题,并提高重建的似然度和稳定性。
第一方面,本发明实施例提供一种光谱重建方法,包括:
利用第一光谱特征字典对待重建光谱进行初次重建,得到第一重建光谱;所述第一光谱特性字典中的元素为升余弦曲线,所述升余弦曲线的谱峰宽度为预设数量个采样点的宽度,所述采样点为所述待重建光谱的采样点;所述第一光谱特性字典中的元素覆盖所述待重建光谱的全部频点范围;
对所述第一重建光谱进行处理,得到所述第一重建光谱的谱峰信息;所述谱峰信息包括:谱峰个数以及每个谱峰的谱峰位置与宽度值;
利用所述谱峰信息生成与所述待重建光谱对应的第二光谱特征字典,所述第二光谱特征字典中的元素为升余弦曲线;
利用所述第二光谱特征字典对所述待重建光谱进行再次重建,得到第二重建光谱。
进一步地,所述利用第一光谱特征字典对待重建光谱进行初次重建,得到第一重建光谱包括:
基于稀疏优化算法得到待重建光谱关于第一光谱特征字典的第一稀疏表示系数;
将所述第一稀疏表示系数与所述第一光谱特征字典相乘,得到第一重建光谱。
进一步地,所述对所述第一重建光谱进行处理,得到所述第一重建光谱的谱峰信息包括:
对所述第一重建光谱进行包络提取和冗余点去除,得到能量分布信息;
根据所述能量分布信息统计所述待重建光谱的谱峰个数以及每个谱峰的谱峰位置与宽度值。
进一步地,所述利用所述谱峰信息生成与所述待重建光谱对应的第二光谱特征字典,所述第二光谱特征字典中的元素为升余弦曲线包括:
在每个谱峰的谱峰位置对应的频点范围内生成升余弦曲线,所述升余弦曲线覆盖于每个谱峰位置对应的宽度值;
将所述升余弦曲线作为元素构成第二光谱特性字典。
进一步地,所述升余弦曲线的方程为:
y=1-cosx;x∈[-π,π];
其中y为光谱强度值,x为波长
进一步地,所述预设数量为15至30。
进一步地,所述利用所述第二光谱特征字典对所述待重建光谱进行再次重建,得到第二重建光谱包括:
基于稀疏优化算法得到待重建光谱关于第二光谱特征字典的第二稀疏表示系数;
将所述第二稀疏表示系数与所述第二光谱特征字典相乘,得到第二重建光谱。
第二方面,本发明实施例提供一种光谱重建装置,包括:
第一光谱重建模块,用于利用第一光谱特征字典对待重建光谱进行初次重建,得到第一重建光谱;所述第一光谱特性字典中的元素为升余弦曲线,所述升余弦曲线的谱峰宽度为预设数量个采样点的宽度,所述采样点为所述待重建光谱的采样点;所述第一光谱特性字典中的元素覆盖所述待重建光谱的全部频点范围;
谱峰信息处理模块,用于对所述第一重建光谱进行处理,得到所述第一重建光谱的谱峰信息;所述谱峰信息包括:谱峰个数以及每个谱峰的谱峰位置与宽度值;
第二字典生成模块,用于利用所述谱峰信息生成与所述待重建光谱对应的第二光谱特征字典,所述第二光谱特征字典中的元素为升余弦曲线;
第二光谱重建模块,用于利用所述第二光谱特征字典对所述待重建光谱进行再次重建,得到第二重建光谱。
本发明实施例还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述光谱重建方法的步骤。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述光谱重建方法的步骤。
本发明实施例提供的光谱重建方法及装置、设备及介质,通过研究发现升余弦曲线在光谱重建中以具有较好的光谱重建效果,从而在升余弦曲线作为光谱特征字典的基础上,进行初次重建和再次重建,再次重建时的光谱特征字典更具有针对性,能够匹配重建光谱,从而提高重建的似然度和稳定性;同时能有效减少光谱特征字典的元素数目,进而能够解决稀疏优化和字典学习算法重建时间复杂度的问题。
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一简单地介绍,显而易见地,下面描述中的附图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他的附图。
图1为本发明实施例提供的一种光谱重建方法的流程图;
图2为本发明实施例提供的一种光谱重建方法的第二字典构建流程图;
图3为本发明实施例提供的一种光谱重建方法的第二光谱重建流程图;
图4为本发明实施例提供一种光谱重建方法使用的升余弦曲线的示意图;
图5为本发明实施例提供的一种光谱重建方法使用的待重建光谱图;
图6为本发明实施例提供的一种光谱重建方法使用的第一重建光谱图;
图7为本发明实施例提供的一种光谱重建方法使用的第二光谱特征字典示意图;
图8为本发明实施例提供的一种光谱重建方法的第一重建似然度的示意图;
图9为本发明实施例提供的一种光谱重建方法的第二重建似然度的示意图;
图10为本发明又一实施例提供的一种光谱重建方法的第一重建光谱图;
图11为本发明又一实施例提供的一种光谱重建方法的第二重建光谱图;
图12为本发明实施例提供的一种光谱重建装置的组成示意图;
图13是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1-图3描述本发明实施例的一种光谱重建方法。图1为本发明实施例提供的一种光谱重建方法的流程图;图2为本发明实施例提供的一种光谱重建方法的第二字典构建流程图;图3为本发明实施例提供的一种光谱重建方法的第二光谱重建流程图。
在发明一种具体实施方式中,本发明实施例提供一种光谱重建方法,包括:
步骤S11:利用第一光谱特征字典对待重建光谱进行初次重建,得到第一重建光谱;所述第一光谱特性字典中的元素为升余弦曲线,所述升余弦曲线的谱峰宽度为预设数量个采样点的宽度,所述采样点为所述待重建光谱的采样点;所述第一光谱特性字典中的元素覆盖所述待重建光谱的全部频点范围;
首先,在本发明实施例中需要对待重建光谱进行初次重建,在进行初次重建时,可以利用一般的光谱特性字典作为第一光谱特性字典,也可以使用升余弦曲线为元素的光谱特性字典,在得到第一光谱特性字典后,可以利用稀疏算法基于稀疏优化算法得到待重建光谱关于第一光谱特征字典的第一稀疏表示系数;将所述第一稀疏表示系数与所述第一光谱特征字典相乘,得到第一重建光谱。预设数量可以为15至30,当然也可以是其他的数量值,可以根据实际情况进行设定。
具体地,稀疏优化算法可以贪婪算法,也可以是松弛算法或者其他的算法。其中,贪婪算法的特点是速度快,比如匹配追踪(MP)、正交匹配追踪(OMP)、弱匹配追踪(WMP)、阈值方法等;精度相对较低;松弛算法是精度高,比如迭代加权最小二乘(Iterative-Reweighed-Least-Squares,IRLS)、基追踪(BP)等,但速度慢。
步骤S12:对所述第一重建光谱进行处理,得到所述第一重建光谱的谱峰信息;所述谱峰信息包括:谱峰个数以及每个谱峰的谱峰位置与宽度值;
在得到第一重建光谱后,可以对该光谱进行处理,从而大概可以知道待重建光谱的谱峰有几个,分别在什么位置,又有多宽,具体地,可以进行以下步骤:对所述第一重建光谱进行包络提取和冗余点去除,得到能量分布信息;根据所述能量分布信息统计所述待重建光谱的谱峰个数以及每个谱峰的谱峰位置与宽度值。
包络提取又称幅度解调,当调制信号已知时,常用同步解调的方式,又称“相敏解调”。当载波信号未知时,可以采用包络检波法,又称包络解调,适用于普通调幅信号的解调,指产生的输出信号与已调信号包络线成正比的幅度解调,得到包络曲线。得到包络曲线后,常需要对峰值进行提取。一个是逐级扫描,扫描的依据就是斜率的变化,好处是绝对值比较,可以避免极值在平滑处的影响;还有一个就是抓住问题精髓,将斜率变化,转化为求导处理,缺点是在峰不明锐的时候,同一点会有多个值,需要对数据的幅度放大,滤波。从而可以得到谱峰的位置和宽度值。当然,在实际进行操作时,有一些冗余点,可以去除,从而更加准确地识别谱峰及宽度值。
步骤S13:利用所述谱峰信息生成与所述待重建光谱对应的第二光谱特征字典,所述第二光谱特征字典中的元素为升余弦曲线;
在得到第一重建光谱的谱峰信息后,可以根据这些谱峰信息生成对应的第二光谱特征字典,第二光谱特征字典中的元素更加具有针对性,从而可以减少字典中的元素的数量,从而在保证重建质量的同时,降低整体的光谱重建的计算量。
步骤S14:利用所述第二光谱特征字典对所述待重建光谱进行再次重建,得到第二重建光谱。
在得到第二光谱特性字典后,由于该字典是带重建光谱的谱峰相匹配的字典,因此,在利用稀疏优化算法进行稀疏表示稀疏的计算时,可以更加具有针对性,而且该字典中的元素更少,升余弦曲线作为光谱特征字典的基础上,进行初次重建和再次重建,再次重建时的光谱特征字典更具有针对性,能够匹配待重建光谱,从而能够解决稀疏优化和字典学习算法重建时间复杂度的问题,并提高重建的似然度和稳定性。
具体地,为了利用所述谱峰信息生成与所述待重建光谱对应的第二光谱特征字典,所述第二光谱特征字典中的元素为升余弦曲线可以进行以下步骤:
步骤S21:在每个谱峰的谱峰位置对应的频点范围内生成升余弦曲线,所述升余弦曲线覆盖于每个谱峰位置对应的宽度值;
步骤S22:将所述升余弦曲线作为元素构成第二光谱特性字典。
也就是说,在挑选第二光谱特性字典的元素时,需要参考第一重建光谱中的谱峰信息,具体地,可以在谱峰的位置挑选升余弦曲线作为第二光谱特性字典的元素,如果谱峰的宽度越宽则需要挑选的元素越多,以覆盖谱峰的宽度为宜。
更一步地,所述利用所述第二光谱特征字典对所述待重建光谱进行再次重建,得到第二重建光谱包括:
步骤S31:基于稀疏优化算法得到待重建光谱关于第二光谱特征字典的第二稀疏表示系数;
步骤S32:将所述第二稀疏表示系数与所述第二光谱特征字典相乘,得到第二重建光谱。
也就是说,在得到了第二光谱特性字典后,可以利用类似与步骤S11中的稀疏优化算法进行第二稀疏表示稀疏的确定,在确定第二稀疏表示系数后,也就是得到了第二重建光谱。
请参考图4,图4为本发明实施例提供一种光谱重建方法使用的升余弦曲线的示意图。
在上述任一实施例的基础上,本实施例中,本发明实施例通过对升余弦曲线与光谱信息匹配性的研究,发现可以利用升余弦曲线于光谱重建中以达到较好的光谱重建效果,该升余弦曲线的方程为:y=1-cosx;x∈[-π,π];其中y为光谱强度值,x为波长。当然,升余弦曲线并非只有这一种,也可以是其他的类似的升余弦曲线,这里不做限定,都在本发明实施例的保护范围内。
请参考图5、图6、图7,图5为本发明实施例提供的一种光谱重建方法使用的待重建光谱图;图6为本发明实施例提供的一种光谱重建方法使用的第一重建光谱图;图7为本发明实施例提供的一种光谱重建方法使用的第二光谱特征字典示意图;
在本实施例中,首先利用谱峰宽度为15-30个采样点的升余弦曲线作为光谱特征字典,峰值频点对重建范围内进行全覆盖,利用该光谱字典,基于稀疏优化算法,进行待重建光谱的初次重建,待重建光谱参考图5,初次重建结果见图6;其次对初次重建结果进行提取分析,根据初次重建光谱的谱峰分布情况,通过包络提取、冗余点去除的方式,提取出初次重建光谱的能量分布信息,进而总结为待重建光谱的谱峰个数、各谱峰对应位置和宽度信息;再次,参考图7,根据待重建光谱的各谱峰对应位置和宽度信息,在各个谱峰的对应频点范围内,进行与对应谱峰宽度相当的升余弦曲线覆盖,生成与待重建光谱匹配的光谱特征字典;最后,利用匹配光谱特征字典,基于稀疏优化算法,进行二次重建,二次重建结果即是最终重建所得的光谱。
本发明实施例提出了利用升余弦曲线于光谱重建中,升余弦曲线与光谱信息的匹配性,提高了光谱重建的性能表现。发明中通过二次重建的方案,解决了升余弦曲线在带噪声光谱重建中谱峰宽度匹配问题。本发明基于稀疏优化和字典学习的算法,在无需先验训练数据的情况下,能够优化光谱重建的效果以及时间。
本发明中设计的重建方案,实现了对光谱信息的快速、无需先验数据集的高性能重建。本发明在实现光谱重建过程中,无需先验数据集进行字典学习,仅需要待重建光谱的测量值信息,便可实现相当重建效果的光谱重建。而且由于重建时所需字典元素数目有所减少,重建所需时间理论上可缩短50%。
请参考图8、图9、图10、图11,图8为本发明实施例提供的一种光谱重建方法的第一重建似然度的示意图;图9为本发明实施例提供的一种光谱重建方法的第二重建似然度的示意图;图10为本发明又一实施例提供的一种光谱重建方法的第一重建光谱图;图11为本发明又一实施例提供的一种光谱重建方法的第二重建光谱图。
在本发明又一实施方式中,本发明实施例在针对http://spectra.arizona.edu/中提供的200组光谱数据集进行重建时,相较于之前采用字典学习的稀疏优化算法,平均的重建似然度从93.16%提升至93.95%,统计结果分别如图8和图9所示。
针对稀疏优化算法对光谱字典的需要,字典学习算法可利用提供的光谱数据集进行字典训练,进而提取光谱稀疏表示,也即训练出用于稀疏优化的光谱字典。字典学习原理为:对给定光谱样本集合Φ,将其转化为字典矩阵Ψ和查字典的方法矩阵D两个矩阵的乘积,其中对于查字典的方法矩阵D,每行仅有很少的非零元素;而字典矩阵Ψ,训练结果即可用于稀疏优化算法中。
光谱重建表现的衡量可利用重建似然度(Fidelity)这一概念:
其中pi和qi分别为原始光谱谱线X和重建光谱谱线Y在波长λi下归一化后的采样数据,在原始频谱与重建频谱完全一致时重建似然度为1。
本发明实施例在对基于光子晶体光谱仪应用于粉红和绿色滤光片的透光特性测试数据进行重建时,稀疏优化和字典学习的重建结果如图10所示,二次重建方案的重建结果如图11所示,利用二次重建方案,光谱重建似然度从98.649%提升至99.247%。
下面对本发明实施例提供的光谱重建装置进行描述,下文描述的光谱重建装置与上文描述的光谱重建方法可相互对应参照。
请参考图12,图12为本发明实施例提供的一种光谱重建装置的组成示意图。
本发明实施例提供一种光谱重建装置1200,包括:
第一光谱重建模块1210,用于利用第一光谱特征字典对待重建光谱进行初次重建,得到第一重建光谱;所述第一光谱特性字典中的元素为升余弦曲线,所述升余弦曲线的谱峰宽度为预设数量个采样点的宽度,所述采样点为所述待重建光谱的采样点;所述第一光谱特性字典中的元素覆盖所述待重建光谱的全部频点范围;
谱峰信息处理模块1220,用于对所述第一重建光谱进行处理,得到所述第一重建光谱的谱峰信息;所述谱峰信息包括:谱峰个数以及每个谱峰的谱峰位置与宽度值;
第二字典生成模块1230,用于利用所述谱峰信息生成与所述待重建光谱对应的第二光谱特征字典,所述第二光谱特征字典中的元素为升余弦曲线;
第二光谱重建模块1240,用于利用所述第二光谱特征字典对所述待重建光谱进行再次重建,得到第二重建光谱。
图13示例了一种电子设备的实体结构示意图,如图13所示,该电子设备可以包括:处理器(processor)1310、通信接口(Communications Interface)1320、存储器(memory)1330和通信总线1340,其中,处理器1310,通信接口1320,存储器1330通过通信总线1340完成相互间的通信。处理器1310可以调用存储器1330中的逻辑指令,以执行光谱重建方法,该方法包括:利用第一光谱特征字典对待重建光谱进行初次重建,得到第一重建光谱;所述第一光谱特性字典中的元素为升余弦曲线,所述采样点为所述待重建光谱的采样点;所述第一光谱特性字典中的元素覆盖所述待重建光谱的全部频点范围;对所述第一重建光谱进行处理,得到所述第一重建光谱的谱峰信息;所述谱峰信息包括:谱峰个数以及每个谱峰的谱峰位置与宽度值;利用所述谱峰信息生成与所述待重建光谱对应的第二光谱特征字典;利用所述第二光谱特征字典对所述待重建光谱进行再次重建,得到第二重建光谱。
此外,上述的存储器1330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的光谱重建方法,该方法包括:利用第一光谱特征字典对待重建光谱进行初次重建,得到第一重建光谱;所述第一光谱特性字典中的元素为升余弦曲线,所述采样点为所述待重建光谱的采样点;所述第一光谱特性字典中的元素覆盖所述待重建光谱的全部频点范围;对所述第一重建光谱进行处理,得到所述第一重建光谱的谱峰信息;所述谱峰信息包括:谱峰个数以及每个谱峰的谱峰位置与宽度值;利用所述谱峰信息生成与所述待重建光谱对应的第二光谱特征字典;利用所述第二光谱特征字典对所述待重建光谱进行再次重建,得到第二重建光谱。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是: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 (9)
1.一种光谱重建方法,其特征在于,包括:
利用第一光谱特征字典对待重建光谱进行初次重建,得到第一重建光谱;所述第一光谱特性字典中的元素为升余弦曲线,所述升余弦曲线的谱峰宽度为预设数量个采样点的宽度,所述采样点为所述待重建光谱的采样点;所述第一光谱特性字典中的元素覆盖所述待重建光谱的全部频点范围;
对所述第一重建光谱进行处理,得到所述第一重建光谱的谱峰信息;所述谱峰信息包括:谱峰个数以及每个谱峰的谱峰位置与宽度值;
利用所述谱峰信息生成与所述待重建光谱对应的第二光谱特征字典,所述第二光谱特征字典中的元素为升余弦曲线;
利用所述第二光谱特征字典对所述待重建光谱进行再次重建,得到第二重建光谱;
所述利用所述谱峰信息生成与所述待重建光谱对应的第二光谱特征字典,所述第二光谱特征字典中的元素为升余弦曲线包括:
在每个谱峰的谱峰位置对应的频点范围内生成升余弦曲线,所述升余弦曲线覆盖于每个谱峰位置对应的宽度值;
将所述升余弦曲线作为元素构成第二光谱特性字典。
2.根据权利要求1所述的光谱重建方法,其特征在于,所述利用第一光谱特征字典对待重建光谱进行初次重建,得到第一重建光谱包括:
基于稀疏优化算法得到待重建光谱关于第一光谱特征字典的第一稀疏表示系数;
将所述第一稀疏表示系数与所述第一光谱特征字典相乘,得到第一重建光谱。
3.根据权利要求1所述的光谱重建方法,其特征在于,所述对所述第一重建光谱进行处理,得到所述第一重建光谱的谱峰信息包括:
对所述第一重建光谱进行包络提取和冗余点去除,得到能量分布信息;
根据所述能量分布信息统计所述待重建光谱的谱峰个数以及每个谱峰的谱峰位置与宽度值。
4.根据权利要求1所述的光谱重建方法,其特征在于,所述升余弦曲线的方程为:
y=1-cosx;x∈[-π,π];
其中y为光谱强度值,x为波长。
5.根据权利要求1所述的光谱重建方法,其特征在于,所述预设数量为15至30。
6.根据权利要求1至5任一项所述的光谱重建方法,其特征在于,所述利用所述第二光谱特征字典对所述待重建光谱进行再次重建,得到第二重建光谱包括:
基于稀疏优化算法得到待重建光谱关于第二光谱特征字典的第二稀疏表示系数;
将所述第二稀疏表示系数与所述第二光谱特征字典相乘,得到第二重建光谱。
7.一种光谱重建装置,其特征在于,包括:
第一光谱重建模块,用于利用第一光谱特征字典对待重建光谱进行初次重建,得到第一重建光谱;所述第一光谱特性字典中的元素为升余弦曲线,所述升余弦曲线的谱峰宽度为预设数量个采样点的宽度,所述采样点为所述待重建光谱的采样点;所述第一光谱特性字典中的元素覆盖所述待重建光谱的全部频点范围;
谱峰信息处理模块,用于对所述第一重建光谱进行处理,得到所述第一重建光谱的谱峰信息;所述谱峰信息包括:谱峰个数以及每个谱峰的谱峰位置与宽度值;
第二字典生成模块,用于利用所述谱峰信息生成与所述待重建光谱对应的第二光谱特征字典,所述第二光谱特征字典中的元素为升余弦曲线;所述利用所述谱峰信息生成与所述待重建光谱对应的第二光谱特征字典,所述第二光谱特征字典中的元素为升余弦曲线包括:在每个谱峰的谱峰位置对应的频点范围内生成升余弦曲线,所述升余弦曲线覆盖于每个谱峰位置对应的宽度值;将所述升余弦曲线作为元素构成第二光谱特性字典
第二光谱重建模块,用于利用所述第二光谱特征字典对所述待重建光谱进行再次重建,得到第二重建光谱。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述光谱重建方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述光谱重建方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011025595.8A CN112268862B (zh) | 2020-09-25 | 2020-09-25 | 光谱重建方法及装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011025595.8A CN112268862B (zh) | 2020-09-25 | 2020-09-25 | 光谱重建方法及装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112268862A CN112268862A (zh) | 2021-01-26 |
CN112268862B true CN112268862B (zh) | 2021-12-21 |
Family
ID=74349318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011025595.8A Active CN112268862B (zh) | 2020-09-25 | 2020-09-25 | 光谱重建方法及装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112268862B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113324920B (zh) * | 2021-05-27 | 2022-05-17 | 西安电子科技大学 | 基于微纳结构滤光片调制和稀疏矩阵变换的光谱重建方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103247034B (zh) * | 2013-05-08 | 2016-01-20 | 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 |
CN103810755B (zh) * | 2014-03-04 | 2016-08-17 | 西安电子科技大学 | 基于结构聚类稀疏表示的压缩感知光谱图像重建方法 |
CN105513102B (zh) * | 2015-12-15 | 2018-11-16 | 西安电子科技大学 | 基于非局部全变差和低秩稀疏的高光谱压缩感知重建方法 |
US10020930B2 (en) * | 2016-11-04 | 2018-07-10 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Method of non-uniform wavelet bandpass sampling |
CN111623958B (zh) * | 2020-05-18 | 2021-11-12 | 长春欧意光电技术有限公司 | 干涉信号中的小波峰峰值提取方法 |
-
2020
- 2020-09-25 CN CN202011025595.8A patent/CN112268862B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112268862A (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chang et al. | Total variation--based phase retrieval for Poisson noise removal | |
US20120016921A1 (en) | Method and Apparatus for Compressive Domain Filtering and Interference Cancellation | |
Barnhart et al. | Analysis of sunspot variability using the Hilbert–Huang transform | |
CN114268526B (zh) | 基于图的度特征的bpsk及qpsk信号调制识别方法 | |
CN104700440B (zh) | 磁共振部分k空间图像重建方法 | |
CN112268862B (zh) | 光谱重建方法及装置、设备及介质 | |
Yoo et al. | Image restoration by blind‐Wiener filter | |
CN111046791A (zh) | 一种基于含可变因子广义s变换的电流信号滤波去噪方法 | |
Satya et al. | Stripe noise removal from remote sensing images | |
CN116662738A (zh) | 分布式振动传感信号去噪方法、电子装置及存储介质 | |
Yang et al. | Research on the Application of Super Resolution Reconstruction Algorithm for Underwater Image. | |
CN113238193B (zh) | 一种多分量联合重构的sar回波宽带干扰抑制方法 | |
Austin et al. | Parameter estimation using sparse reconstruction with dynamic dictionaries | |
Al Jumah et al. | Denoising of medical images using multiwavelet transforms and various thresholding techniques | |
Huang et al. | Multiplicative noise removal based on unbiased box-cox transformation | |
CN108168697B (zh) | 一种光谱仪降噪和波长标定方法 | |
CN110118958B (zh) | 基于变分编码-解码网络的宽带雷达复回波去噪方法 | |
CN111899196A (zh) | 一种基于经典复原算法的叶片缺陷运动模糊图像复原方法 | |
CN107907542B (zh) | 一种ivmd及能量估计相结合的dspi相位滤波方法 | |
CN109670531A (zh) | 一种基于Hodrick-Prescott滤波器的近红外光谱信号的去噪方法 | |
Luisier et al. | Undecimated Haar thresholding for Poisson intensity estimation | |
CN108665422B (zh) | 傅里叶域内逆向感知的单帧红外非均匀性检测方法 | |
Lu et al. | TV+ TV 2 regularization with nonconvex sparseness-inducing penalty for image restoration | |
Liu et al. | Noise analysis and image restoration for optical sparse aperture systems | |
Starck et al. | An overview of inverse problem regularization using sparsity |
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 |