CN114166346B - 基于深度学习的多光谱光场成像方法及系统 - Google Patents
基于深度学习的多光谱光场成像方法及系统 Download PDFInfo
- Publication number
- CN114166346B CN114166346B CN202111465479.2A CN202111465479A CN114166346B CN 114166346 B CN114166346 B CN 114166346B CN 202111465479 A CN202111465479 A CN 202111465479A CN 114166346 B CN114166346 B CN 114166346B
- Authority
- CN
- China
- Prior art keywords
- light field
- image
- multispectral
- field image
- reconstruction
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 30
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000001228 spectrum Methods 0.000 claims abstract description 56
- 230000006870 function Effects 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000035945 sensitivity Effects 0.000 claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 230000003595 spectral effect Effects 0.000 claims description 19
- 239000004973 liquid crystal related substance Substances 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 4
- 239000004988 Nematic liquid crystal Substances 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 229920000642 polymer Polymers 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000004983 Polymer Dispersed Liquid Crystal Substances 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
Classifications
-
- 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
- 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
- G01J3/02—Details
- G01J3/0205—Optical elements not provided otherwise, e.g. optical manifolds, diffusers, windows
- G01J3/0208—Optical elements not provided otherwise, e.g. optical manifolds, diffusers, windows using focussing or collimating elements, e.g. lenses or mirrors; performing aberration correction
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06N3/08—Learning methods
-
- 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
- G01J2003/283—Investigating the spectrum computer-interfaced
- G01J2003/284—Spectral construction
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- Eye Examination Apparatus (AREA)
- Spectrometry And Color Measurement (AREA)
- Microscoopes, Condenser (AREA)
Abstract
本发明公开了一种基于深度学习的多光谱光场成像方法及系统，该方法包括：S1、获取清晰的光场图像；S2、提取子视角图，并将子视角图合并成一张二维光场图像；S3、获取训练集，训练集为二维光场图像及与其对应的波段光谱图像；S4、基于卷积神经网络构建多光谱重建网络，并将二维光场图像与波段光谱图像的差异，以及相机光谱灵敏度函数都集成到多光谱重建的损失计算中；S5、训练多光谱重建网络；S6、将二维光场图像输入至训练好的多光谱重建网络，获得同时具有光场和光谱信息的波段光谱图像。本发明结合相机光谱灵敏度的先验知识，通过深度神经网络对光场图像进行多光谱重建，提高重建精度且能同时获取该场景下的光场和光谱信息。
Description
技术领域
本发明属于机器学习及计算摄像学技术领域，具体涉及一种基于深度学习的多光谱光场成像方法及系统。
背景技术
在计算摄像学领域，一次光场成像曝光中能得到四维的光场信息。在光场成像之外，光谱成像能获取更高维度的光谱信息，通过所获取的光谱信息，还能够感知光谱特性。场景中的光线信息通常使用全光函数P(x，y，z，θ，λ，t)来表示，其中x，y，z表示空间信息，θ，/>表示角度信息，λ表示谱信息，t表示时间信息。这些光场和光谱信息往往能够表示出物体的特性，因此，高维度光信息的获取和解析在工业检测、生物医学等领域都有着十分重要的作用。
现有的多光谱光场成像系统，在系统装置上体积较大且存在精度上的误差问题，大多系统装置都需要牺牲空间分辨率或者时间分辨率，无法满足在场景中光信息的获取。而且，目前市场上只有单一多光谱相机或者单一光场相机，能够同时获取光场和光谱信息的相机还未产生，而随着光场信息和光谱信息在识别上的重要性越来越大，设计一种能够同时获取光场和光谱信息方法可以极大促进计算摄像学领域中针对场景信息重构的研究。
发明内容
针对现有技术中存在的问题，本发明提供一种基于深度学习的多光谱光场成像方法及系统，提高重建精度且同时获取光场和光谱信息。
为实现上述目的，本发明提供了一种基于深度学习的多光谱光场成像方法，包括以下步骤：
S1、获取清晰的光场图像；
S2、提取清晰光场图像的子视角图，并将子视角图采用像素拼接算法合并成一张二维光场图像；
S3、获取训练集，训练集为二维光场图像及与其对应的波段光谱图像；
S4、基于卷积神经网络构建多光谱重建网络，并将二维光场图像与波段光谱图像的差异，以及相机光谱灵敏度函数都集成到多光谱重建的损失计算中，构建的损失函数如下：
L＝Lh+τLr
式中，τ为折衷参数，Lh为真实值对应的损失函数，Lr为光谱重建值对应的损失函数；给定真实值IHSI和光谱重建值ISR，则这两个损失函数分别为：
式中，和/>表示图像的第p个像素值，N表示图像的总像素数，φ表示相机光谱灵敏度函数；
S5、以训练集的二维光场图像为输入，以其对应的波段光谱图像为输出，训练多光谱重建网络；
S6、将二维光场图像输入至训练好的多光谱重建网络，获得同时具有光场和光谱信息的波段光谱图像。
在一些可选的实施方案中，获取清晰的光场图像包括：
将待测物体、主透镜、液晶微透镜阵列以及CCD相机放置在同一光轴上，给液晶微透镜阵列加载电压，调节电压在CCD相机处获得清晰的光场图像。液晶微透镜阵列为聚合物稳定液晶或向列相液晶复合微透镜阵列。
在一些可选的实施方案中，采用非周期性算法提取光场图像的子视角图。
在一些可选的实施方案中，训练集为ICVL数据库。
一种用于实现上述的基于深度学习的多光谱光场成像方法的基于深度学习的多光谱光场成像系统，包括；
采集模块，用于获取清晰的光场图像；
合成模块，用于提取清晰光场图像的子视角图，并将子视角图采用像素拼接算法合并成一张二维光场图像；
数据集模块，用于获取训练集，训练集为二维光场图像及与其对应的波段光谱图像；
构建模块，用于基于卷积神经网络构建多光谱重建网络，并将二维光场图像与波段光谱图像的差异，以及相机光谱灵敏度函数都集成到多光谱重建的损失计算中，构建的损失函数如下：
L＝Lh+τLr
式中，τ为折衷参数，Lh为真实值对应的损失函数，Lr为光谱重建值对应的损失函数；给定真实值IHSI和光谱重建值ISR，则这两个损失函数分别为：
式中，和/>表示图像的第p个像素值，N表示图像的总像素数，φ表示相机光谱灵敏度函数；
训练模块，用于以训练集的二维光场图像为输入，以其对应的波段光谱图像为输出，训练多光谱重建网络；
重建模块，用于将二维光场图像输入至训练好的多光谱重建网络，获得同时具有光场和光谱信息的波段光谱图像。
本发明与现有技术相比，具有以下优点及有益效果：
本发明首先获取清晰的光场图像，再结合相机光谱灵敏度的先验知识，通过深度神经网络对光场图像进行多光谱重建，提高重建精度且能同时获取该场景下的光场和光谱信息。
附图说明
图1为基于深度学习的多光谱光场成像方法流程图；
图2为液晶复合微透镜阵列的成像示意图；
图3为多光谱重建网络的示意图；
图4为两个示例波段图像的效果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明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发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明将机器学习技术应用于多光谱光场成像之中，并充分利用液晶复合微透镜阵列的电控变焦特点获取该场景下的清晰光场图像，再结合相机光谱灵敏度的先验知识，通过深度神经网络对光场图像进行多光谱重建，提高光谱分辨率下的重建精度，且能同时获取该场景下的光场和光谱信息，以此获取该场景下的多维度信息，这对于三维重建、遥感成像、生物医学等领域都具有重要意义。
本发明实施例的基于深度学习的多光谱光场成像方法，如图1所示，包括以下步骤：
S1、使用主透镜、聚合物稳定液晶/向列相液晶复合微透镜阵列和CCD相机耦合得到一个光场相机，并使用该相机对待测物体进行成像，获得光场图像。具体做法为：将待测量物体、主透镜、液晶微透镜阵列与CCD相机放置在同一光轴上，如图2所示，给液晶器件加载电压，通过调节电压在CCD相机处获得清晰的光场图像。聚合物分散液晶薄膜的初始驱动电压为12Vrms，外加电压的改变范围可在10Vrms-14Vrms之间随机选择，通过不断刷新聚合物分散液晶薄膜的外加电压，选择较为清晰的光场图像。
S2、采用非周期性算法提取采集到的光场图像的子视角图，将子视角图采用像素拼接算法合并为一张二维mv格式的光场图像。
S3、获取多光谱数据集。通过下载公开ICVL数据库获取数据集，ICVL数据库包含.mat数据图像和对应的二维图像。该数据库提供的.mat文件数据都是以10nm为增量，从400nm到700nm，缩减采样至31个光谱通道的总共31个波段的全光谱分辨率反射率数据。对应的二维图像通过通用CIE1964滤波器响应函数将多光谱数据映射成二维图像。
S4、构建多光谱重建网络。如图3所示，多光谱重建网络的构建基于卷积神经网络，设计一个将相机光谱灵敏度函数集成到重建过程之中，以进行更精确的重建，通过将二维图像和光谱图像的差异合并为更精细的约束，集成到重建的损失过程中，提高重建结果的精度。相机光谱灵敏度集成到卷积神经网络的损失函数为：
L＝Lh+τLr
式中，τ为折衷参数,Lh为真实值对应的损失函数，Lr为光谱重建值对应的损失函数。给定真实值IHSI和光谱重建值ISR，这两个损失函数具体定义为：
式中，和/>表示第p个像素值，φ表示相机光谱灵敏度函数。N表示总像素数。
S5、利用多光谱图像数据集对构建的多光谱重建网络进行训练，得到多光谱重建训练模型。将获取的ICVL数据集中的.mat光谱图像文件和对应的二维图像导入到构建的神经网络中，训练300个周期，得到训练后的重建模型。
S6、利用多光谱重建网络得到的训练模型对光场图像进行重建，将一张二维mv格式的光场图像输入到训练好的模型中进行重建，得到400nm到700nm，步长为10nm的.mat文件数据，其中包含31个波段的图像，其中每个波段的图像同时具有光场和光谱信息。图4为模型输出的两个示例波段图像。
本发明还提供一种用于实现上述的基于深度学习的多光谱光场成像方法的基于深度学习的多光谱光场成像系统，包括；
采集模块，用于获取清晰的光场图像；
合成模块，用于提取清晰光场图像的子视角图，并将子视角图采用像素拼接算法合并成一张二维光场图像；
数据集模块，用于获取训练集，训练集为二维光场图像及与其对应的波段光谱图像；
构建模块，用于基于卷积神经网络构建多光谱重建网络，并将二维光场图像与波段光谱图像的差异，以及相机光谱灵敏度函数都集成到多光谱重建的损失计算中，构建的损失函数如下：
L＝Lh+τLr
式中，τ为折衷参数，Lh为真实值对应的损失函数，Lr为光谱重建值对应的损失函数；给定真实值IHSI和光谱重建值ISR，则这两个损失函数分别为：
式中，和/>表示图像的第p个像素值，N表示图像的总像素数，φ表示相机光谱灵敏度函数；
训练模块，用于以训练集的二维光场图像为输入，以其对应的波段光谱图像为输出，训练多光谱重建网络；
重建模块，用于将二维光场图像输入至训练好的多光谱重建网络，获得同时具有光场和光谱信息的波段光谱图像。
本领域的技术人员容易理解，以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于深度学习的多光谱光场成像方法，其特征在于，包括以下步骤：
S1、获取清晰的光场图像；
S2、提取清晰光场图像的子视角图，并将子视角图采用像素拼接算法合并成一张二维光场图像；
S3、获取训练集，训练集为二维光场图像及与其对应的波段光谱图像；
S4、基于卷积神经网络构建多光谱重建网络，并将二维光场图像与波段光谱图像的差异，以及相机光谱灵敏度函数都集成到多光谱重建的损失计算中，构建的损失函数如下：
L＝Lh+τLr
式中，τ为折衷参数，Lh为真实值对应的损失函数，Lr为光谱重建值对应的损失函数；给定真实值IHSI和光谱重建值ISR，则这两个损失函数分别为：
式中，和/>表示图像的第p个像素值，N表示图像的总像素数，φ表示相机光谱灵敏度函数；
S5、以训练集的二维光场图像为输入，以其对应的波段光谱图像为输出，训练多光谱重建网络；
S6、将二维光场图像输入至训练好的多光谱重建网络，获得同时具有光场和光谱信息的波段光谱图像。
2.根据权利要求1所述的基于深度学习的多光谱光场成像方法，其特征在于，获取清晰的光场图像包括：
将待测物体、主透镜、液晶微透镜阵列以及CCD相机放置在同一光轴上，给液晶微透镜阵列加载电压，调节电压在CCD相机处获得清晰的光场图像。
3.根据权利要求2所述的基于深度学习的多光谱光场成像方法，其特征在于，液晶微透镜阵列为聚合物稳定液晶或向列相液晶复合微透镜阵列。
4.根据权利要求1所述的基于深度学习的多光谱光场成像方法，其特征在于，采用非周期性算法提取光场图像的子视角图。
5.根据权利要求1所述的基于深度学习的多光谱光场成像方法，其特征在于，训练集为ICVL数据库。
6.一种用于实现权利要求1至5中任意一项所述的基于深度学习的多光谱光场成像方法的基于深度学习的多光谱光场成像系统，其特征在于，包括；
采集模块，用于获取清晰的光场图像；
合成模块，用于提取清晰光场图像的子视角图，并将子视角图采用像素拼接算法合并成一张二维光场图像；
数据集模块，用于获取训练集，训练集为二维光场图像及与其对应的波段光谱图像；
构建模块，用于基于卷积神经网络构建多光谱重建网络，并将二维光场图像与波段光谱图像的差异，以及相机光谱灵敏度函数都集成到多光谱重建的损失计算中，构建的损失函数如下：
L＝Lh+τLr
式中，τ为折衷参数，Lh为真实值对应的损失函数，Lr为光谱重建值对应的损失函数；给定真实值IHSI和光谱重建值ISR，则这两个损失函数分别为：
式中，和/>表示图像的第p个像素值，N表示图像的总像素数，φ表示相机光谱灵敏度函数；
训练模块，用于以训练集的二维光场图像为输入，以其对应的波段光谱图像为输出，训练多光谱重建网络；
重建模块，用于将二维光场图像输入至训练好的多光谱重建网络，获得同时具有光场和光谱信息的波段光谱图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111465479.2A CN114166346B (zh) | 2021-12-03 | 2021-12-03 | 基于深度学习的多光谱光场成像方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111465479.2A CN114166346B (zh) | 2021-12-03 | 2021-12-03 | 基于深度学习的多光谱光场成像方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114166346A CN114166346A (zh) | 2022-03-11 |
| CN114166346B true CN114166346B (zh) | 2023-07-18 |
Family
ID=80482629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111465479.2A Active CN114166346B (zh) | 2021-12-03 | 2021-12-03 | 基于深度学习的多光谱光场成像方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114166346B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114579776B (zh) * | 2022-03-14 | 2023-02-07 | 武汉工程大学 | 一种光场数据存储方法、装置、电子设备及计算机介质 |
| CN114913101B (zh) * | 2022-04-15 | 2023-08-15 | 武汉工程大学 | 多光谱光场重建方法、装置、电子设备及存储介质 |
| CN116782041B (zh) * | 2023-05-29 | 2024-01-30 | 武汉工程大学 | 一种基于液晶微透镜阵列的图像质量提高方法及系统 |
| CN118443593A (zh) * | 2024-04-19 | 2024-08-06 | 武汉工程大学 | 一种便携式光谱成像的材料鉴别方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110462679A (zh) * | 2017-05-19 | 2019-11-15 | 上海科技大学 | 快速多光谱光场成像方法和系统 |
| CN112019719A (zh) * | 2020-08-25 | 2020-12-01 | 武汉工程大学 | 基于光学分幅光场相机的高分辨率光场系统和成像方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160241797A1 (en) * | 2015-02-17 | 2016-08-18 | Canon Kabushiki Kaisha | Devices, systems, and methods for single-shot high-resolution multispectral image acquisition |
| US10607393B2 (en) * | 2017-03-10 | 2020-03-31 | Siemens Healthcare Gmbh | Consistent 3D rendering in medical imaging |
| US10657425B2 (en) * | 2018-03-09 | 2020-05-19 | Ricoh Company, Ltd. | Deep learning architectures for the classification of objects captured with a light-field camera |
-
2021
- 2021-12-03 CN CN202111465479.2A patent/CN114166346B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110462679A (zh) * | 2017-05-19 | 2019-11-15 | 上海科技大学 | 快速多光谱光场成像方法和系统 |
| CN112019719A (zh) * | 2020-08-25 | 2020-12-01 | 武汉工程大学 | 基于光学分幅光场相机的高分辨率光场系统和成像方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于光场的高分辨率非周期性视角图提取算法;彭晶，李晖，吴云韬;光学学报;第40卷(第1期);第2-6页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114166346A (zh) | 2022-03-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114166346B (zh) | 基于深度学习的多光谱光场成像方法及系统 | |
| Nie et al. | Deeply learned filter response functions for hyperspectral reconstruction | |
| Mihoubi et al. | Survey of demosaicking methods for polarization filter array images | |
| Arad et al. | Sparse recovery of hyperspectral signal from natural RGB images | |
| US9986177B2 (en) | Spectral enhancements to mobile devices | |
| US10823615B2 (en) | Hyperspectral imaging apparatus and method | |
| US10274420B2 (en) | Compact multifunctional system for imaging spectroscopy | |
| Kawakami et al. | High-resolution hyperspectral imaging via matrix factorization | |
| Wu et al. | Polarization image demosaicking using polarization channel difference prior | |
| Kelcey et al. | Sensor correction and radiometric calibration of a 6-band multispectral imaging sensor for UAV remote sensing | |
| CN103098089A (zh) | 用于产生超分辨率图像和用于实施该方法的非线性数字过滤器的方法 | |
| Raghavendra et al. | Comparative evaluation of super-resolution techniques for multi-face recognition using light-field camera | |
| CN111386549A (zh) | 一种混合型高光谱图像重构的方法及系统 | |
| Waheed et al. | Multifocus watermarking approach based on discrete cosine transform | |
| Correa et al. | Multiple snapshot colored compressive spectral imager | |
| CN114913101B (zh) | 多光谱光场重建方法、装置、电子设备及存储介质 | |
| Toivonen et al. | Snapshot hyperspectral imaging using wide dilation networks | |
| CN115014522A (zh) | 集成式计算光谱成像方法及装置 | |
| Xie et al. | Dual camera snapshot high-resolution-hyperspectral imaging system with parallel joint optimization via physics-informed learning | |
| US20210250526A1 (en) | Device for capturing a hyperspectral image | |
| KR101986998B1 (ko) | 하이퍼스펙트럼 이미지 장치 | |
| CN115791628A (zh) | 光谱恢复方法、光谱恢复装置和电子设备 | |
| Xu et al. | Wavelength encoding spectral imaging based on the combination of deeply learned filters and an RGB camera | |
| Qu et al. | Guided filter and principal component analysis hybrid method for hyperspectral pansharpening | |
| Delbracio et al. | Subpixel point spread function estimation from two photographs at different distances |
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 |