CN113609907A - 一种多光谱数据的获取方法、装置及设备 - Google Patents
一种多光谱数据的获取方法、装置及设备 Download PDFInfo
- Publication number
- CN113609907A CN113609907A CN202110749251.XA CN202110749251A CN113609907A CN 113609907 A CN113609907 A CN 113609907A CN 202110749251 A CN202110749251 A CN 202110749251A CN 113609907 A CN113609907 A CN 113609907A
- Authority
- CN
- China
- Prior art keywords
- acquiring
- hyperspectral image
- spectrum
- reflectivity
- multispectral
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000001228 spectrum Methods 0.000 claims abstract description 103
- 238000002310 reflectometry Methods 0.000 claims abstract description 86
- 230000003287 optical effect Effects 0.000 claims abstract description 32
- 230000004044 response Effects 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims description 41
- 238000004590 computer program Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 238000000985 reflectance spectrum Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 10
- 238000013461 design Methods 0.000 abstract description 7
- 238000012546 transfer Methods 0.000 abstract description 3
- 230000003595 spectral effect Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 101100316752 Arabidopsis thaliana VAL1 gene Proteins 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请适用于光学技术领域，提供了一种多光谱数据的获取方法、装置及设备，所述方法包括：本申请实施例中，获取第一高光谱图像；获取第一高光谱图像对应的反射率图像的反射率光谱；根据反射率光谱和预设光源的光谱，得到预设光源下的第二高光谱图像；根据预设滤光片的响应矩阵和第二高光谱图像，得到第一高光谱图像对应的多光谱图像。上述方法，在获取多光谱图像的过程中，加入了预设光源和预设滤光片这两个变量，可实现高光谱数据库向多光谱数据库的转移，当硬件部分有更新迭代后，只需调整预设光源和预设滤光片的相关参数，即能反演出该硬件设计下的多光谱数据库，不用特地基于迭代的新硬件重新拍摄大量数据，节省了资源，提升了效率。
Description
技术领域
本申请属于光学技术领域，尤其涉及一种多光谱数据的获取方法、装置及设备。
背景技术
现有的基于面部成像特征的活体检测的核心之一是数据库，数据库通过拍摄大量的图像样本而获得。当拍摄成像特征的相机硬件有更新时，特别对多通道响应的多光谱相机，当多通道响应曲线不同时，拍摄的多光谱数据有较大的差异，因此当多通道的设计有变化时，需要重新拍摄数据库。重新拍摄图像数据，需要耗费大量人力物力，所需时间成本和资金成本均较高。
发明内容
本申请实施例提供了一种多光谱数据的获取方法、装置及设备，可以解决上述问题。
第一方面，本申请实施例提供了一种多光谱数据的获取方法，包括：
获取第一高光谱图像；
获取所述第一高光谱图像对应的反射率图像的反射率光谱；
根据所述反射率光谱和预设光源的光谱，得到所述预设光源下的第二高光谱图像；
根据预设滤光片的响应矩阵和第二高光谱图像，得到所述第一高光谱图像对应的多光谱图像。
进一步地，所述获取所述第一高光谱图像对应的反射率图像的反射率光谱，包括：
获取所述第一高光谱图像中人脸像素点的第一行向量光谱和白板像素点的第二行向量光谱；
根据所述第一行向量光谱和所述第一行向量光谱计算所有所述人脸像素点的反射率光谱。
进一步地，所述获取所述第一高光谱图像中人脸像素点的第一行向量光谱，包括：
获取所述第一高光谱图像中人脸像素点的所有波段的辐射度值；
将所述所有波段的辐射度值进行排列，得到所述第一高光谱图像中人脸像素点的第一行向量光谱。
进一步地，所述根据所述反射率光谱和预设光源的光谱，得到所述预设光源下的第二高光谱图像，包括：
根据所述第一高光谱图像中第一像素点的每个波段的所述反射率光谱及其对应的预设光源的光谱进行点乘计算，得到所述第一像素点的辐射度值；
根据所有所述辐射度值，确定所述预设光源下的第二高光谱图像。
进一步地，在所述根据预设滤光片的响应矩阵和第二高光谱图像，得到所述第一高光谱图像对应的多光谱图像之后，还包括：
获取所述多光谱图像中第二像素点的多光谱反射率，并且根据所述多光谱反射率获取反射率归一化曲线；
从所述反射率归一化曲线中获取真实人脸曲线和虚假人脸曲线；
根据所述真实人脸曲线和所述假脸曲线，计算真假人脸差异信息；
若所述真假人脸差异信息标识真实人脸和虚假人脸差异大于预设差异值，则将所述预设滤光片标记为用于真假人脸识别的目标滤光片。
第二方面，本申请实施例提供了一种多光谱数据的获取装置，包括：
第一获取单元，用于获取第一高光谱图像；
第二获取单元，用于获取所述第一高光谱图像对应的反射率图像的反射率光谱；
第一处理单元，用于根据所述反射率光谱和预设光源的光谱，得到所述预设光源下的第二高光谱图像；
第二处理单元，用于根据预设滤光片的响应矩阵和第二高光谱图像，得到所述第一高光谱图像对应的多光谱图像。
进一步地，所述第二获取单元，具体用于：
获取所述第一高光谱图像中人脸像素点的第一行向量光谱和白板像素点的第二行向量光谱；
根据所述第一行向量光谱和所述第一行向量光谱计算所有所述人脸像素点的反射率光谱。
进一步地，所述第二获取单元，具体用于：
获取所述第一高光谱图像中人脸像素点的所有波段的辐射度值；
将所述所有波段的辐射度值进行排列，得到所述第一高光谱图像中人脸像素点的第一行向量光谱。
进一步地，所述第一处理单元，具体用于：
根据所述第一高光谱图像中第一像素点的每个波段的所述反射率光谱及其对应的预设光源的光谱进行点乘计算，得到所述第一像素点的辐射度值；
根据所有所述辐射度值，确定所述预设光源下的第二高光谱图像。
进一步地，所述多光谱数据的获取装置，还包括：
第三获取单元，用于获取所述多光谱图像中第二像素点的多光谱反射率，并且根据所述多光谱反射率获取反射率归一化曲线；
第四获取单元，用于从所述反射率归一化曲线中获取真实人脸曲线和虚假人脸曲线；
第三处理单元，用于根据所述真实人脸曲线和所述假脸曲线，计算真假人脸差异信息；
第四处理单元，用于若所述真假人脸差异信息标识真实人脸和虚假人脸差异大于预设差异值，则将所述预设滤光片标记为用于真假人脸识别的目标滤光片。
第三方面，本申请实施例提供了一种多光谱数据的获取设备，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如上述第一方面所述的多光谱数据的获取方法。
第四方面，本申请实施例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存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的多光谱数据的获取方法。
本申请实施例中，获取第一高光谱图像；获取第一高光谱图像对应的反射率图像的反射率光谱；根据反射率光谱和预设光源的光谱，得到预设光源下的第二高光谱图像；根据预设滤光片的响应矩阵和第二高光谱图像，得到第一高光谱图像对应的多光谱图像。上述方法，在获取多光谱图像的过程中，加入了预设光源和预设滤光片这两个变量，可实现高光谱数据库向多光谱数据库的转移，当硬件部分有更新迭代后，只需调整预设光源和预设滤光片的相关参数，即能反演出该硬件设计下的多光谱数据库，不用特地基于迭代的新硬件重新拍摄大量数据，节省了资源，提升了效率。
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是本申请第一实施例提供的一种多光谱数据的获取方法的示意流程图；
图2是本申请第二实施例提供的多光谱数据的获取设备的示意图；
图3是本申请第三实施例提供的多光谱数据的获取设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
现有的基于面部成像特征的活体检测的核心之一是数据库，数据库通过拍摄大量的真假体样本而获得，该过程技术含量低但需要耗费大量人力物力，所需时间成本和资金成本均较高。例如，现有的RGB相机，每款相机的R、G、B三通道的响应曲线有较小差异，对同样的样品，不同型号RGB相机拍摄的三通道响应有较小差异。特别对多通道响应的多光谱相机，当多通道响应曲线不同时，拍摄的多光谱数据有较大的差异，因此当多通道的设计有变化时，需要重新拍摄数据库。即当拍摄成像特征的相机硬件有更新时，往往需要重新拍摄数据，重新做新数据库或通过新拍摄的数据做算法的迁移训练。
为了解决上述问题，本申请实施例中提出一种多光谱数据的获取方法。
请参见图1，图1是本申请第一实施例提供的一种多光谱数据的获取方法的示意流程图。本实施例中一种多光谱数据的获取方法的执行主体为具有多光谱数据的获取功能的设备。如图1所示的多光谱数据的获取方法可以包括：
S101：获取第一高光谱图像。
设备获取第一高光谱图像，第一高光谱图像即为原始的高光谱数据库。其中，第一高光谱图像可以通过相机进行采集，然后由相机传输至本地设备。
在采集第一高光谱图像时，可以搭建以下图像采集场景：
光源：从相机方向往被拍摄样品的正面打光，其中，光源的光谱范围覆盖红外和可见光波段。
被拍摄样本：被拍摄样本和标准白板放在离相机一定的距离上。
相机：调整距离和高度，使被拍摄样品和白板能完整的成像。
其中，被拍摄样本可以人脸模型。相机可以为高光谱相机。
采集卤素灯光源下的高光谱图像，作为第一高光谱图像。其中，可在多个光源下，进行多次拍摄，储备不同场景的数据丰富数据库，同时可验证方法的重复性。
光源发出光，光入射到被拍摄样本表面后，反射回相机的光，在高光谱相机内的响应，得到第一高光谱图像，即高光谱的原始图，也叫辐射度高光谱。每幅辐射度高光谱数据是一个三维矩阵HSI(h,w,band)，其中h为图像的高，w为图像的宽，band为波段的个数。其中，该波段数较多，波长分辨率较高，通常是2-10nm。例如，某一高光谱数据，如果光谱分辨率为5nm，则分别包含了400nm、405nm、410nm、415nm...等各个波段下的成像灰度图。
S102：获取所述第一高光谱图像对应的反射率图像的反射率光谱。
由于高光谱相机采集到的图像会随着环境光源的变化而变化，但反射率图像不随着光源的变化而变化，每个像素的反射率只被拍摄样本的材质相关。例如某一人脸在不同环境下的反射率是一定的，可以用该反射率图像取反演在不同光源下高光谱相机能采集到的辐射度图像。
设备获取第一高光谱图像对应的反射率图像的反射率光谱，以第一高光谱图像中某一个像素点为例，计算该像素点的反射率光谱，通过计算第一高光谱图像中所有像素点的反射率光谱，可以得到反射率图像。
具体来说，被拍摄样本为人脸，可以为真实人脸，或者虚假人脸。为了准确的获取到反射率光谱，设备可以获取第一高光谱图像中人脸像素点的第一行向量光谱和白板像素点的第二行向量光谱。
设备可以获取第一高光谱图像中人脸像素点的所有波段的辐射度值；将所有波段的辐射度值进行排列，得到所述第一高光谱图像中人脸像素点的第一行向量光谱。具体来说，以脸部某一个像素点为例，假如其像素位置为(x,y)，提取该像素点的辐射度光谱HSI(x,y,band)，依次取该像素点第一个波段的辐射度值，第二个波段的辐射度值，第band波段的辐射度值，将其排列为行向量光谱spec_rad(1,band)。
设备获取白板像素点的第二行向量光谱时，可以参照获取第一高光谱图像中人脸像素点的第一行向量光谱具体方法，此处不再赘述。
然后，设备根据第一行向量光谱和第一行向量光谱计算所有人脸像素点的反射率光谱。计算人脸像素点的反射率光谱，具体可以采用如下计算公式：
refl(1,band)＝spec_rad(1,band)./white_rad(1,band)
其中，refl(1,band)为反射率光谱，spec_rad(1,band)为第一行向量光谱，white_rad(1,band)为第二行向量光谱。“./”为点除计算，即脸部第一个波段的光谱除以白板第一个波段光谱，得到脸部第一个波段的反射率。同样方法，得到脸部各个波段的反射率。
S103：根据所述反射率光谱和预设光源的光谱，得到所述预设光源下的第二高光谱图像。
设备中存储预设光源的光谱，其中，预设光源在该方法中属于可调整的变量，可以是市面上能提供的光源，没有特殊的特征和要求。预设光源的光谱可以通过光源的形状和光源的亮度进行调整。
由于高光谱相机采集到的图像会随着环境光源的变化而变化，但反射率图像不随着光源的变化而变化，所以，设备在这一步骤中可以通过不变的反射率图像，反演第一高光谱图像在预设光源下的高光谱图像。实际上，也就是恢复在预设光源下，如果用高光谱相机拍摄的话，可以获得的辐射度高光谱。设备根据反射率光谱和预设光源的光谱，得到预设光源下的第二高光谱图像。
具体来说，设备根据第一高光谱图像中第一像素点的每个波段的反射率光谱及其对应的预设光源的光谱进行点乘计算，得到第一像素点的辐射度值；根据所有辐射度值，确定预设光源下的第二高光谱图像。具体来说，某一像素点在该预设光源下的辐射度值可以通过以下公式进行计算：
rad(1，band)＝refl(1,band).*illuminant
其中，rad(1，band)为预设光源下的辐射度值，refl(1,band)为反射率光谱，illuminant为预设光源的光谱，“.*”为点乘计算，第一个波段的反射率光谱乘以第一个波段光谱，得到第一个波段的辐射度值。同样方法，得到各个波段的辐射度值，组合成该像素的光谱曲线。将该辐射度值重新排列为1*1*band的向量，赋值到辐射度三维矩阵中HSI2(x,y,band)。根据每个像素的辐射度值，即得到辐射度高光谱HSI2(h,w,band)，确定了预设光源下的第二高光谱图像。
S104：根据预设滤光片的响应矩阵和所述第二高光谱图像，得到所述第一高光谱图像对应的多光谱图像。
设备中存储预设滤光片的响应矩阵，其中，预设滤光片在该方法中属于可调整的变量。设备根据预设滤光片的响应矩阵和第二高光谱图像，得到第一高光谱图像对应的多光谱图像。光谱矩阵模拟了用一个具有某滤光曲线的多光谱相机，在该预设光源下拍摄的多光谱辐射度数据。即通过高光谱数据，仿真得到了多光谱数据。
举例来说，某一像素点在该预设光源下的9通道响应为：
s_rad(1,9)＝rad(1，band)*QE
其中，s_rad(1,9)为某一像素点在该预设光源下的9通道响应，QE为预设滤光片的响应矩阵，rad(1，band)为预设光源下的辐射度值。
将9通道响应值重新排列为1*1*9的向量，赋值到9通道三维矩阵中MSI(x,y,9)。用以上同样的方法计算图像中每个像素的多光谱响应，即得到9通道多光谱矩阵MSI(h,w,9)，每个通道对应一个仿真图像。
其中，这里预设滤光片的数量不做限制，可以是9通道，也可以是8通道或16通道等其他数量的通道。
一般情况下，在进行人脸处理时，第一高光谱图像种就会包括真实人脸和虚假人脸，为了便于识别和处理最后获取的多光谱图像，更好的区分真假人脸，优化多光谱的活检效果。在S104之后，设备可以多进行几次仿真后，设备可以检测预设滤光片曲线和预设光源是否合适区分真假人脸，在S104之后，还可以包括：设备获取多光谱图像中第二像素点的多光谱反射率，举例来说，9通道的多光谱反射率可以通过如下公式计算：
s_refl(1,9)＝s_rad(1,9)./i_rad(1,9)
其中，s_refl(1,9)为多光谱反射率，s_rad(1,9)为某一像素点在该预设光源下的9通道响应，i_rad(1,9)为光源的9通道响应。
其中，i_rad(1,9)＝illuminant*QE。illuminant为预设光源的光谱，QE为预设滤光片的响应矩阵。
设备将9通道多光谱反射率重新排列为1*1*9的向量，赋值到9通道反射率三维矩阵中M_REFL(x,y,9)。用以上同样的方法计算图像中每个第二像素点的多光谱反射率，即得到反射率多光谱M_REFL(h,w,9)。
然后，设备根据多光谱反射率获取反射率归一化曲线；从反射率归一化曲线中获取真实人脸曲线和虚假人脸曲线；根据真实人脸曲线和假脸曲线，计算真假人脸差异信息；若真假人脸差异信息标识真实人脸和虚假人脸差异大于预设差异值，则将预设滤光片标记为用于真假人脸识别的目标滤光片。即，当真假人脸的差异较大时，即可确认该预设滤光片的设计在识别真假人脸时是有效的。
具体来说，一种实施方式中，真实人脸和虚假人脸差异的评价方法可以包括以下几种。可以对真实人脸曲线和假脸曲线进行PCA(Principal Component Analysis)数据处理，取前三个维度后，真假脸在三维空间的区分度，其中绿色圈表示真脸，红色圈表示假脸。根据分析图像可以确定夹角余弦度量的差异、相关系数度量的差异，光谱距离度量的差异。
一种实施方式中，计算同一被拍摄样本不同拍摄次数反射率的最大夹角余弦值(相关系数)x，对多个被拍摄样本，找出x的最大值x_max。该值对应于同一被拍摄样本重复拍摄时的最大差异。计算每一对真假被拍摄样本反射率的夹角余弦值(相关系数)y，找出y的最小值y_min。该值对应于真假被拍摄样本之间的最小差异。计算真假人脸差异信息＝y_min-x_max。该值越大，代表真假人脸的光谱差异越大。
一种实施方式中，计算同一被拍摄样本不同拍摄次数反射率的最小光谱距离x，对多个被拍摄样本，找出x的最小值x_min。该值对应于同一被拍摄样本重复拍摄时的最大差异。计算每一对真假被拍摄样本反射率的最大光谱距离y,找出y的最大值y_max。该值对应于真假被拍摄样本之间的最小差异。计算真假人脸差异信息＝y_max-x_min。该值越大，代表真假人脸的光谱差异越大。
具体来说，如两个被拍摄样本的反射率分别为ref_a(1,9)＝[x1 x2 x3 x4 x5 x6x7 x8 x9],ref_b(1,9)＝[y1 y2 y3 y4 y5 y6 y7 y8 y9]，则：
夹角余弦的计算公式：
相关系数的计算公式：
光谱距离的计算公式：
本申请实施例中，获取第一高光谱图像；获取第一高光谱图像对应的反射率图像的反射率光谱；根据反射率光谱和预设光源的光谱，得到预设光源下的第二高光谱图像；根据预设滤光片的响应矩阵和第二高光谱图像，得到第一高光谱图像对应的多光谱图像。上述方法，在获取多光谱图像的过程中，加入了预设光源和预设滤光片这两个变量，可实现高光谱数据库向多光谱数据库的转移，当硬件部分有更新迭代后，只需调整预设光源和预设滤光片的相关参数，即能反演出该硬件设计下的多光谱数据库，不用特地基于迭代的新硬件重新拍摄大量数据，节省了资源，提升了效率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
请参见图2，图2是本申请第二实施例提供的多光谱数据的获取设备的示意图。包括的各单元用于执行图1对应的实施例中的各步骤。具体请参阅图2对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图2，多光谱数据的获取设备2包括：
第一获取单元210，用于获取第一高光谱图像；
第二获取单元220，用于获取所述第一高光谱图像对应的反射率图像的反射率光谱；
第一处理单元230，用于根据所述反射率光谱和预设光源的光谱，得到所述预设光源下的第二高光谱图像；
第二处理单元240，用于根据预设滤光片的响应矩阵和第二高光谱图像，得到所述第一高光谱图像对应的多光谱图像。
进一步地，所述第二获取单元220，具体用于：
获取所述第一高光谱图像中人脸像素点的第一行向量光谱和白板像素点的第二行向量光谱；
根据所述第一行向量光谱和所述第一行向量光谱计算所有所述人脸像素点的反射率光谱。
进一步地，所述第二获取单元220，具体用于：
获取所述第一高光谱图像中人脸像素点的所有波段的辐射度值；
将所述所有波段的辐射度值进行排列，得到所述第一高光谱图像中人脸像素点的第一行向量光谱。
进一步地，所述第一处理单元230，具体用于：
根据所述第一高光谱图像中第一像素点的每个波段的所述反射率光谱及其对应的预设光源的光谱进行点乘计算，得到所述第一像素点的辐射度值；
根据所有所述辐射度值，确定所述预设光源下的第二高光谱图像。
进一步地，所述多光谱数据的获取装置2，还包括：
第三获取单元，用于获取所述多光谱图像中第二像素点的多光谱反射率，并且根据所述多光谱反射率获取反射率归一化曲线；
第四获取单元，用于从所述反射率归一化曲线中获取真实人脸曲线和虚假人脸曲线；
第三处理单元，用于根据所述真实人脸曲线和所述假脸曲线，计算真假人脸差异信息；
第四处理单元，用于若所述真假人脸差异信息标识真实人脸和虚假人脸差异大于预设差异值，则将所述预设滤光片标记为用于真假人脸识别的目标滤光片。
图3是本申请第三实施例提供的多光谱数据的获取设备的示意图。如图3所示，该实施例的多光谱数据的获取设备3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32，例如多光谱数据的获取程序。所述处理器30执行所述计算机程序32时实现上述各个多光谱数据的获取方法实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块210至240的功能。
示例性的，所述计算机程序32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31中，并由所述处理器30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32在所述多光谱数据的获取设备3中的执行过程。例如，所述计算机程序32可以被分割成第一获取单元、第二获取单元、第一处理单元、第二处理单元，各单元具体功能如下：
第一获取单元，用于获取第一高光谱图像；
第二获取单元，用于获取所述第一高光谱图像对应的反射率图像的反射率光谱；
第一处理单元，用于根据所述反射率光谱和预设光源的光谱，得到所述预设光源下的第二高光谱图像；
第二处理单元，用于根据预设滤光片的响应矩阵和第二高光谱图像，得到所述第一高光谱图像对应的多光谱图像。
所述多光谱数据的获取设备可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是多光谱数据的获取设备3的示例，并不构成对多光谱数据的获取设备3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，例如所述多光谱数据的获取设备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30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31可以是所述多光谱数据的获取设备3的内部存储单元，例如多光谱数据的获取设备3的硬盘或内存。所述存储器31也可以是所述多光谱数据的获取设备3的外部存储设备，例如所述多光谱数据的获取设备3上配备的插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述多光谱数据的获取设备3还可以既包括所述多光谱数据的获取设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述多光谱数据的获取设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
本申请实施例还提供了一种网络设备，该网络设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个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任意各个方法实施例中的步骤。
本申请实施例还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存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的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，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至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
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每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/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备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。
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)
1.一种多光谱数据的获取方法，其特征在于，包括：
获取第一高光谱图像；
获取所述第一高光谱图像对应的反射率图像的反射率光谱；
根据所述反射率光谱和预设光源的光谱，得到所述预设光源下的第二高光谱图像；
根据预设滤光片的响应矩阵和所述第二高光谱图像，得到所述第一高光谱图像对应的多光谱图像。
2.如权利要求1所述的多光谱数据的获取方法，其特征在于，所述获取所述第一高光谱图像对应的反射率图像的反射率光谱，包括：
获取所述第一高光谱图像中人脸像素点的第一行向量光谱和白板像素点的第二行向量光谱；
根据所述第一行向量光谱和所述第一行向量光谱计算所有所述人脸像素点的反射率光谱。
3.如权利要求2所述的多光谱数据的获取方法，其特征在于，所述获取所述第一高光谱图像中人脸像素点的第一行向量光谱，包括：
获取所述第一高光谱图像中人脸像素点的所有波段的辐射度值；
将所述所有波段的辐射度值进行排列，得到所述第一高光谱图像中人脸像素点的第一行向量光谱。
4.如权利要求1所述的多光谱数据的获取方法，其特征在于，所述根据所述反射率光谱和预设光源的光谱，得到所述预设光源下的第二高光谱图像，包括：
根据所述第一高光谱图像中第一像素点的每个波段的所述反射率光谱及其对应的预设光源的光谱进行点乘计算，得到所述第一像素点的辐射度值；
根据所有所述辐射度值，确定所述预设光源下的第二高光谱图像。
5.如权利要求1所述的多光谱数据的获取方法，其特征在于，在所述根据预设滤光片的响应矩阵和第二高光谱图像，得到所述第一高光谱图像对应的多光谱图像之后，还包括：
获取所述多光谱图像中第二像素点的多光谱反射率，并且根据所述多光谱反射率获取反射率归一化曲线；
从所述反射率归一化曲线中获取真实人脸曲线和虚假人脸曲线；
根据所述真实人脸曲线和所述假脸曲线，计算真假人脸差异信息；
若所述真假人脸差异信息标识真实人脸和虚假人脸差异大于预设差异值，则将所述预设滤光片标记为用于真假人脸识别的目标滤光片。
6.一种多光谱数据的获取装置，其特征在于，包括：
第一获取单元，用于获取第一高光谱图像；
第二获取单元，用于获取所述第一高光谱图像对应的反射率图像的反射率光谱；
第一处理单元，用于根据所述反射率光谱和预设光源的光谱，得到所述预设光源下的第二高光谱图像；
第二处理单元，用于根据预设滤光片的响应矩阵和第二高光谱图像，得到所述第一高光谱图像对应的多光谱图像。
7.如权利要求6所述的多光谱数据的获取装置，其特征在于，所述第二获取单元，具体用于：
获取所述第一高光谱图像中人脸像素点的第一行向量光谱和白板像素点的第二行向量光谱；
根据所述第一行向量光谱和所述第一行向量光谱计算所有所述人脸像素点的反射率光谱。
8.如权利要求6所述的多光谱数据的获取装置，其特征在于，所述第二获取单元，具体用于：
获取所述第一高光谱图像中人脸像素点的所有波段的辐射度值；
将所述所有波段的辐射度值进行排列，得到所述第一高光谱图像中人脸像素点的第一行向量光谱。
9.一种多光谱数据的获取设备，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5任一项所述的方法。
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5任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110749251.XA CN113609907B (zh) | 2021-07-01 | 2021-07-01 | 一种多光谱数据的获取方法、装置及设备 |
| PCT/CN2022/080524 WO2023273411A1 (zh) | 2021-07-01 | 2022-03-13 | 一种多光谱数据的获取方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110749251.XA CN113609907B (zh) | 2021-07-01 | 2021-07-01 | 一种多光谱数据的获取方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113609907A true CN113609907A (zh) | 2021-11-05 |
| CN113609907B CN113609907B (zh) | 2024-03-12 |
Family
ID=78337193
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110749251.XA Active CN113609907B (zh) | 2021-07-01 | 2021-07-01 | 一种多光谱数据的获取方法、装置及设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113609907B (zh) |
| WO (1) | WO2023273411A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023273411A1 (zh) * | 2021-07-01 | 2023-01-05 | 奥比中光科技集团股份有限公司 | 一种多光谱数据的获取方法、装置及设备 |
| CN116959074A (zh) * | 2023-07-31 | 2023-10-27 | 中国医学科学院北京协和医院 | 一种基于多光谱成像的人体皮肤检测方法及装置 |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116029936B (zh) * | 2023-01-31 | 2024-07-19 | 北京小米移动软件有限公司 | 图像的修正方法及装置、电子设备和存储介质 |
| CN116465840A (zh) * | 2023-05-17 | 2023-07-21 | 广州光信科技有限公司 | 一种陈皮年份快速鉴别的装置及方法 |
| CN116849612B (zh) * | 2023-07-07 | 2024-01-09 | 广东省新黄埔中医药联合创新研究院 | 一种多光谱舌象图像采集分析系统 |
| CN117848973B (zh) * | 2024-03-07 | 2024-05-28 | 铜川市人民医院 | 基于抗感染临床药学的药品成分智能检测方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105809148A (zh) * | 2016-03-29 | 2016-07-27 | 中国科学院遥感与数字地球研究所 | 基于遥感时空谱融合的作物干旱识别及风险评估方法 |
| CN108596819A (zh) * | 2018-03-28 | 2018-09-28 | 广州地理研究所 | 一种基于稀疏表达的内陆光学复杂水体高光谱重构方法 |
| US20180293331A1 (en) * | 2017-04-05 | 2018-10-11 | The Government Of The United States Of America, As Represented By The Secretary Of The Navy | Design method for choosing spectral selectivity in multispectral and hyperspectral systems |
| CN109872295A (zh) * | 2019-02-20 | 2019-06-11 | 北京航空航天大学 | 基于光谱视频数据的典型目标材质属性提取方法和装置 |
| WO2020168094A1 (en) * | 2019-02-15 | 2020-08-20 | Nikon Corporation | Simultaneous depth profile and spectral measurement |
| CN111595791A (zh) * | 2020-06-04 | 2020-08-28 | 首都师范大学 | 基于高光谱数据校正的内陆水体fui水色指数提取方法 |
| CN112419580A (zh) * | 2020-10-27 | 2021-02-26 | 铁道警察学院 | 一种基于高光谱成像的纸币真伪鉴别方法 |
| WO2021036267A1 (zh) * | 2019-08-23 | 2021-03-04 | 华为技术有限公司 | 一种图像检测方法及相关设备 |
| CN112484856A (zh) * | 2020-10-30 | 2021-03-12 | 浙江农林大学暨阳学院 | 一种获取高精度色度和光谱图像的方法 |
| CN112818794A (zh) * | 2021-01-25 | 2021-05-18 | 哈尔滨工业大学 | 基于递进式空谱联合深度网络的高光谱遥感图像生成方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4798354B2 (ja) * | 2006-02-02 | 2011-10-19 | 凸版印刷株式会社 | 分光反射率推定方法、分光反射率推定装置および分光反射率推定プログラム |
| CN106895916B (zh) * | 2017-01-09 | 2018-10-30 | 浙江大学 | 一种单次曝光拍摄获取多光谱图像的方法 |
| CN112580433A (zh) * | 2020-11-24 | 2021-03-30 | 奥比中光科技集团股份有限公司 | 一种活体检测的方法及设备 |
| CN113609907B (zh) * | 2021-07-01 | 2024-03-12 | 奥比中光科技集团股份有限公司 | 一种多光谱数据的获取方法、装置及设备 |
-
2021
- 2021-07-01 CN CN202110749251.XA patent/CN113609907B/zh active Active
-
2022
- 2022-03-13 WO PCT/CN2022/080524 patent/WO2023273411A1/zh active Application Filing
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105809148A (zh) * | 2016-03-29 | 2016-07-27 | 中国科学院遥感与数字地球研究所 | 基于遥感时空谱融合的作物干旱识别及风险评估方法 |
| US20180293331A1 (en) * | 2017-04-05 | 2018-10-11 | The Government Of The United States Of America, As Represented By The Secretary Of The Navy | Design method for choosing spectral selectivity in multispectral and hyperspectral systems |
| CN108596819A (zh) * | 2018-03-28 | 2018-09-28 | 广州地理研究所 | 一种基于稀疏表达的内陆光学复杂水体高光谱重构方法 |
| WO2020168094A1 (en) * | 2019-02-15 | 2020-08-20 | Nikon Corporation | Simultaneous depth profile and spectral measurement |
| CN109872295A (zh) * | 2019-02-20 | 2019-06-11 | 北京航空航天大学 | 基于光谱视频数据的典型目标材质属性提取方法和装置 |
| WO2021036267A1 (zh) * | 2019-08-23 | 2021-03-04 | 华为技术有限公司 | 一种图像检测方法及相关设备 |
| CN111595791A (zh) * | 2020-06-04 | 2020-08-28 | 首都师范大学 | 基于高光谱数据校正的内陆水体fui水色指数提取方法 |
| CN112419580A (zh) * | 2020-10-27 | 2021-02-26 | 铁道警察学院 | 一种基于高光谱成像的纸币真伪鉴别方法 |
| CN112484856A (zh) * | 2020-10-30 | 2021-03-12 | 浙江农林大学暨阳学院 | 一种获取高精度色度和光谱图像的方法 |
| CN112818794A (zh) * | 2021-01-25 | 2021-05-18 | 哈尔滨工业大学 | 基于递进式空谱联合深度网络的高光谱遥感图像生成方法 |
Non-Patent Citations (3)
| Title |
|---|
| BENDOUMI MOHAMED AMINE: "Combination of spectral unmixing algorithms for the fusion of the hyperspectral and multispectral data with unknown spectral response function", 《2017 5TH INTERNATIONAL CONFERENCE ON ELECTRICAL ENGINEERING - BOUMERDES (ICEE-B)》 * |
| 刘瑶 等: "基于光谱混合的大气吸收通道发射率图像模拟", 《遥感技术与应用》, vol. 32, no. 4 * |
| 刘绥华;晏磊;杨彬;付鹏;: "光谱参数对基于光谱重构的高光谱数据模拟的影响", 光谱学与光谱分析, no. 02 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023273411A1 (zh) * | 2021-07-01 | 2023-01-05 | 奥比中光科技集团股份有限公司 | 一种多光谱数据的获取方法、装置及设备 |
| CN116959074A (zh) * | 2023-07-31 | 2023-10-27 | 中国医学科学院北京协和医院 | 一种基于多光谱成像的人体皮肤检测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113609907B (zh) | 2024-03-12 |
| WO2023273411A1 (zh) | 2023-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113609907B (zh) | 一种多光谱数据的获取方法、装置及设备 | |
| CN110991236B (zh) | 一种图像分类的方法及相关装置 | |
| CN108520488B (zh) | 一种重构光谱并进行复制的方法以及电子设备 | |
| CN111080526B (zh) | 航拍图像的农田面积的测算方法、装置、设备及介质 | |
| CN111462128B (zh) | 一种基于多模态光谱图像的像素级图像分割系统及方法 | |
| CN113340817B (zh) | 光源光谱和多光谱反射率图像获取方法、装置及电子设备 | |
| CN110691226A (zh) | 图像处理方法、装置、终端及计算机可读存储介质 | |
| CN112580433A (zh) | 一种活体检测的方法及设备 | |
| US20130201342A1 (en) | Estimating a visible vector representation for pixels in an infrared image | |
| CN113409379B (zh) | 一种光谱反射率的确定方法、装置及设备 | |
| CN112085771B (zh) | 图像配准方法、装置、终端设备及计算机可读存储介质 | |
| CN115205194B (zh) | 基于图像处理的粘虫板覆盖率检测方法、系统及装置 | |
| CN113533256A (zh) | 一种光谱反射率的确定方法、装置及设备 | |
| CN116630148B (zh) | 光谱图像处理方法、装置、电子设备及存储介质 | |
| CN113297977B (zh) | 活体检测方法、装置及电子设备 | |
| CN114511608A (zh) | 一种深度图像的获取方法、装置、终端、成像系统和介质 | |
| CN112106346A (zh) | 图像处理方法、设备、无人机、系统和存储介质 | |
| CN107941337A (zh) | 快照式光谱成像方法、装置及光谱成像仪 | |
| CN112102378A (zh) | 图像配准方法、装置、终端设备及计算机可读存储介质 | |
| AU2018101640A4 (en) | A system and method for image processing | |
| CN113340816B (zh) | 光源光谱和多光谱反射率图像获取方法、装置及电子设备 | |
| CN111896109A (zh) | 一种基于数码相机原始响应值的光谱重建方法 | |
| CN116509326A (zh) | 一种舌象多光谱图像生成方法、装置、设备及存储介质 | |
| CN114279568A (zh) | 基于色散进行编码压缩的多光谱成像方法、装置及设备 | |
| CN115511729A (zh) | 多光谱图像校正方法、装置、设备及存储介质 |
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 |