CN115112236A - 多光谱传感器标定方法及装置 - Google Patents
多光谱传感器标定方法及装置 Download PDFInfo
- Publication number
- CN115112236A CN115112236A CN202210764143.4A CN202210764143A CN115112236A CN 115112236 A CN115112236 A CN 115112236A CN 202210764143 A CN202210764143 A CN 202210764143A CN 115112236 A CN115112236 A CN 115112236A
- Authority
- CN
- China
- Prior art keywords
- sensor
- spectral
- data
- illumination
- 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 72
- 238000005286 illumination Methods 0.000 claims abstract description 72
- 230000003595 spectral effect Effects 0.000 claims abstract description 68
- 238000001228 spectrum Methods 0.000 claims abstract description 51
- 230000004044 response Effects 0.000 claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 150000001875 compounds Chemical class 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 239000012528 membrane Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000012742 biochemical analysis Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 239000002096 quantum dot Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
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
- G01J3/28—Investigating the spectrum
- G01J3/2823—Imaging spectrometer
- G01J2003/2826—Multispectral imaging, e.g. filter imaging
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明提出一种多光谱传感器标定方法及装置，其中方法包括，搭建复色光照系统复色光照系统由具有不同光照光谱的多类光源构成；通过预设的程序控制复色光照系统，按时间序列生成不同光谱的复色光照；对不同时刻的复色光照，使用待标定多光谱传感器和标准光谱仪同时采集传感器采集数据‑光照光谱数据，构成传感器采集数据‑光照光谱数据集；设计光谱响应反解算法，从传感器采集数据‑光照光谱数据集中计算得到所述多光谱传感器的光谱响应。本发明方案简单、高效，能够做到准确标定和精确高光谱重建。
Description
技术领域
本发明涉及一种多光谱传感器标定方法与系统，属于计算摄像学领域。
背景技术
光谱传感器能够测量物质的光谱信息，从而对物质成分及结构进行分析，广泛应用于科学研究和工业应用中，是食品检测、环境监测、生化分析、照明监测、生物特征识别等领域的基本重要工具。因此，开展高光谱图像的信息获取和重建工作具有重要意义。近些年来，研究人员将目光转向了快照型光谱成像系统，最具代表的为采用滤光层和探测器组合的光谱传感器，其中滤光层是通过打印量子点、聚合物等宽带材料的滤光膜阵列，因为基于多光谱复用原理，具有宽带性质的滤光材料使系统具有更高的光通量，且不损失空间分辨率、光谱分辨率、时间分辨率并具有更小的体积和更高的集成度。
但是，基于宽带材料光谱复用滤光膜的传感器无法像窄带滤光阵列传感器一样直接读取光谱维的数据，需要首先求解获得宽带复用滤光膜阵列编码特性的解码器，然后通过该解码器从原始数据中重建出高光谱图像数据。而以往的求解方式是采用直接标定的方法，通过搭建光学系统分别获得不同波段下传感器的响应从而获得带有滤光膜阵列的传感器的光谱编码矩阵，然后通过求伪拟或迭代优化的方式获得解码器。这样的方式一方面会受到测量噪声(仪器误差、操作误差等)的干扰；另一方面受标定中光学系统所用的可调滤波器的最小半高宽的限制，标定过程中存在波形泄漏和谱间串扰且无法消除，因此会直接影响标定的光谱编码矩阵的精度，对后续重建算法的精度带来很大影响。
本发明所提出的一种多光谱传感器标定方法与系统为间接标定法，可以完全避免上述标定过程所带来的误差，通过数据驱动的方式间接获得待标定传感器的光谱解耦器，从而利用该更精准的解耦器实现高精度高光谱重建。并设计搭建了原型标定系统进行原理验证。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的第一个目的在于提出一种多光谱传感器标定方法，用于实现高精度高光谱重建。
本发明的第二个目的在于提出一种多光谱传感器标定装置。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种计算机可读存储介质。
为达上述目的，本发明第一方面实施例提出了一种多光谱传感器标定方法，包括：
搭建复色光照系统，所述复色光照系统由具有不同光照光谱的多类光源构成；
通过预设的程序控制所述复色光照系统，按时间序列生成不同光谱的复色光照；
对不同时刻的复色光照，使用待标定多光谱传感器和标准光谱仪同时采集传感器采集数据-光照光谱数据，构成传感器采集数据-光照光谱数据集；
设计光谱响应反解算法，从所述传感器采集数据-光照光谱数据集中计算得到所述多光谱传感器的光谱响应。
另外，根据本发明上述实施例的多光谱传感器标定方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述复色光照系统的光源是控制生成在所要求波段范围内的不同光谱的复色光，并具有多个不同中心波长的窄带LED、宽带LED、激光器、宽谱光源经过滤波片整形后的光源。
进一步地，在本发明的一个实施例中，所述待标定多光谱传感器是直接或者间接获取场景的多光谱图像、高光谱图像或光谱曲线的编码耦合数据，所述待标定多光谱传感器包括基于色散介质、基于编码孔径、基于宽带滤波阵列、基于宽带探测阵列的计算光谱型传感器。
进一步地，在本发明的一个实施例中，所述使用待标定多光谱传感器和标准光谱仪同时采集传感器采集数据-光照光谱数据，包括：
将所述标准光谱仪采集的数据作为所述待标定多光谱传感器的光谱测量的真值。
所述光谱响应反解算法，包括：
通过所述传感器采集数据-光照光谱数据集得到待标定多光谱传感器的光谱解耦矩阵，所述光谱响应反解算法包括基于矩阵求逆的直接法、基于迭代的传统优化方法、基于卷积神经网络的学习方法、基于注意力机制和多层感知机的网络模型、深度展开网络。
进一步地，在本发明的一个实施例中，所述所要求波段范围，包括待标定多光谱传感器的响应波段，所述复色光照系统用于根据生成的所述所要求波段范围内不同光谱的复色光源表征传感器对该波段光谱响应特性。
为达上述目的，本发明第二方面实施例提出了一种多光谱传感器标定装置，包括：
构建模块，用于搭建复色光照系统，所述复色光照系统由具有不同光照光谱的多类光源构成；
生成模块，用于通过预设的程序控制所述复色光照系统，按时间序列生成不同光谱的复色光照；
采集模块，用于对不同时刻的复色光照，使用待标定多光谱传感器和标准光谱仪同时采集传感器采集数据-光照光谱数据，构成传感器采集数据-光照光谱数据集；
计算模块，用于设计光谱响应反解算法，从所述传感器采集数据-光照光谱数据集中计算得到所述多光谱传感器的光谱响应。
进一步地，在本发明的一个实施例中，所述计算模块，还用于：
通过所述传感器采集数据-光照光谱数据集得到待标定多光谱传感器的光谱解耦矩阵，所述光谱响应反解算法包括基于矩阵求逆的直接法、基于迭代的传统优化方法、基于卷积神经网络的学习方法、基于注意力机制和多层感知机的网络模型、深度展开网络。
为达上述目的，本发明第三方面实施例提出了一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上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，实现如上所述的多光谱传感器标定方法。
为达上述目的，本发明第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的多光谱传感器标定方法。
本发明实施例提出的多光谱传感器标定方法及装置，提出了一种新的适用于上述传感器的间接标定方法、设计了一个可以实现该标定方法的集成式标定设备、以及结合该标定方法实现的基于神经网络解耦器的高光谱重建算法。通过间接标定方法可以获得最准确的反映传感器耦合特性的大量数据，并使用该数据对构建的神经网络进行训练得到最佳性能解耦器，从而重建出该传感器下最精确的高光谱图像。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例所提供的一种多光谱传感器标定方法的流程示意图。
图2为本发明实施例所提供的一种多光谱传感器标定装置的流程示意图。
图3为根据本发明一实施例的基于宽带复用滤光膜阵列的高光谱传感器结构示意图。
图4为根据本发明一实施例的多光谱传感器标定的集成化标定设备示意图。
图5为根据本发明一实施例的具体标定方法的系统样例测试图。
图6是根据本发明一实施例的所提出的基于卷积神经网络和注意力机制的重建算法结构图。
图7是实现对待标定多光谱传感器从标定到高光谱重建的整体流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的多光谱传感器标定方法和装置。
图1为本发明实施例所提供的一种多光谱传感器标定方法的流程示意图。
如图1所示，该多光谱传感器标定方法包括以下步骤：
S101：搭建复色光照系统，复色光照系统由具有不同光照光谱的多类光源构成；
进一步地，在本发明的一个实施例中，复色光照系统的光源是控制生成在所要求波段范围内的不同光谱的复色光，并具有多个不同中心波长的窄带LED、宽带LED、激光器、宽谱光源经过滤波片整形后的光源。
进一步地，在本发明的一个实施例中，所述所要求波段范围，包括待标定多光谱传感器的响应波段，所述复色光照系统用于根据生成的所述所要求波段范围内不同光谱的复色光源表征传感器对该波段光谱响应特性。
S102：通过预设的程序控制复色光照系统，按时间序列生成不同光谱的复色光照；
S103：对不同时刻的复色光照，使用待标定多光谱传感器和标准光谱仪同时采集传感器采集数据-光照光谱数据，构成传感器采集数据-光照光谱数据集；
进一步地，在本发明的一个实施例中，待标定多光谱传感器是直接或者间接获取场景的多光谱图像、高光谱图像或光谱曲线的编码耦合数据，待标定多光谱传感器包括基于色散介质、基于编码孔径、基于宽带滤波阵列、基于宽带探测阵列的计算光谱型传感器。
进一步地，在本发明的一个实施例中，使用待标定多光谱传感器和标准光谱仪同时采集传感器采集数据-光照光谱数据，包括：
将标准光谱仪采集的数据作为待标定多光谱传感器的光谱测量的真值。
S104：设计光谱响应反解算法，从传感器采集数据-光照光谱数据集中计算得到所述多光谱传感器的光谱响应。
进一步地，在本发明的一个实施例中，光谱响应反解算法，包括：
通过传感器采集数据-光照光谱数据集得到待标定多光谱传感器的光谱解耦矩阵，光谱响应反解算法包括基于矩阵求逆的直接法、基于迭代的传统优化方法、基于卷积神经网络的学习方法、基于注意力机制和多层感知机的网络模型、深度展开网络。
本发明的目的是实现基于宽带复用滤光膜阵列传感器的高精度标定和高光谱重建。包括提出了一种新的适用于上述传感器的间接标定方法、设计了一个可以实现该标定方法的集成式标定设备、以及结合该标定方法实现的基于神经网络解耦器的高光谱重建算法。作用是通过间接标定方法可以获得最准确的反映传感器耦合特性的大量数据，并使用该数据对构建的神经网络进行训练得到最佳性能解耦器，从而重建出该传感器下最精确的高光谱图像。
本发明提出的适用于宽带复用滤光膜阵列传感器的间接标定方法步骤如下所示：
S201：搭建多光谱光源发生系统，用于生产不同光谱曲线的纯色均匀光源。光源照射在漫反射平面白板上。
S202：将带有滤光膜阵列的传感器放在垂直于白板一定距离的位置上，并保证传感器视场范围内所摄画面的光源均匀且一致。
S203：将高精度光谱仪的光纤接收头固定在和传感器同一位置且垂直于白板的成像平面上。
S204：通过程序控制多光谱光源产生第i种光源(起始时i＝1)，传感器采集当前光源下的响应值，光谱仪采集当前光源下的真实光谱序列，因为是均匀纯色场景，所以场景的高光谱数据即是采集的光谱序列在空间维度的复制。
S205：重复S204，每次i+1，直至i>N停止循环。每次产生的光源都不一样。最终生成N组“传感器响应二维矩阵-高光谱三维矩阵”数据，足以表征宽带复用滤光膜传感器的光谱耦合特性。
为了更方便实现上述的标定过程，设计并实现了一套集成式标定系统。标定系统由下述部件构成：多光谱LED环、散射环、嵌入式主控板、整合外壳。其中多光谱LED是由多个中心波长不同的单色发光二极管制成的环形LED照明电路以及相应的控制电路，该LED圆环围绕在传感器周围，从而保证光的均匀和平行，表现在测量上的指标便是传感器视场内不同空间位置光谱曲线的一致性。其中散射环的作用是分散LED的光，确保光更加均匀。嵌入式主控板作用是通过电脑程序间接控制LED产生所需要的不同光谱的各种纯色光的媒介。整合外壳是为了固定上述部件和传感器，确保传感器和光源的相对位置固定不变。
按照本发明所述技术方案，使用上述间接标定法获得的N组数据用于驱动重建网络，最终训练得到可以表征传感器光谱耦合性质的网络，该网络可以作为解耦器将传感器采集得到的二维响应矩阵重建获得解耦后的三维高光谱数据，具体重建网络和方法步骤如下：
S301：构建基于编解码架构的卷积神经网络。因为可以将该宽带复用滤光膜阵列传感器的成像模型建模为下述形式：
其中Φ(x，y，λ)表示包括滤光膜在内的传感器的光谱转移矩阵，S(x，y，λ)表示场景的三维高光谱数据，I(x，y)表示传感器的二维响应数据。在以往的建模和标定中，通常将Φ(x，y，λ)分解为滤光膜的响应积分上CMOS传感器的响应，然后单独标定滤光膜的响应特性，然而这会引入很多不必要的噪声，大大影响整体的标定精度。上述间接标定法统一建模滤光膜和CMOS传感器的整体响应特性，采集的数据对分别对应于该模型中的I-S数据对，因此构建网络表征的便是该物理模型中Φ的逆过程即解耦过程。
S302：使用上述采集到的N组“传感器响应二维矩阵-高光谱三维矩阵”数据，将传感器响应二位矩阵作为输入、高光谱三维矩阵作为真值，训练上述网络直至在验证集上的损失收敛到极小值。
S303：部署上述神经网络在移动平台上，连接传感器，传感器采集当前场景的二维响应数据并输入网络，网络输出的三维数据即为场景的高光谱数据。
综上所述，结合本发明所提出的间接标定法，使用上述重建网络可以避免标定误差的情况下方便快捷地重建出高精度高光谱数据。本发明的优点是：对基于宽带复用滤光膜阵列的高光谱传感器有更简单、快速、精准的标定结果，结合神经网络可以自然生成一个符合真实物理成像模型的解耦器，从而使用该解耦器重建出高精度高光谱数据。
本发明通过以下具体实例来进行具体说明，但本发明并不局限于以下具体实例。
对于某个光谱探测范围为400-1000nm、空间分辨率为512*512的灰度CMOS传感器，宽带复用滤光膜阵列是由多种范围在400-1000nm内有不同光谱透过响应的宽带材料点规则排布而成。如图3所示，该滤光膜附着在传感器表面组合成具有宽带调制作用的传感器，该传感器对于场景光的调制作用可以建模为：
通过本发明中所提出的间接标定法对制备好的附着有滤光膜阵列的传感器进行整体标定，并训练一个解耦器对后续采集到的数据进行重建恢复高光谱数据，如图7所示，具体步骤如下：
S401：将图4所示组装本发明所提集成式标定设备，并按照图5所示搭建整个标定系统。其中多光谱LED环可以在400-1000nm光谱范围内生成不同光谱曲线的纯色光。
S402：如图5所示，在搭建好标定系统后，设置程序控制多光谱LED环在400-1000nm内的12个特征中心波长处分别改变每个特征峰的强度，通过组合可以形成无数种波形，我们选取最具代表的10000种，然后分别顺序采集这10000组数据。首先LED环发射一种波形的光，然后传感器采集原始二维数据，光谱仪采集一维序列数据并扩展为三维纯色场景的高光谱数据。直至采集完这10000组“传感器响应二维矩阵-高光谱三维矩阵”数据。
S403：如图6所示，构建基于编解码架构的重建网络。因为场景中某一点的光谱信息和该点所述物体的结构信息并无关系，而本发明中的滤光膜阵列中调制点也是规则排列在某个调制单元中且单元是重复排列平铺形成该滤光膜阵列的，因此可以自然结合该性质，通过传感器滤光膜上某个重复的单元重建出一条一维光谱序列，所有单元均可重建出一条当前场景中处于该单元的物质的光谱曲线，所有单元并行重建即可恢复出整个场景的高光谱数据。这也印证了为什么只用纯色光即可训练该重建网络的原因。上述重建过程，构建在了图6所示的网络中，因为该网络天生并行且具备上述性质，因此可以通过输入S402标定采集的“传感器响应二维矩阵-高光谱三维矩阵”数据对其进行训练。
S404：判断S403中对于重建网络是否训练结束，当在验证集上的误差收敛到阈值以下便可以结束训练。
S405：在移动端设备上部署S404所训练好的网络模型，该模型通过使用标定的数据进行训练获得，因此可以直接作为上述宽带复用滤光膜阵列传感器的光谱解耦器。
S406：传感器采集当前场景的二维响应值，通过上述解耦器进行解耦重建获得三维高光谱数据。至此，完成一帧图像的重建。重复该步骤便可以持续获得所摄场景的高光谱数据。
通过S401至S406，即实现了对宽带复用滤光膜阵列传感器的标定和高光谱重建。
为了实现上述实施例，本发明还提出一种多光谱传感器标定装置。
图2为本发明实施例提供的一种多光谱传感器标定装置的结构示意图。
如图2所示，该多光谱传感器标定装置包括：构建模块10，生成模块20,采集模块30,计算模块40；
其中，构建模块，用于搭建复色光照系统，复色光照系统由具有不同光照光谱的多类光源构成；
生成模块，用于通过预设的程序控制复色光照系统，按时间序列生成不同光谱的复色光照；
采集模块，用于对不同时刻的复色光照，使用待标定多光谱传感器和标准光谱仪同时采集传感器采集数据-光照光谱数据，构成传感器采集数据-光照光谱数据集；
计算模块，用于设计光谱响应反解算法，从传感器采集数据-光照光谱数据集中计算得到所述多光谱传感器的光谱响应。
进一步地，在本发明的一个实施例中，计算模块，还用于：
通过传感器采集数据-光照光谱数据集得到待标定多光谱传感器的光谱解耦矩阵，光谱响应反解算法包括基于矩阵求逆的直接法、基于迭代的传统优化方法、基于卷积神经网络的学习方法、基于注意力机制和多层感知机的网络模型、深度展开网络。
为达上述目的，本发明第三方面实施例提出了一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上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，实现如上所述的多光谱传感器标定方法。
为达上述目的，本发明第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的多光谱传感器标定方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
尽管上面已经示出和描述了本发明的实施例，可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种多光谱传感器标定方法，其特征在于，包括以下步骤：
搭建复色光照系统，所述复色光照系统由具有不同光照光谱的多类光源构成；
通过预设的程序控制所述复色光照系统，按时间序列生成不同光谱的复色光照；
对不同时刻的复色光照，使用待标定多光谱传感器和标准光谱仪同时采集传感器采集数据-光照光谱数据，构成传感器采集数据-光照光谱数据集；
设计光谱响应反解算法，从所述传感器采集数据-光照光谱数据集中计算得到所述多光谱传感器的光谱响应。
2.根据权利要求1所述的方法，其特征在于，所述复色光照系统的光源是控制生成在所要求波段范围内的不同光谱的复色光，并具有多个不同中心波长的窄带LED、宽带LED、激光器、宽谱光源经过滤波片整形后的光源。
3.根据权利要求1所述的方法，其特征在于，所述待标定多光谱传感器是直接或者间接获取场景的多光谱图像、高光谱图像或光谱曲线的编码耦合数据，所述待标定多光谱传感器包括基于色散介质、基于编码孔径、基于宽带滤波阵列、基于宽带探测阵列的计算光谱型传感器。
4.根据权利要求1所述的方法，其特征在于，所述使用待标定多光谱传感器和标准光谱仪同时采集传感器采集数据-光照光谱数据，包括：
将所述标准光谱仪采集的数据作为所述待标定多光谱传感器的光谱测量的真值。
5.根据权利要求1所述的方法，其特征在于，所述光谱响应反解算法，包括：
通过所述传感器采集数据-光照光谱数据集得到待标定多光谱传感器的光谱解耦矩阵，所述光谱响应反解算法包括基于矩阵求逆的直接法、基于迭代的传统优化方法、基于卷积神经网络的学习方法、基于注意力机制和多层感知机的网络模型、深度展开网络。
6.根据权利要求2所述的方法，其特征在于，所述所要求波段范围，包括待标定多光谱传感器的响应波段，所述复色光照系统用于根据生成的所述所要求波段范围内不同光谱的复色光源表征传感器对该波段光谱响应特性。
7.一种多光谱传感器标定装置，其特征在于，包括：
构建模块，用于搭建复色光照系统，所述复色光照系统由具有不同光照光谱的多类光源构成；
生成模块，用于通过预设的程序控制所述复色光照系统，按时间序列生成不同光谱的复色光照；
采集模块，用于对不同时刻的复色光照，使用待标定多光谱传感器和标准光谱仪同时采集传感器采集数据-光照光谱数据，构成传感器采集数据-光照光谱数据集；
计算模块，用于设计光谱响应反解算法，从所述传感器采集数据-光照光谱数据集中计算得到所述多光谱传感器的光谱响应。
8.根据权利要求7所述的装置，其特征在于，所述计算模块，还用于：
通过所述传感器采集数据-光照光谱数据集得到待标定多光谱传感器的光谱解耦矩阵，所述光谱响应反解算法包括基于矩阵求逆的直接法、基于迭代的传统优化方法、基于卷积神经网络的学习方法、基于注意力机制和多层感知机的网络模型、深度展开网络。
9.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上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，实现如权利要求1-6中任一所述的多光谱传感器标定方法。
10.一种计算机可读存储介质，其上存储有计算机程序，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1-6任意一项所述的多光谱传感器标定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210764143.4A CN115112236B (zh) | 2022-06-30 | 2022-06-30 | 多光谱传感器标定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210764143.4A CN115112236B (zh) | 2022-06-30 | 2022-06-30 | 多光谱传感器标定方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115112236A true CN115112236A (zh) | 2022-09-27 |
| CN115112236B CN115112236B (zh) | 2023-06-09 |
Family
ID=83330023
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210764143.4A Active CN115112236B (zh) | 2022-06-30 | 2022-06-30 | 多光谱传感器标定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115112236B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200011951A1 (en) * | 2018-07-06 | 2020-01-09 | The Board Of Trustees Of The Leland Stanford Junior University | Deep Learning based Methods to Accelerate Multi-Spectral Imaging |
| US20200264046A1 (en) * | 2017-09-26 | 2020-08-20 | Ecole Polytechnique Federale De Lausanne (Epfl) | Multichromatic calibration method and device |
| CN113256733A (zh) * | 2021-05-14 | 2021-08-13 | 四川大学 | 基于置信度投票卷积神经网络的相机光谱灵敏度重建方法 |
| US20210383151A1 (en) * | 2018-12-19 | 2021-12-09 | Lysia | Hyperspectral detection device |
-
2022
- 2022-06-30 CN CN202210764143.4A patent/CN115112236B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200264046A1 (en) * | 2017-09-26 | 2020-08-20 | Ecole Polytechnique Federale De Lausanne (Epfl) | Multichromatic calibration method and device |
| US20200011951A1 (en) * | 2018-07-06 | 2020-01-09 | The Board Of Trustees Of The Leland Stanford Junior University | Deep Learning based Methods to Accelerate Multi-Spectral Imaging |
| US20210383151A1 (en) * | 2018-12-19 | 2021-12-09 | Lysia | Hyperspectral detection device |
| CN113256733A (zh) * | 2021-05-14 | 2021-08-13 | 四川大学 | 基于置信度投票卷积神经网络的相机光谱灵敏度重建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115112236B (zh) | 2023-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7616306B2 (en) | Compressive sampling and signal inference | |
| CN106815878B (zh) | 一种基于多视角多光谱层析成像的图像重建方法 | |
| WO2000037903A1 (en) | Method and apparatus for determining the appearance of an object | |
| CN110108358A (zh) | 一种高光谱成像方法及装置 | |
| CN111598962B (zh) | 基于矩阵草图分析的单像素成像方法和装置 | |
| CN116124752B (zh) | 一种基于多光谱调控的组织仿生模体及其生成方法 | |
| CN115931123A (zh) | 基于自适应优化稀疏字典的光谱重建计算方法及光谱系统 | |
| CN114353946A (zh) | 一种衍射快照光谱成像方法 | |
| CN116380241A (zh) | 光谱仪 | |
| CN113256733B (zh) | 基于置信度投票卷积神经网络的相机光谱灵敏度重建方法 | |
| CN115112236B (zh) | 多光谱传感器标定方法及装置 | |
| CN111551252B (zh) | 一种基于神经网络的光谱响应设计方法 | |
| Narea-Jiménez et al. | Assessment of a computed tomography imaging spectrometer using an optimized expectation-maximization algorithm | |
| CN116449049B (zh) | 一种基于多色光深度编码和光场相机的三维流场测试方法及系统 | |
| Leblanc et al. | Interferometric lensless imaging: rank-one projections of image frequencies with speckle illuminations | |
| CN112229514B (zh) | 液晶高光谱计算成像系统的三维数据重构方法 | |
| CN115031934B (zh) | 一种图像传感器光谱响应度的测量装置和方法 | |
| CN116359125A (zh) | 光谱分析装置和终端设备以及成像方法 | |
| Gao et al. | RBF-based reconstruction method for tomographic imaging of temperature and water vapor concentration in flames | |
| CN118411441A (zh) | 基于特种光纤单曝光光谱成像的内窥检测系统及其方法 | |
| CN117036889A (zh) | 一种基于mlp的遥感影像融合方法 | |
| CN118190866A (zh) | 基于近红外超表面的快照式光谱恢复方法 | |
| Kang et al. | Differentiable Dynamic Visible-Light Tomography | |
| CN116183522A (zh) | 一种单曝光压缩高光谱成像系统及方法 | |
| CN114612585A (zh) | 一种基于卷积受限玻尔兹曼机的二维重建方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |