CN113538285A - 一种光谱图像的确定方法、装置、终端和存储介质 - Google Patents

一种光谱图像的确定方法、装置、终端和存储介质 Download PDF

Info

Publication number
CN113538285A
CN113538285A CN202110839165.8A CN202110839165A CN113538285A CN 113538285 A CN113538285 A CN 113538285A CN 202110839165 A CN202110839165 A CN 202110839165A CN 113538285 A CN113538285 A CN 113538285A
Authority
CN
China
Prior art keywords
spectral
target
response value
original
value information
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.)
Pending
Application number
CN202110839165.8A
Other languages
English (en)
Inventor
刘敏
龚冰冰
师少光
黄泽铗
张丁军
江隆业
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Orbbec Inc
Original Assignee
Orbbec Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Orbbec Inc filed Critical Orbbec Inc
Priority to CN202110839165.8A priority Critical patent/CN113538285A/zh
Publication of CN113538285A publication Critical patent/CN113538285A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10052—Images from lightfield camera

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本申请适用于光学技术领域，提供了一种光谱图像的确定方法、装置、终端和存储介质。其中，上述光谱图像的确定方法包括：获取目标对象的原始多光谱图像；确定所述原始多光谱图像对应的n个原始光谱波段中每个原始光谱波段的原始光谱响应值信息；其中，n为大于0的正整数；获取与所述原始多光谱图像对应的预设转换关系；基于所述预设转换关系和所述n个原始光谱波段中每个原始光谱波段的原始光谱响应值信息，转换得到m个目标光谱波段中每个目标光谱波段的目标光谱响应值信息；其中，m为大于0的正整数；根据所述目标光谱响应值信息，确定所述目标对象的目标光谱图像。本申请的实施例能够重构出特定光谱波段的光谱图像。

Description

一种光谱图像的确定方法、装置、终端和存储介质
技术领域
本申请属于光学技术领域，尤其涉及一种光谱图像的确定方法、装置、终端和存储介质。
背景技术
光谱成像数据是图谱合一的数据源，同时包含了图像信息和光谱信息，能够给出各个波段上每个像素的光谱强度数据；利用光谱成像技术可以对物体进行定性和定量分析，以及定位分析等；光谱成像技术按照光谱分辨率的从低到高可分为三类：多光谱成像、高光谱成像和超光谱成像技术。光谱成像技术不仅具有光谱分辨能力，还具有图像分辨能力，可应用于地质矿物、植被生态的识别以及军事目标的侦察等场合。
在实际使用中，鉴于硬件条件等限制，用户只能得到特定光谱波段对应的原始光谱图像，但基于用户需求，用户可能需要用到与原始光谱图像不同的另一些光谱波段对应的图像信息，且不同的用户可能有不同的需求。因此，为了满足用户需求，需要一种光谱图像的确定方法，从原始的多光谱图像中重构出用户所需光谱波段的光谱图像，进而利用重构出的光谱图像组合出满足用户需求的多光谱图像。
发明内容
本申请实施例提供一种光谱图像的确定方法、装置、终端和存储介质，可以重构出特定光谱波段的光谱图像，进而组合出满足需求的多光谱图像。
本申请实施例第一方面提供一种光谱图像的确定方法，包括：
获取目标对象的原始多光谱图像；
确定所述原始多光谱图像对应的n个原始光谱波段中每个原始光谱波段的原始光谱响应值信息；其中，n为大于0的正整数；
获取与所述原始多光谱图像对应的预设转换关系；
基于所述预设转换关系和所述n个原始光谱波段中每个原始光谱波段的原始光谱响应值信息，转换得到m个目标光谱波段中每个目标光谱波段的目标光谱响应值信息；其中，m为大于0的正整数；
根据所述目标光谱响应值信息，确定所述目标对象的目标光谱图像。
本申请实施例第二方面提供的一种光谱图像的确定装置，包括：
图像获取单元，用于获取目标对象的原始多光谱图像；
光谱信息确定单元，用于确定所述原始多光谱图像对应的n个原始光谱波段中每个原始光谱波段的光谱响应值信息；其中，n为大于0的正整数；
转换关系获取单元，用于获取与所述原始多光谱图像对应的预设转换关系；
转换单元，用于基于所述预设转换关系和所述n个原始光谱波段中每个原始光谱波段的光谱响应值信息，转换得到m个目标光谱波段中每个目标光谱波段的目标光谱响应值信息；其中，m为大于0的正整数；
图像确定单元，用于根据所述目标光谱响应值信息，确定所述目标对象的目标光谱图像。本申请实施例第三方面提供一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
本申请实施例第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
本申请实施例第五方面提供了一种计算机程序产品，当计算机程序产品在终端上运行时，使得终端执行时实现方法的步骤。
本申请的实施方式中，通过获取目标对象的原始多光谱图像，并确定原始多光谱图像对应的n个原始光谱波段中每个原始光谱波段的光谱响应值信息；然后基于与原始多光谱图像对应的预设转换关系和n个原始光谱波段中每个原始光谱波段的光谱响应值信息，转换得到m个目标光谱波段中每个目标光谱波段的目标光谱响应值信息；进而根据目标光谱响应值信息，确定目标对象的目标光谱图像，能够利用原始多光谱图像重构出与原始多光谱图像对应的n个原始光谱波段不同的m个目标光谱波段分别对应的目标光谱图像，也即在从原始的多光谱图像中重构出用户所需光谱波段的光谱图像，进而利用重构出的光谱图像组合出满足用户需求的多光谱图像，能够丰富光谱信息，突破光谱采集设备的硬件条件限制，同时可以保证组合出的多光谱图像具有较高的精度。
并且，在本申请的一些实施方式中，可以利用n个原始光谱波段重构出数量比n更多的m个目标光谱波段的光谱图像，从而提高重构得到的光谱信息的维度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种光谱图像的确定方法的实现流程示意图；
图2是本申请实施例提供的确定预设转换关系的具体实现流程示意图；
图3是本申请实施例提供的插值操作示意图；
图4是本申请实施例提供的步骤S202的具体实现流程示意图；
图5是本申请实施例提供的标准色卡的示意图；
图6是本申请实施例提供的原始多光谱图像的示意图；
图7是本申请实施例提供的一种光谱图像的确定装置的结构示意图；
图8是本申请实施例提供的终端的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护。
光谱成像数据是图谱合一的数据源，同时包含了图像信息和光谱信息，能够给出各个波段上每个像素的光谱强度数据；利用光谱成像技术可以对物体进行定性和定量分析，以及定位分析等；光谱成像技术按照光谱分辨率的从低到高可分为三类：多光谱成像、高光谱成像和超光谱成像技术。光谱成像技术不仅具有光谱分辨能力，还具有图像分辨能力，可应用于地质矿物、植被生态的识别以及军事目标的侦察等场合。
在实际使用中，鉴于硬件条件等限制，用户只能得到特定光谱波段对应的原始光谱图像，但基于用户需求，用户可能需要用到与原始光谱图像不同的另一些光谱波段对应的图像信息，且不同的用户可能有不同的需求。因此，为了满足用户需求，需要一种光谱图像的确定方法，从原始的多光谱图像中重构出用户所需光谱波段的光谱图像，进而利用重构出的光谱图像组合出满足用户需求的多光谱图像。
为了说明本申请的技术方案，下面通过具体实施例来进行说明。
图1示出了本申请实施例提供的一种光谱图像的确定方法的实现流程示意图，该方法可以应用于终端，可适用于需重构出特定光谱波段的光谱图像的情形。
其中，上述终端可以为电脑等终端设备，也可以为具有一定运算能力的多光谱成像设备、多光谱检测设备等等。
具体的，上述光谱图像的确定方法可以包括以下步骤S101至步骤S105。
步骤S101，获取目标对象的原始多光谱图像。
在本申请的实施方式中，终端需要先获取目标对象的原始多光谱图像，并基于原始多光谱图像重构出目标对象的与原始多光谱图像不同的光谱图像。其中，上述目标对象可以指人、动物等活体，也可以为标准色卡等物体。
具体的，在本申请的一些实施方式中，通过上述终端可以连接多光谱图像传感器，利用多光谱图像传感器对目标对象进行拍摄可以得到上述原始多光谱图像。
步骤S102，确定原始多光谱图像对应的n个原始光谱波段中每个原始光谱波段的光谱响应值信息。
其中，n为大于0的正整数。上述光谱响应值信息可以是指光谱响应值，上述光谱响应值可以表示为量子效率(Quantum Efficiency，QE)。
在本申请的一些实施方式中，上述终端可以从原始多光谱图像中解析出原始多光谱图像所包含的多个原始光谱波段的光谱响应值信息，每个原始光谱波段即为一个颜色通道。
具体的，在本申请的一些实施方式中，终端上安装的多光谱图像传感器可以包括感光芯片和滤光片阵列。其中，滤光片阵列可以包括与n个原始光谱波段分别对应的滤光片。上述多光谱图像传感器的入射光束经滤光片阵列过滤后得到目标光束，上述终端可以获取由感光芯片根据目标光束生成的原始多光谱图像。
其中，上述感光芯片可以包括与滤光片阵列对应的取像阵列，取像阵列的每个取像单元分别与滤光片阵列的每个滤光片一一对应；并且，原始多光谱图像中一个像素区域与一个取像单元关联。在本申请的一些实施方式中，上述每个滤光片可以周期性排列，构成上述滤光片阵列。
具体的，感光芯片被划分为多个与滤光片阵列中各个滤光片的形状相对应的取像单元，每个取像单元具有不同光谱透过率的光谱响应通道，每个光谱响应通道对应接收一个光谱波段的目标光束，从而得到原始多光谱图像中与之对应的第一像素区域。
基于此，上述终端可以获取每个第一像素区域的光谱响应值信息，例如可以计算某个第一像素区域内光谱响应值的均值作为该第一像素区域的光谱响应值信息，从而得到在n个原始光谱波段中每个原始光谱波段的光谱响应值信息。
步骤S103，获取与原始多光谱图像对应的预设转换关系。
其中，上述预设转换关系为终端预先确定好的用于将n个原始光谱波段的光谱响应值信息准确地转换成m个目标光谱波段的光谱响应值信息的转换关系。
在本申请的一些实施方式中，在获取与原始多光谱图像对应的预设转换关系之前，终端可以预先通过对样本进行学习得到上述预设转换关系。
具体的，如图2所示，上述对样本进行学习可以具体包括以下步骤S201至步骤S202。
步骤S201，获取训练样本集。
其中，上述训练样本集可以包括多组样本原始光谱响应值信息和样本目标光谱响应值信息，样本原始光谱响应值信息包含n个原始光谱波段下的光谱响应值信息，样本目标光谱响应值信息包含m个目标光谱波段下的光谱响应值信息。
并且，上述多组样本原始光谱响应值信息和样本目标光谱响应值信息中每组样本原始光谱响应值信息和样本目标光谱响应值信息可以对应一个样本对象，也可以多组样本原始光谱响应值信息和样本目标光谱响应值信息对应一个样本对象。
同样的，上述样本对象可以指人、动物等活体，也可以为标准色卡等物体。更具体的，终端可以将Munsell色卡中每一个色块作为一个样本对象。为了保证确定出的光谱图像精确度更高，样本对象可以为目标对象或与目标对象同类别的对象，也即选择用户需要着重分析的对象。并且，为了保证学习的精度，样本对象的数量可以大于100。
在本申请的一些实施方式中，上述终端可以获取样本原始多光谱图像，并从样本原始多光谱图像中提取出样本原始光谱响应值信息。
即，终端分别对每一个样本对象进行上述操作，可以提取出每一个样本对象在n个原始光谱波段下的光谱响应值信息。
具体的，上述样本原始光谱响应值信息的获取方式可以参看本申请步骤S101和步骤S102的说明，本申请对此不进行赘述。并且，在本申请的一些实施方式中，获取样本原始多光谱图像所使用的多光谱图像传感器和获取原始多光谱图像所使用的多光谱图像传感器可以为相同的多光谱图像传感器。
在本申请另一些实施方式中，上述终端可以获取待处理样本光谱响应值信息，并利用插值算法对待处理样本光谱响应值信息进行插值操作，得到训练样本集中的样本目标光谱响应值信息。
其中，待处理样本光谱响应值信息包含i个待处理光谱波段下的光谱响应值信息，且i个待处理光谱波段和m个目标光谱波段至少部分不同；其中，i为大于0的正整数。
更具体的，在本申请的一些实施方式中，上述终端可以利用单点光谱仪获取待处理样本光谱响应值信息。具体的，通过单点光谱仪，可以分别采集得到每个样本对象在i个待处理光谱波段下的光谱响应值。基于单点光谱仪获得的光谱响应值的波长分辨率较高，可以用于后期对多光谱响应值的高精度重建对比。
在本申请的一些实施方式中，待处理样本光谱响应值信息可以为一个响应值矩阵R(n×i)，响应值矩阵R(n×i)代表一个n行i列数值矩阵，n为样本对象的序号，即响应值矩阵的第n行表示第n个样本在i个不同待处理光谱波段下的光谱响应值，i表示光谱波段的序号。
基于硬件条件的限制，实际应用中很难直接得到m个目标光谱波段的光谱响应值信息，因此，终端可以利用插值算法对待处理样本光谱响应值信息进行插值操作，即利用i个待处理光谱波段下的光谱响应值插值得出m个目标光谱波段下的光谱响应值，进而得到训练样本集中的样本目标光谱响应值信息。
需要说明的是，本申请不对上述插值算法进行限制，线性插值算法或最近邻插值算法等均可以适用于本申请。
如图3所示，当所需的m个目标光谱波段[λ01 λ02 … λ0m]和待处理样本光谱响应值信息对应的i个待处理光谱波段[λ1 λ2 … λi]不完全相同时，第n个样本对象在i个不同待处理光谱波段下的光谱响应值用虚线圈表示，利用插值算法对待处理样本光谱响应值信息进行插值操作，得到的样本对象在m个目标光谱波段下的光谱响应值信息用实现圈表示。由图可知，终端利用插值算法对待处理样本光谱响应值信息进行插值操作，可以得到训练样本集中的样本目标光谱响应值信息。
步骤S202，利用训练样本集，确定预设转换关系。
在本申请的一些实施方式中，通过对训练样本集进行学习，可以得到预设转换关系。
具体的，如图4所示，上述步骤S202可以具体包括以下步骤S401至步骤S404。
步骤S401，根据训练样本集中包含的样本原始光谱响应值信息，构建样本原始响应值矩阵。
以训练样本集为图5所示的标准色卡进行说明，该标准色卡包括多个色块，每个色块为一个样本对象，利用包含3×3的滤光片阵列的多光谱图像传感器对每个样本对象进行采集可以得到每个色块9个原始光谱波段的数据，以图5中相连的区域1至区域9构成的阵列表示一个色块，每个区域对应一个光谱波段。具体的，可以对第一块色卡，即对第一个样本对象，可以从选取该色块上区域1中提取第一个原始光谱波段的数据，得到该色块第一个光谱波段的光谱响应值信息X1；以同样方法，得到该色块的第2到第9个原始光谱波段的光谱响应值信息，将9个光谱响应值信息按顺序排列为一行向量，得到第一色块的光谱响应值信息X(1×9)＝[X1 X2 X3 X4 X5 X6 X7 X8 X9]。用同样方法，分别提取j个色块的多光谱响应值，可以得到样本原始光谱响应值信息X(j×9)。
步骤S402，根据训练样本集中包含的样本目标光谱响应值信息，构建样本目标响应值矩阵。
在本申请的一些实施方式中，样本目标光谱响应值信息可以为一个样本目标响应值矩阵R(j×m)，样本目标响应值矩阵R(j×m)代表一个j行m列数值矩阵，j为样本对象的序号，即响应值矩阵的第j行表示第j个样本在m个不同目标光谱波段下的光谱响应值，m表示目标光谱波段的序号。
步骤S403，利用偏最小二乘法建立样本原始响应值矩阵和样本目标响应值矩阵之间的学习模型，得到用于将样本原始响应值矩阵转换为样本目标响应值矩阵的转换矩阵。
具体的，通过偏最小二乘法建立各影响因素间的数学模型，可以将样本原始响应值矩阵中每个光谱波段下的光谱响应值作为自变量，将样本目标响应值矩阵中每个光谱波段下的光谱响应值作为因变量，对样本原始响应值矩阵和样本目标响应值矩阵进行标准化，并进行主成分提取判断主成分提取得到的主成分是否满足设定精度要求，若得到的主成分满足设定精度要求，则依据提取出的主成分得到转换矩阵；若得到的主成分不满足设定精度要求，则重新进行主成分提取，直至主成分提取得到的主成分满足设定精度要求。
更具体的，样本目标响应值矩阵R(j×m)＝X(j×9)×Q(9×m)。其中，X(j×9)表示样本原始响应值矩阵。利用偏最小二乘拟合方法可以得出转换矩阵Q(9×m)。
步骤S404，将转换矩阵作为预设转换关系。
在本申请的一些实施方式中，得到转换矩阵后，即可将转换矩阵作为预设转换关系，以利用转换矩阵进行光谱图像的重构。
步骤S104，基于预设转换关系和n个原始光谱波段中每个原始光谱波段的光谱响应值信息，转换得到m个目标光谱波段中每个目标光谱波段的目标光谱响应值信息。
其中，m为大于0的正整数。
在本申请的实施方式中，利用预设转换关系，以及n个原始光谱波段中每个原始光谱波段的光谱响应值信息，终端可以转换得到m个目标光谱波段中每个目标光谱波段的目标光谱响应值信息。
需要说明的是，在本申请的实施方式中，终端可以预先学习得到多个预设转换关系。例如可以预先学习得到用于将n个原始光谱波段中每个原始光谱波段的光谱响应值信息转换为不同数量的光谱波段中每个目标光谱波段的目标光谱响应值信息的多个预设转换关系，或者可以预先学习得到用于将不同数量的光谱波段中每个光谱波段的光谱响应值信息转换为m个目标光谱波段中每个目标光谱波段的目标光谱响应值信息的多个预设转换关系。接着，基于实际获取到的原始多光谱图像对应的光谱波段的数量，以及需要转换得到的光谱波段的数量，从多个预设转换关系选取适用的预设转换关系进行转换。
并且，本申请不对m和n之间的大小关系进行限制，在本申请的一些实施方式中，为了提高重构得到的光谱信息的维度，上述m的取值可以大于n的取值。
更具体的，原始多光谱图像可以包括多个第二像素区域；则终端可以从原始多光谱图像中提取出多个第二像素区域中每个第二像素区域的光谱响应值信息。相应的，终端可以基于预设转换关系，将每个第二像素区域的光谱响应值信息分别转换为一个目标像素区域的目标光谱响应值信息。每个目标像素区域与一个第二像素区域对应。
具体的，继续以利用包含3×3的滤光片阵列的多光谱图像传感器采集得到原始多光谱图像进行说明，如图6所示，原始多光谱图像中包含a×b个第二像素区域，每个第二像素区域可以为一个3×3的矩阵阵列，基于前述说明可知，对于每个第二像素区域，可以得到9个光谱波段中每个原始光谱波段的光谱响应值信息[X1 X2 X3 X4 X5 X6 X7 X8 X9]，因此，a×b个第二像素区域可以组成一个原始响应值矩阵X(a×b)×9)。原始响应值矩阵的行数为a×b，列数为9。再利用预先学习获得的预设转换关系Q(9×m)，则可以通过R((a×b)×m)＝X((a×b)×9)×Q(9×m)转换得到每个目标像素区域在m个目标光谱波段中每个目标光谱波段的目标光谱响应值信息，该目标光谱响应值信息可以为目标响应值矩阵R((a×b)×m)。其中，R((a×b)×m)的行数为(a×b)，列数为m。
步骤S105，根据目标光谱响应值信息，确定目标对象的目标光谱图像。
具体的，在本申请的一些实施方式中，目标光谱响应值信息包含目标对象在m个目标光谱波段下的光谱响应值信息，则上述根据目标光谱响应值信息，确定目标对象的目标光谱图像，包括：根据目标光谱响应值信息，还原目标对象在m个目标光谱波段中每个光谱波段下的二维图像数据；将目标对象在m个目标光谱波段中每个光谱波段下的二维图像数据分别作为目标对象在m个目标光谱波段中对应的光谱波段下的目标光谱图像。
也就是说，基于转换得到的某个光谱波段下的目标光谱响应值信息，可以转换出该光谱波段的二维图像数据，即可得到该光谱波段的目标光谱图像。
更具体的，终端可以根据每个目标像素区域的目标光谱响应值信息，构建目标对象的目标多光谱图像。
并且，在本申请的另一些实施方式中，上述终端还可以将目标对象在m个目标光谱波段中每个目标光谱波段下的目标光谱图像进行组合，得到目标多光谱图像。
以前述目标光谱响应值信息为目标响应值矩阵R((a×b)×m)继续进行说明，取R((a×b)×m)的第一列数据R1，R1即(a×b)个目标像素区域分别在m个目标光谱波段中的第一个目标光谱波段的目标光谱响应值信息，利用第一列数据R1依照目标像素区域的顺序可以还原出第一个目标光谱波段的二维图像数据，即得到了第一个目标光谱波段的目标光谱图像，以此类推，则可以得到m个目标光谱波段的目标光谱图像。将m个目标光谱波段的目标光谱图像在第三维度组合，即可得到目标多光谱图像RAD(a×b×m)。
本申请的实施方式中，通过获取目标对象的原始多光谱图像，并确定原始多光谱图像对应的n个原始光谱波段中每个原始光谱波段的光谱响应值信息；然后基于与原始多光谱图像对应的预设转换关系和n个原始光谱波段中每个原始光谱波段的光谱响应值信息，转换得到m个目标光谱波段中每个目标光谱波段的目标光谱响应值信息；进而根据目标光谱响应值信息，确定目标对象的目标光谱图像，能够利用原始多光谱图像重构出与原始多光谱图像对应的n个原始光谱波段不同的m个目标光谱波段分别对应的目标光谱图像，也即在从原始的多光谱图像中重构出用户所需光谱波段的光谱图像，进而利用重构出的光谱图像组合出满足用户需求的多光谱图像，能够丰富光谱信息，突破光谱采集设备的硬件条件限制，同时可以保证组合出的多光谱图像具有较高的精度。
并且，在本申请的一些实施方式中，可以利用n个原始光谱波段重构出数量比n更多的m个目标光谱波段的光谱图像，从而提高重构得到的光谱信息的维度。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为根据本申请，某些步骤可以采用其它顺序进行。
如图7所示为本申请实施例提供的一种光谱图像的确定装置700的结构示意图，所述光谱图像的确定装置700配置于终端上。
具体的，所述光谱图像的确定装置700可以包括：
图像获取单元701，用于获取目标对象的原始多光谱图像；
光谱信息确定单元702，用于确定所述原始多光谱图像对应的n个原始光谱波段中每个原始光谱波段的光谱响应值信息；其中，n为大于0的正整数；
转换关系获取单元703，用于获取与所述原始多光谱图像对应的预设转换关系；
转换单元704，用于基于所述预设转换关系和所述n个原始光谱波段中每个原始光谱波段的光谱响应值信息，转换得到m个目标光谱波段中每个目标光谱波段的目标光谱响应值信息；其中，m为大于0的正整数；
图像确定单元705，用于根据所述目标光谱响应值信息，确定所述目标对象的目标光谱图像。
在本申请的一些实施方式中，上述光谱图像的确定装置700还包括学习单元，用于：获取训练样本集，所述训练样本集包括多组样本原始光谱响应值信息和样本目标光谱响应值信息，其中，所述样本原始光谱响应值信息包含所述n个原始光谱波段下的光谱响应值信息，所述样本目标光谱响应值信息包含所述m个目标光谱波段下的光谱响应值信息；利用所述训练样本集，确定所述预设转换关系。
在本申请的一些实施方式中，上述学习单元还具体用于：根据所述训练样本集中包含的所述样本原始光谱响应值信息，构建样本原始响应值矩阵；根据所述训练样本集中包含的所述样本目标光谱响应值信息，构建样本目标响应值矩阵；利用偏最小二乘法建立所述样本原始响应值矩阵和所述样本目标响应值矩阵之间的学习模型，得到用于将所述样本原始响应值矩阵转换为所述样本目标响应值矩阵的转换矩阵；将所述转换矩阵作为所述预设转换关系。
在本申请的一些实施方式中，上述学习单元还具体用于：获取待处理样本光谱响应值信息，所述待处理样本光谱响应值信息包含i个待处理光谱波段下的光谱响应值信息，且所述i个待处理光谱波段和所述m个目标光谱波段至少部分不同；其中，i为大于0的正整数；利用插值算法对所述待处理样本光谱响应值信息进行插值操作，得到所述训练样本集中的样本目标光谱响应值信息。在本申请的一些实施方式中，上述学习单元还具体用于：获取样本原始多光谱图像；从所述样本原始多光谱图像中提取出所述样本原始光谱响应值信息。
在本申请的一些实施方式中，上述目标光谱响应值信息包含目标对象在m个目标光谱波段下的光谱响应值信息；上述图像确定单元705还可以具体用于：根据所述目标光谱响应值信息，还原所述目标对象在所述m个目标光谱波段中每个目标光谱波段下的二维图像数据；将所述目标对象在所述m个目标光谱波段中每个目标光谱波段下的二维图像数据分别作为所述目标对象在所述m个目标光谱波段中对应的目标光谱波段下的目标光谱图像。
在本申请的一些实施方式中，上述图像确定单元705还可以具体用于：将所述目标对象在所述m个目标光谱波段中每个目标光谱波段下的目标光谱图像进行组合，得到目标多光谱图像。
需要说明的是，为描述的方便和简洁，上述光谱图像的确定装置700的具体工作过程，可以参考图1至图6所述方法的对应过程，在此不再赘述。
如图8所示，为本申请实施例提供的一种终端的示意图。该终端8可以包括：处理器80、存储器81以及存储在所述存储器81中并可在所述处理器80上运行的计算机程序82，例如光谱图像的确定程序。所述处理器80执行所述计算机程序82时实现上述各个光谱图像的确定方法实施例中的步骤，例如图1所示的步骤S101至S105。或者，所述处理器80执行所述计算机程序82时实现上述各装置实施例中各模块/单元的功能，例如图7所示的图像获取单元701、光谱信息确定单元702、转换关系获取单元703、转换单元704和图像确定单元705。
所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器81中，并由所述处理器80执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端中的执行过程。
例如，所述计算机程序可以被分割成图像获取单元、光谱信息确定单元、转换关系获取单元、转换单元和图像确定单元。
各单元具体功能如下：图像获取单元，用于获取目标对象的原始多光谱图像；光谱信息确定单元，用于确定所述原始多光谱图像对应的n个原始光谱波段中每个原始光谱波段的光谱响应值信息；其中，n为大于0的正整数；转换关系获取单元，用于获取与所述原始多光谱图像对应的预设转换关系；转换单元，用于基于所述预设转换关系和所述n个原始光谱波段中每个原始光谱波段的光谱响应值信息，转换得到m个目标光谱波段中每个目标光谱波段的目标光谱响应值信息；其中，m为大于0的正整数；图像确定单元，用于根据所述目标光谱响应值信息，确定所述目标对象的目标光谱图像。
所述终端可包括，但不仅限于，处理器80、存储器81。本领域技术人员可以理解，图8仅仅是终端的示例，并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器80可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器81可以是所述终端的内部存储单元，例如终端的硬盘或内存。所述存储器81也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器81还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器81用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对各个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以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，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种光谱图像的确定方法，其特征在于，包括：
获取目标对象的原始多光谱图像；
确定所述原始多光谱图像对应的n个原始光谱波段中每个原始光谱波段的原始光谱响应值信息；其中，n为大于0的正整数；
获取与所述原始多光谱图像对应的预设转换关系；
基于所述预设转换关系和所述n个原始光谱波段中每个原始光谱波段的原始光谱响应值信息，转换得到m个目标光谱波段中每个目标光谱波段的目标光谱响应值信息；其中，m为大于0的正整数；
根据所述目标光谱响应值信息，确定所述目标对象的目标光谱图像。
2.如权利要求1所述的光谱图像的确定方法，其特征在于，在所述获取与所述原始多光谱图像对应的预设转换关系之前，包括：
获取训练样本集，所述训练样本集包括多组样本原始光谱响应值信息和样本目标光谱响应值信息，其中，所述样本原始光谱响应值信息包含所述n个原始光谱波段下的光谱响应值信息，所述样本目标光谱响应值信息包含所述m个目标光谱波段下的光谱响应值信息；
利用所述训练样本集，确定所述预设转换关系。
3.如权利要求2所述的光谱图像的确定方法，其特征在于，所述利用所述训练样本集，确定所述预设转换关系，包括：
根据所述训练样本集中包含的所述样本原始光谱响应值信息，构建样本原始响应值矩阵；
根据所述训练样本集中包含的所述样本目标光谱响应值信息，构建样本目标响应值矩阵；
利用偏最小二乘法建立所述样本原始响应值矩阵和所述样本目标响应值矩阵之间的学习模型，得到用于将所述样本原始响应值矩阵转换为所述样本目标响应值矩阵的转换矩阵；
将所述转换矩阵作为所述预设转换关系。
4.如权利要求2或3所述的光谱图像的确定方法，其特征在于，在所述获取训练样本集之前，包括：
获取待处理样本光谱响应值信息，所述待处理样本光谱响应值信息包含i个待处理光谱波段下的光谱响应值信息，且所述i个待处理光谱波段和所述m个目标光谱波段至少部分不同；其中，i为大于0的正整数；
利用插值算法对所述待处理样本光谱响应值信息进行插值操作，得到所述训练样本集中的样本目标光谱响应值信息。
5.如权利要求2或3所述的光谱图像的确定方法，其特征在于，在所述获取训练样本集之前，包括：
获取样本原始多光谱图像；
从所述样本原始多光谱图像中提取出所述样本原始光谱响应值信息。
6.如权利要求1至3任意一项所述的光谱图像的确定方法，其特征在于，所述目标光谱响应值信息包含所述目标对象在所述m个目标光谱波段下的光谱响应值信息；
所述根据所述目标光谱响应值信息，确定所述目标对象的目标光谱图像，包括：
根据所述目标光谱响应值信息，还原所述目标对象在所述m个目标光谱波段中每个目标光谱波段下的二维图像数据；
将所述目标对象在所述m个目标光谱波段中每个目标光谱波段下的二维图像数据分别作为所述目标对象在所述m个目标光谱波段中对应的目标光谱波段下的目标光谱图像。
7.如权利要求6所述的光谱图像的确定方法，其特征在于，所述光谱图像的确定方法还包括：
将所述目标对象在所述m个目标光谱波段中每个目标光谱波段下的目标光谱图像进行组合，得到目标多光谱图像。
8.一种光谱图像的确定装置，其特征在于，包括：
图像获取单元，用于获取目标对象的原始多光谱图像；
光谱信息确定单元，用于确定所述原始多光谱图像对应的n个原始光谱波段中每个原始光谱波段的光谱响应值信息；其中，n为大于0的正整数；
转换关系获取单元，用于获取与所述原始多光谱图像对应的预设转换关系；
转换单元，用于基于所述预设转换关系和所述n个原始光谱波段中每个原始光谱波段的光谱响应值信息，转换得到m个目标光谱波段中每个目标光谱波段的目标光谱响应值信息；其中，m为大于0的正整数；
图像确定单元，用于根据所述目标光谱响应值信息，确定所述目标对象的目标光谱图像。
9.一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN202110839165.8A 2021-07-23 2021-07-23 一种光谱图像的确定方法、装置、终端和存储介质 Pending CN113538285A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110839165.8A CN113538285A (zh) 2021-07-23 2021-07-23 一种光谱图像的确定方法、装置、终端和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110839165.8A CN113538285A (zh) 2021-07-23 2021-07-23 一种光谱图像的确定方法、装置、终端和存储介质

Publications (1)

Publication Number Publication Date
CN113538285A true CN113538285A (zh) 2021-10-22

Family

ID=78089446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110839165.8A Pending CN113538285A (zh) 2021-07-23 2021-07-23 一种光谱图像的确定方法、装置、终端和存储介质

Country Status (1)

Country Link
CN (1) CN113538285A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114399641A (zh) * 2021-12-21 2022-04-26 北京微纳星空科技有限公司 高光谱图像处理方法、装置、系统、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108520488A (zh) * 2018-04-10 2018-09-11 深圳劲嘉集团股份有限公司 一种重构光谱并进行复制的方法以及电子设备
CN109271921A (zh) * 2018-09-12 2019-01-25 合刃科技（武汉）有限公司 一种多光谱成像的智能识别方法及系统
US20190347514A1 (en) * 2017-01-25 2019-11-14 Chengdu Zhongxin Huarui Technology Co., Ltd. Detection method, device, apparatus and computer storage medium
CN110660112A (zh) * 2019-09-29 2020-01-07 浙江大学 一种基于专用色卡和多光谱成像的绘画光谱重构方法
CN111932592A (zh) * 2020-03-26 2020-11-13 中国科学院空天信息创新研究院 一种分视场滤光片型多光谱影像数据的处理方法
WO2020254438A1 (en) * 2019-06-18 2020-12-24 ams Sensors Germany GmbH Spectral reconstruction of detector sensitivity
CN112562017A (zh) * 2020-12-07 2021-03-26 奥比中光科技集团股份有限公司 一种rgb图像的色彩还原方法及计算机可读存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190347514A1 (en) * 2017-01-25 2019-11-14 Chengdu Zhongxin Huarui Technology Co., Ltd. Detection method, device, apparatus and computer storage medium
CN108520488A (zh) * 2018-04-10 2018-09-11 深圳劲嘉集团股份有限公司 一种重构光谱并进行复制的方法以及电子设备
CN109271921A (zh) * 2018-09-12 2019-01-25 合刃科技（武汉）有限公司 一种多光谱成像的智能识别方法及系统
WO2020254438A1 (en) * 2019-06-18 2020-12-24 ams Sensors Germany GmbH Spectral reconstruction of detector sensitivity
CN110660112A (zh) * 2019-09-29 2020-01-07 浙江大学 一种基于专用色卡和多光谱成像的绘画光谱重构方法
CN111932592A (zh) * 2020-03-26 2020-11-13 中国科学院空天信息创新研究院 一种分视场滤光片型多光谱影像数据的处理方法
CN112562017A (zh) * 2020-12-07 2021-03-26 奥比中光科技集团股份有限公司 一种rgb图像的色彩还原方法及计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
任澳等: "基于APSO-LSSVM模型的光谱反射率重建算法研究", 《包装工程》, vol. 42, no. 11, 30 June 2021 (2021-06-30), pages 247 - 255 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114399641A (zh) * 2021-12-21 2022-04-26 北京微纳星空科技有限公司 高光谱图像处理方法、装置、系统、电子设备及存储介质

Similar Documents

Publication Publication Date Title
Xiong et al. Hscnn: Cnn-based hyperspectral image recovery from spectrally undersampled projections
Koundinya et al. 2D-3D CNN based architectures for spectral reconstruction from RGB images
US10274420B2 (en) Compact multifunctional system for imaging spectroscopy
CN113554578B (zh) 一种光谱图像的确定方法、装置、终端和存储介质
CN110991236A (zh) 一种图像分类的方法及相关装置
CN111007021A (zh) 基于一维卷积神经网络的高光谱水质参数反演系统及方法
EP2511680A2 (en) Optimized orthonormal system and method for reducing dimensionality of hyperspectral Images
Hu et al. Convolutional sparse coding for RGB+ NIR imaging
Bacca et al. Noniterative hyperspectral image reconstruction from compressive fused measurements
CN114757831B (zh) 基于智能空谱融合的高分辨率视频高光谱成像方法、装置及介质
Tao et al. Hyperspectral image recovery based on fusion of coded aperture snapshot spectral imaging and RGB images by guided filtering
CN109657081B (zh) 高光谱卫星遥感数据的分布式处理方法、系统及介质
CN112580433A (zh) 一种活体检测的方法及设备
CN113609907A (zh) 一种多光谱数据的获取方法、装置及设备
CN111507939A (zh) 一种水果外部缺陷类型的检测方法、装置和终端
CN113538285A (zh) 一种光谱图像的确定方法、装置、终端和存储介质
CN115731191A (zh) 一种基于神经网络的窄波段光谱成像方法
Sun et al. Tuning IR-cut filter for illumination-aware spectral reconstruction from RGB
Yang et al. Deep‐learning based on‐chip rapid spectral imaging with high spatial resolution
CN207280593U (zh) 基于计算光谱成像技术的光谱分类器
CN104182997B (zh) 高光谱图像压缩方法及应用
CN109461176A (zh) 高光谱图像的光谱配准方法
CN107560732A (zh) 基于计算光谱成像技术的光谱分类器及分类方法
CN108051087B (zh) 一种针对快速成像的八通道多光谱相机设计方法
CN108801457B (zh) 基于编码采样板设计以及二次能量约束校正的三维图谱获取及重建方法

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