CN113421208B - 高分辨率光谱恢复方法 - Google Patents
高分辨率光谱恢复方法 Download PDFInfo
- Publication number
- CN113421208B CN113421208B CN202110975568.5A CN202110975568A CN113421208B CN 113421208 B CN113421208 B CN 113421208B CN 202110975568 A CN202110975568 A CN 202110975568A CN 113421208 B CN113421208 B CN 113421208B
- Authority
- CN
- China
- Prior art keywords
- vector
- covariance matrix
- distribution
- matrix
- normal
- 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
- 238000011084 recovery Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000001228 spectrum Methods 0.000 title claims abstract description 45
- 239000013598 vector Substances 0.000 claims abstract description 152
- 238000009826 distribution Methods 0.000 claims abstract description 133
- 238000013398 bayesian method Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 111
- 230000003595 spectral effect Effects 0.000 claims description 54
- 238000000411 transmission spectrum Methods 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 abstract description 5
- 238000001914 filtration Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 238000010183 spectrum analysis Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000002096 quantum dot Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- BJQHLKABXJIVAM-UHFFFAOYSA-N bis(2-ethylhexyl) phthalate Chemical compound CCCCC(CC)COC(=O)C1=CC=CC=C1C(=O)OCC(CC)CCCC BJQHLKABXJIVAM-UHFFFAOYSA-N 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002070 nanowire Substances 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 241000488484 Craugastor andi Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002061 nanopillar Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004038 photonic crystal Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本申请涉及一种高分辨率光谱恢复方法,其采用改进的贝叶斯方法,使用比传统的拉普拉斯分布先验更加稀疏的正态乘积分布的先验建模,从而取得更好的恢复效果,并且恢复出光谱向量不是点估计,而是包含了概率密度信息的区间估计,从而可为光谱曲线恢复提供更多的信息,以提高光谱恢复的分辨率。
Description
技术领域
本申请涉及光谱芯片技术领域,更为具体地说,涉及一种高分辨率光谱恢复方法。
背景技术
光谱仪是科研和工业中最常用的测量工具之一,传统光谱仪结构复杂,体积较大,极大阻碍了在日常生活中的应用,因此光谱仪的微型化广泛关注。在微型光谱仪内,光路缩短,滤光片分布、光路数量等因素会导致光谱分辨率与传统光谱仪相比显著降低。
在实际工业应用中,改善光谱分辨率的方法主要通过器件结构改进,例如在色散型光谱仪中引入具有准直和色散功能的器件,在滤光型光谱仪中引入窄带渐变滤光片。而在计算型光谱芯片中,由于工艺限制,目前提升光谱分辨率的方法,以扩展最小二乘法为代表的解析法。
解析法的优点是可以直接进行反问题的计算,缺点是当恢复分辨率要求很高时,带来的矩阵求逆困难的问题。在计算型光谱芯片中,结构单元数往往有数万甚至数十万,所求解的矩阵元素代表像素对于光谱波数的贡献,因此是一个大型矩阵,不适合进行求逆等运算。
因此,需要提供一种可以运用于高分辨率光谱恢复的场景的光谱恢复方法。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种高分辨率光谱恢复方法,其采用改进的贝叶斯方法,使用比传统的拉普拉斯分布先验更加稀疏的正态乘积分布的先验建模,从而取得更好的恢复效果,并且恢复出光谱向量不是点估计,而是包含了概率密度信息的区间估计,从而可为光谱曲线恢复提供更多的信息,以提高光谱恢复的分辨率。
根据本申请的一方面,提供了一种高分辨率光谱恢复方法,包括:
步骤1:获取光谱芯片的透射谱经离散余弦变换后的字典,离散余弦变换字典,以及所述光谱芯片的图像传感器的测量值向量;
步骤2:基于贝叶斯分层建模的第一层建模,将与光谱向量对应的稀疏向量建模为正态乘积分布的向量,以获得第一正态分布变量的向量和第二正态分布变量的向量,其中,计算所述第一正态分布变量的向量和所述第二正态分布变量的向量的点积得到所述正态乘积分布的向量,且计算所述第一正态分布变量的向量的第一协方差矩阵和所述第二正态分布变量的向量的第二协方差矩阵的点积得到所述正态乘积分布的向量的协方差矩阵;
步骤3:基于贝叶斯分层建模的第二层建模,将所述第一正态分布变量的向量的第一协方差矩阵和所述第二正态分布变量的向量的第二协方差矩阵中的每个位置对应的方差的乘积的倒数建模为服从第一超参数和第二超参数的伽马分布;
步骤4:基于贝叶斯方法,计算所述第一正态分布变量的向量的第一后验概率密度的估计向量和所述第二正态分布变量的向量的第二后验概率密度的估计向量;
步骤5:基于所述第一后验概率密度的估计向量和所述第二后验概率密度的估计向量的点积计算所述正态乘积分布的向量;
步骤6:基于所述第一协方差矩阵、所述第二协方差矩阵、所述第一后验概率密度的估计向量、所述第二后验概率密度的估计向量、所述第一超参数和所述第二超参数更新所述第一协方差矩阵和所述第二协方差矩阵对应的第一期望矩阵和第二期望矩阵;
步骤7:重复步骤4到步骤6直到满足迭代条件;
步骤8:基于所述第一期望矩阵与所述第二期望矩阵计算所述正态乘积分布的向量的协方差矩阵;以及
步骤9:基于所述正态乘积分布的向量及其协方差矩阵和所述离散余弦变换字典获得光谱向量。
根据本申请的另一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在所述处理器运行时使得所述处理器执行如上所述的高分辨率光谱恢复方法。
根据本申请的再一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序指令,当所述计算机程序指令被计算装置执行时,可操作来执行如上所述的高分辨率光谱恢复方法。
本申请提供的高分辨率光谱恢复方法,能够采用改进的贝叶斯方法,使用比传统的拉普拉斯分布先验更加稀疏的正态乘积分布的先验建模,从而取得更好的恢复效果,并且恢复出光谱向量不是点估计,而是包含了概率密度信息的区间估计,从而可为光谱曲线恢复提供更多的信息,以增强光谱恢复的分辨率。
附图说明
通过阅读下文优选的具体实施方式中的详细描述,本申请各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。说明书附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。显而易见地,下面描述的附图仅仅是本申请的一些实施例,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。而且在整个附图中,用相同的附图标记表示相同的部件。
图1图示了根据本申请实施例的光谱分析装置的框图;
图2图示了根据本申请实施例的高分辨率光谱恢复方法中的正态乘积分布建模的示意图;
图3图示了根据本申请实施例的高分辨率光谱恢复方法中的构建的贝叶斯网络的示意图;
图4图示了根据本申请实施例的高分辨率光谱恢复方法的示意性流程图;
图5图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
根据本申请实施例的高分辨率光谱恢复方法应用于计算光谱装置,图1图示了根据本申请实施例的计算光谱装置的示意性配置图。如图1所示,在根据本申请实施例的计算光谱装置中,光学系统为可选的,其可能是透镜组件、匀光组件等光学系统。滤光结构为频域或者波长域上的宽带滤光结构。各处滤光结构不同波长的通光谱不完全相同。滤光结构可以是超表面、光子晶体、纳米柱、多层膜、染料、量子点、MEMS(微机电系统)、FP etalon(FP标准具)、cavity layer(谐振腔层)、waveguide layer(波导层)、衍射元件等具有滤光特性的结构或者材料。例如,在本申请实施例中,所述滤光结构可以是中国专利CN201921223201.2中的光调制层,
图像传感器(即光探测器阵列)可以是CMOS图像传感器(CIS)、CCD、阵列光探测器等。另外,可选的数据处理单元可以是MCU、CPU、GPU、FPGA、NPU、ASIC等处理单元,其可以将图像传感器生成的数据导出到外部进行处理。
例如,图像传感器测得光强信息后,传入数据处理单元进行恢复计算。该过程具体描述如下:
将入射光在不同波长λ下的强度信号记为x(λ),滤光结构的透射谱曲线记为T(λ),滤光片(滤光结构)上具有m组的结构单元,每一组结构单元的透射谱互不相同,整体来讲,滤光结构可记为T i (λ)(i=1,2,3,…,m)。每一组结构单元都有相应的物理像素,探测经过滤光结构调制的光强y i 。在本申请的特定实施例中,以一个物理像素,即一个物理像素对应一组结构单元,但是不限定于此,在其它实施例中,也可以是多个物理像素为一组对应于一组结构单元。因此,在根据本申请实施例的计算光谱装置中,多组结构单元构成一个“光谱像素”。需要注意的是,所述滤光结构的有效的透射谱(用以光谱恢复的透射谱,叫做有效的透射谱)T i (λ)数量与结构单元数量可以不一致,所述滤光结构的透射谱根据识别或恢复的需求人为的按照一定规则去设置、测试、或计算获得(例如上述每个结构单元通过测试出来的透射谱就为有效的透射谱),因此所述滤光结构的有效透射谱的数量可以比结构单元数量少,甚至也可能比结构单元数量多;该变形实施例中,某一个所述透射谱曲线并不一定是一组结构单元所决定。进一步,在本申请实施例中,可以用至少一个光谱像素去还原图像。
入射光的频谱分布和图像传感器的测量值之间的关系可以由下式表示:
y i =∫x(λ)*T i (λ)*R(λ)dλ
再进行离散化,得到:
y i =Σ(x(λ)*T i (λ)*R(λ))
其中R(λ)为图像传感器的响应,记为:
A i (λ)=T i (λ)*R(λ),
则上式可以扩展为矩阵形式:
其中,y i (i=1,2,3,…,m)是待测光透过滤光结构后图像传感器的响应,分别对应m个结构单元对应的图像传感器的光强测量值,当一个物理像素对应一个结构单元时,可以理解为m个“物理像素”对应的光强测量值,其是一个长度为m的向量。A是系统对于不同波长的光响应,由滤光结构透射率和图像传感器的量子效率两个因素决定。A是矩阵,每一个行向量对应一组结构单元对不同波长入射光的响应,这里,对入射光进行离散、均匀的采样,共有n个采样点。A的列数与入射光的采样点数相同。这里,x(λ)即是入射光在不同波长λ的光强,也就是待测量的入射光光谱。
在一些实施例中,与上述实施例不同之处在于,所述滤光结构可直接形成于所述图像传感器上表面,例如量子点、纳米线等,其直接在传感器的感光区域形成滤光结构或材料(纳米线、量子点等),以滤光结构为例,此时,可以理解为所述图像传感器的原材料在加工形成所述图像传感器时,在原材料上表面加工形成滤光结构,所述透射谱和所述图像传感器的响应是一体的,即可以理解为所述探测器的响应和所述透射谱为同一曲线,此时入射光的频谱分布和图像传感器的光强测量值之间的关系可以由下式表示:
y i =Σ(x(λ) *R i (λ))
即,在该实施例中,透射谱A i (λ)= R i (λ)
进一步,也可以是上述两个实施例的组合,即在所述具有滤光结构的图像传感器上设置至少一用以调制入射光的滤光结构。可以理解为,将第一个实施例中的图像传感器(即光探测器阵列)可以是CMOS图像传感器(CIS)、CCD、阵列光探测器等换成第二个实施例中集成有滤光结构的图像传感器。
此时,入射光的频谱分布和图像传感器的光强测量值之间的关系可以由下式表示:
y i =∫x(λ)*T i (λ)*R i (λ)dλ
再进行离散化,得到:
y i =Σ(x(λ)*T i (λ)*R i (λ))
即,在该实施例中,A i (λ)=T i (λ)*R i (λ)
示例性方法
如上所述,对于光谱恢复求解的问题可以转换为线性方程组求解问题:
其中,即为待求解的光谱,为N×1向量,其中N代表可分辨光谱波数,向量内每个
元素对应原始传感器采集中心的一个像素值。为M×N矩阵,用以描述第j个像素对第i
个光谱波段的响应,为M×1测量数据向量,其第j个元素对应于对应第i个光谱波段的权
重。求解上述问题的一种思路是利用稀疏学习的方法进行求解,对应找到一个稀疏变换字
典,使得,其中为稀疏解,该过程将可能不稀疏的光谱信号变成稀疏向量。
这样,对应的求解方程组可以变为。这里,是光谱芯片的透射谱矩
阵经稀疏变换后的字典。
在稀疏学习中,均方根误差意义下最好的变换为K-L(Karhunen-Loève)变换,但需
要先知道的协方差矩阵并求出特征值。但是K-L变换在应用中很难直接求得稀疏变换字
典,因此可以采用一种常见的稀疏变换字典,例如,可以设置为离散余弦变换,其具有
与K-L变换相近的去相关性能,可以将自然信号能量集中到变换后的低频部分,而高频部分
绝大多数分量接近零或为零。同时,离散余弦变换可以通过快速傅里叶变换进行快速实现,
适合实际的大规模应用。值得说明的是,所述稀疏变换字典可以进一步根据所述光谱分
析装置的需求或能力设置,例如所述光谱分析装置的需求为实现对400-1000nm的波段恢复
或识别,其中光谱分辨率为1nm时,所述稀疏变换字典被实施为601*601的矩阵,再将所述
稀疏变换字典存储于所述光谱分析装置的存储器中,进一步地,所述存储器可以实施为
在云端与所述光谱分析装置无线连接。
为了提高对稀疏先验建模的精确度,更好地描述光谱在稀疏变换域中低频分量的集中特性,从而提升光谱恢复结果的精度。在本申请实施例中,采用了一种改进的稀疏先验贝叶斯分层建模方式,来构建贝叶斯层级网络,如图2和图3所示。图2图示了根据本申请实施例的高分辨率光谱恢复方法中的正态乘积分布的建模的示意图。这里,该建模方式比传统的建模方式,例如拉普拉斯(Laplace)稀疏先验分层建模更为稀疏。
然后,引入第二层分布为关于的条件概率密度分布。取方差倒数有 ,建模其
为服从参数为的Gamma分布,从而有。由于Gamma分布与第一
层的正态分布共轭,当时相应的边缘概率分布服从正态乘积分布,从而
完成第二层贝叶斯网络的建模。对应的有:
分层记为:
因此,在本申请实施例中,对应的构建的贝叶斯网络结果图如图3所示。图3图示了根据本申请实施例的高分辨率光谱恢复方法中的构建的贝叶斯网络的示意图。利用如图3所示的贝叶斯层级网络,就可以完成对贝叶斯定理中分子项的求解。
即,令为变分分布随机变量,在基于平均场假设的情况下,可以
将近似的变分分布写为:,其中代表中的因隐变量。
通过变分分布与后验分布间的K-L(Kullback-Leibler)散度的度量,可以求得对应的变分
分布的解为:
其中,代表期望,代表除了中的第i个隐变量。将分层建模的模型代入到
以上解,并考虑后验方差在学习过程结束后,总是接近零,以确保后验期望集中在估计值,
即,从而可以求得对应的后验概率密度函数。对应用^代表估计,并且
代表的转置。
其中,表示上述对角矩阵的各元素取倒数后的期望值,表示上述
对角矩阵的各元素取倒数后的期望值,具体计算方式如下。且diag()和diag()分
别表示以和的后验概率密度的估计向量和的期望,即和的各元素为对角元素
的对角矩阵。
对应的gamma分布为:
对应的期望分别为:
这里,在本申请实施例中,由于改进的贝叶斯推理采用的先验建模比传统的拉普拉斯分布先验更加稀疏,因此能取得更好的恢复效果。并且,由于以上算法给出的光谱曲线不是点估计,而是包含了概率密度信息的区间估计,可为光谱曲线恢复提供更多的信息,从而提高光谱恢复的分辨率。
图4图示了根据本申请实施例的高分辨率光谱恢复方法的示意性流程图。
如图4所示,根据本申请实施例的高分辨率光谱恢复方法包括以下步骤。
步骤S110,获取光谱芯片的透射谱经离散余弦变换后的字典,离散余弦变换字典,
以及所述光谱芯片的图像传感器的测量值向量。也就是,例如可以通过光谱分析设备,获取
所述光谱芯片的滤光结构的透射谱经离散余弦变换后的字典,即如上所述的字典,以及
离散余弦变换字典,即如上所述的字典,和光谱芯片的图像传感器的测量值向量,即光谱
芯片的输出,例如如上所述的。
步骤S120,基于贝叶斯分层建模的第一层建模,将与光谱向量对应的稀疏向量建模为正态乘积分布的向量,以获得第一正态分布变量的向量和第二正态分布变量的向量,其中,计算所述第一正态分布变量的向量和所述第二正态分布变量的向量的点积得到所述正态乘积分布的向量,且计算所述第一正态分布变量的向量的第一协方差矩阵和所述第二正态分布变量的向量的第二协方差矩阵的点积得到所述正态乘积分布的向量的协方差矩阵。
并且,基于贝叶斯分层建模的第一层建模,设置如上所述的正态分布变量的向量,
即第一正态分布变量的向量和第二正态分布变量的向量,以使得。也就是,如
果第一正态分布变量的向量,第二正态分布变量的向量和正态乘积分布的向量的每
个位置分别记为,和,则,和中的每个都是服从正态分布的变量,且有。
并且,所述第一正态分布变量的向量和第二正态分布变量的向量的初始期望
值也可以设置为0。此外,所述第一正态分布变量的向量和第二正态分布变量的向量的
协方差矩阵的每个位置的方差分别记为如上所述的和,因此所述第一正态分布变量
的向量的第一协方差矩阵为,且所述第二正态分布变量的向量的第二
协方差矩阵。另外,正态乘积分布的向量的协方差矩阵的每个位置的
方差为。并且,由于协方差矩阵为,存在。
步骤S130,基于贝叶斯分层建模的第二层建模,将所述第一正态分布变量的向量的第一协方差矩阵和所述第二正态分布变量的向量的第二协方差矩阵中的每个位置对应的方差的乘积的倒数建模为服从第一超参数和第二超参数的伽马分布。
如上所述,正态乘积分布的向量的协方差矩阵的每个位置的方差为,则协方差矩阵的每个位置的方差的倒数为所述第一正态分布变量的向
量的第一协方差矩阵和所述第二正态分布变量的向量的第二协方差矩阵中的每个位置对
应的方差的乘积的倒数,即的倒数,也就是,。将其建模为服从第一
超参数和第二超参数的伽马分布。并且,所述超参数和初始也可以设置为0。
步骤S140,基于贝叶斯方法,计算所述第一正态分布变量的向量的第一后验概率密度的估计向量和所述第二正态分布变量的向量的第二后验概率密度的估计向量。
也就是,如上所述,所述第一正态分布变量的向量的所述第一后验概率密度的
估计向量的后验概率密度为,即第一高斯分布,其中N(·)代表高斯分布,代表第一高斯分布的期望,且代表第一高斯分布的协方差矩阵,具体地:
这里,如上所述,是所述光谱芯片的透射谱经离散余弦变换后的字典,是所述
光谱芯片的图像传感器的测量值向量,是噪声变化量,diag表示以所述第一后验概
率密度的估计向量的期望,即的各元素为对角元素的对角矩阵,diag表示以所述
第二后验概率密度的估计向量的期望,即的各元素为对角元素的对角矩阵,和表示所述第一和第二正态分布变量的向量和的协方差矩阵中的各元素取倒数后
的期望值,以下可以称为第一期望矩阵和第二期望矩阵。
步骤S150,基于所述第一后验概率密度的估计向量和所述第二后验概率密度的估
计向量的点积计算所述正态乘积分布的向量。即,由于,因此,可以基于所述第一
后验概率密度的估计向量和所述第二后验概率密度的估计向量的点积计算所述正态乘
积分布的向量。
步骤S160,基于所述第一正态分布变量的所述第一协方差矩阵、所述第二正态分布变量的第二协方差矩阵、所述第一后验概率密度的估计向量、所述第二后验概率密度的估计向量、所述第一超参数和所述第二超参数更新所述第一协方差矩阵和所述第二协方差矩阵对应的第一期望矩阵和第二期望矩阵。
其中,和分别是所述第一正态分布变量的向量的所述第一后验概率密度的
估计向量和所述第二正态分布变量的向量的所述第二后验概率密度的估计向量的相
应位置的值,和分别是第一期望矩阵和第二期望矩阵中的相应位置的值
的倒数,且和是所述第一超参数和所述第二超参数。并且,由于和初始设置为0,则和的初始值分别为和。
步骤S170,重复步骤S140到步骤S160直到满足迭代条件。在本申请实施例中,迭代
条件可以是两次迭代后的正态乘积分布的向量之间的差值小于阈值,或者迭代次数大于阈
值。例如,将迭代次数记为t,第t次迭代的正态乘积分布的向量记为,则迭代停止条件为:
示例性电子设备
下面,参考图5来描述根据本申请实施例的电子设备。
图5图示了根据本申请实施例的电子设备的框图。
如图5所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的高分辨率光谱恢复方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如离散余弦变换字典等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
例如,该输入装置13可以是例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,例如光谱恢复结果等。该输出设备14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图5中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的高分辨率光谱恢复方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的高分辨率光谱恢复方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种高分辨率光谱恢复方法,其特征在于,包括:
步骤1:获取光谱芯片的透射谱经离散余弦变换后的字典,离散余弦变换字典,以及所述光谱芯片的图像传感器的测量值向量;
步骤2:基于贝叶斯分层建模的第一层建模,将与光谱向量对应的稀疏向量建模为正态乘积分布的向量,以获得第一正态分布变量的向量和第二正态分布变量的向量,其中,计算所述第一正态分布变量的向量和所述第二正态分布变量的向量的点积得到所述正态乘积分布的向量,且计算所述第一正态分布变量的向量的第一协方差矩阵和所述第二正态分布变量的向量的第二协方差矩阵的点积得到所述正态乘积分布的向量的协方差矩阵;
步骤3:基于贝叶斯分层建模的第二层建模,将所述第一正态分布变量的向量的第一协方差矩阵和所述第二正态分布变量的向量的第二协方差矩阵中的每个位置对应的方差的乘积的倒数建模为服从第一超参数和第二超参数的伽马分布;
步骤4:基于贝叶斯方法,计算所述第一正态分布变量的向量的第一后验概率密度的估计向量和所述第二正态分布变量的向量的第二后验概率密度的估计向量;
步骤5:基于所述第一后验概率密度的估计向量和所述第二后验概率密度的估计向量的点积计算所述正态乘积分布的向量;
步骤6:基于所述第一协方差矩阵、所述第二协方差矩阵、所述第一后验概率密度的估计向量、所述第二后验概率密度的估计向量、所述第一超参数和所述第二超参数更新所述第一协方差矩阵和所述第二协方差矩阵对应的第一期望矩阵和第二期望矩阵;
步骤7:重复步骤4到步骤6直到满足迭代条件;
步骤8:基于所述第一期望矩阵与所述第二期望矩阵计算所述正态乘积分布的向量的协方差矩阵;以及
步骤9:基于所述正态乘积分布的向量及其协方差矩阵和所述离散余弦变换字典获得光谱向量。
8.如权利要求7所述的高分辨率光谱恢复方法,其中,所述第一正态分布变量的向量
的所述第一后验概率密度的估计向量的后验概率密度为第一高斯分布,其
中N(·)代表高斯分布,代表第一高斯分布的期望,且代表第一高斯分布的协方差矩
阵,分别如下计算:
10.如权利要求1所述的高分辨率光谱恢复方法,其中,所述迭代条件是两次迭代后的正态乘积分布的向量之间的差值小于阈值,或者迭代次数大于阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110975568.5A CN113421208B (zh) | 2021-08-24 | 2021-08-24 | 高分辨率光谱恢复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110975568.5A CN113421208B (zh) | 2021-08-24 | 2021-08-24 | 高分辨率光谱恢复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113421208A CN113421208A (zh) | 2021-09-21 |
CN113421208B true CN113421208B (zh) | 2021-11-02 |
Family
ID=77719320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110975568.5A Active CN113421208B (zh) | 2021-08-24 | 2021-08-24 | 高分辨率光谱恢复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113421208B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102057261A (zh) * | 2008-06-10 | 2011-05-11 | 恩德莱斯和豪瑟尔测量及调节技术分析仪表两合公司 | 用于借助贝叶斯迭代估计法在化学计量中自动校正光谱仪的方法和系统 |
CN104734724A (zh) * | 2015-03-16 | 2015-06-24 | 西北工业大学 | 基于重加权拉普拉斯稀疏先验的高光谱图像压缩感知方法 |
CN113222860A (zh) * | 2021-06-02 | 2021-08-06 | 哈尔滨工程大学 | 基于噪声结构多重正则化的图像恢复方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8203114B2 (en) * | 2009-05-14 | 2012-06-19 | Raytheon Company | Adaptive spatial-spectral processing (ASSP) |
-
2021
- 2021-08-24 CN CN202110975568.5A patent/CN113421208B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102057261A (zh) * | 2008-06-10 | 2011-05-11 | 恩德莱斯和豪瑟尔测量及调节技术分析仪表两合公司 | 用于借助贝叶斯迭代估计法在化学计量中自动校正光谱仪的方法和系统 |
CN104734724A (zh) * | 2015-03-16 | 2015-06-24 | 西北工业大学 | 基于重加权拉普拉斯稀疏先验的高光谱图像压缩感知方法 |
CN113222860A (zh) * | 2021-06-02 | 2021-08-06 | 哈尔滨工程大学 | 基于噪声结构多重正则化的图像恢复方法及系统 |
Non-Patent Citations (2)
Title |
---|
利用贝叶斯方法提高光谱仪的测量准确度;董宇航,岑松原;《光子学报》;20131231;第42卷(第12期);全文 * |
基于变分贝叶斯推理的高光谱图像恢复;邹长忠;《福州大学学报(自然科学版)》;20180228;第46卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113421208A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Klus et al. | Data-driven approximation of the Koopman generator: Model reduction, system identification, and control | |
Nelsen et al. | The random feature model for input-output maps between banach spaces | |
Meganem et al. | Linear-quadratic blind source separation using NMF to unmix urban hyperspectral images | |
Chang et al. | Total variation--based phase retrieval for Poisson noise removal | |
Wright et al. | Compressive principal component pursuit | |
Orieux et al. | Bayesian estimation of regularization and point spread function parameters for Wiener–Hunt deconvolution | |
Lefkimmiatis et al. | Nonlocal structure tensor functionals for image regularization | |
WO2022222849A1 (zh) | 基于神经网络的光谱恢复方法、装置和电子设备 | |
Joukovsky et al. | Generalization error bounds for deep unfolding RNNs | |
Gómez-Vargas et al. | Neural network reconstructions for the Hubble parameter, growth rate and distance modulus | |
CN115791628A (zh) | 光谱恢复方法、光谱恢复装置和电子设备 | |
CN109886315B (zh) | 一种基于核保持的图像相似性度量方法 | |
CN111103120B (zh) | 一种基于深度学习的光纤模式分解方法及可读介质 | |
Deledalle et al. | Blind atmospheric turbulence deconvolution | |
Cheng et al. | Continuous u-net: Faster, greater and noiseless | |
CN113421208B (zh) | 高分辨率光谱恢复方法 | |
Gu et al. | Probabilistic forecast of nonlinear dynamical systems with uncertainty quantification | |
Patané | Accurate and efficient computation of Laplacian spectral distances and kernels | |
Jin et al. | Poisson image denoising by piecewise principal component analysis and its application in single‐particle X‐ray diffraction imaging | |
CN113450287B (zh) | 高分辨率光谱恢复方法、装置和电子设备 | |
Ancona et al. | Data representations and generalization error in kernel based learning machines | |
Rasal et al. | Mixed Poisson Gaussian noise reduction in fluorescence microscopy images using modified structure of wavelet transform | |
Amjad et al. | Deep learning for inverse problems: Bounds and regularizers | |
Laurain et al. | Sparse RKHS estimation via globally convex optimization and its application in LPV-IO identification | |
Kärkkäinen et al. | A Douglas–Rachford method for sparse extreme learning machine |
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 |