CN115993187A - 一种光谱成像中心波长入射角度偏移的校准方法及设备 - Google Patents
一种光谱成像中心波长入射角度偏移的校准方法及设备 Download PDFInfo
- Publication number
- CN115993187A CN115993187A CN202310093558.8A CN202310093558A CN115993187A CN 115993187 A CN115993187 A CN 115993187A CN 202310093558 A CN202310093558 A CN 202310093558A CN 115993187 A CN115993187 A CN 115993187A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- cube
- spectral
- center wavelength
- specific sample
- 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
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明主要提供了一种光谱成像中心波长入射角度偏移的校准方法及设备,属于光谱成像图像校准技术领域,本发明的校准方法基于所搭建的校准模型,首先采集均匀分布的特定样本及大参考白板的光谱图像数据,归一化计算样本不同入射角的光谱反射率及基准反射率,形成数据集合并建立相应的映射关系,形成训练样本集合,输入到校准模型中对其进行训练,得到最终的校准模型,模型搭建完成后采集待检测样本并计算获取新的光谱数据集合输入到校准模型中,对光谱数据进行校准。本发明提高了法布里珀罗干涉腔光谱相机的识别准确率,消除了中心波长偏移的影响,方法设计巧妙,易于实现;同时,不需要重新建立光谱应用模型,实现成本更低,效率更高。
Description
技术领域
本发明属于光谱成像图像校准技术领域,尤其涉及一种光谱成像中心波长入射角度偏移的校准方法及设备。
背景技术
中心波长偏移是法布里珀罗干涉腔(法珀腔)固有的物理特性,只要入射光不能够准直地进入法布里珀罗干涉腔,那么任何基于法布里珀罗干涉腔实现的多光谱或者高光谱成像系统都会存在中心波长偏移的问题,并且跟法布里珀罗干涉腔的技术实现方式(静电式/压电式/其他方式)无关。目前现有的基于法布里珀罗干涉腔实现的多光谱或者高光谱成像系统都无法做到让入射光完全准直地进入法布里珀罗干涉腔,因此必定会存在中心波长偏移的问题。
现有的技术方案中更多的是设计和修改光谱成像的光学系统来达到让光线尽可能的准直地进入法布里珀罗干涉腔,但是目前已知的基于法布里珀罗实现的光谱成像的光学系统中还无法做到100%让所有光线都能够准直的进入法布里珀罗干涉腔,并且由此会导致光谱相机的FOV变小,通光率降低等等问题,同时修改光学系统的技术难度和实现成本也会更高。
同时也有技术方案尝试在光谱图像中增加光谱空间特征,来消除中心波长偏移的影响,使后期的光谱应用模型以正确的波长看待光谱反射率数据,其虽然可以解决中心波长偏移对光谱应用模型的影响,但是需要重新建立光谱应用模型,增加了新的问题。
发明内容
针对上述问题,本发明专利提出了一种光谱成像中心波长入射角度偏移的校准模型搭建方法,包括以下步骤:
步骤1,使用法布里珀罗干涉腔的光谱相机拍摄采集均匀分布的特定样本光谱图像数据;所述均匀分布的特定样本,是在光谱图像范围内,每个入射角度θ都分布有特定样本物质;所述光谱图像成像数据是一种三维形式的光谱立方体,包含二维的图像信息m行*n列和一维的光谱信息k个谱段;
使用法布里珀罗干涉腔的光谱相机拍摄获取大标准漫反射参考白板的光谱图像数据,所述大标准漫反射参考白板的光谱图像数据也是一种三维形式的光谱立方体,包含二维的图像信息和一维的光谱信息k个谱段;
步骤2,使用获取的大标准漫反射参考白板的光谱立方体对特定样本的光谱立方体进行归一化处理,获取每个入射角度θ下特定样本物质的反射率,以及图像中心位置0度垂直入射时特定样本物质的基准光谱反射率;
步骤3,将每个入射角度θ及其对应特定样本物质的反射率建立数据集集合Xθ,同时,建立k个谱段的基准光谱反射率集合Y;
Xθ=[Reflection_1,Reflection_2,...,Reflection_k,入射角度θ]
Reflection_k表示在第k个谱段的角度θ时的反射率;
Y=[Reflection_0_1,Reflection_0_2,...,Reflection_0_k]Reflection_0_k表示在第k个谱段的入射角度为0时的基准光谱反射率;
步骤4,建立Xθ与Y之间的映射关系,并形成训练样本数据集;
步骤5,初始化校准模型的参数,输入训练样本数据集,经过多次迭代后,在预测误差降低到设置的阈值时停止迭代,得到最终的校准模型。
优选的,所述使用获取的大标准漫反射参考白板的光谱立方体对特定样本的光谱立方体进行归一化处理,归一化公式如下:
Cube_norm表示大小为m*n*k的三维矩阵,代表归一后的目标物光谱立方体,可以获取光谱立方体二维图像中的每一个像素点分别在k个谱段中的反射率值Reflection;Cube_target表示大小为m*n*k的三维矩阵,代表归一前的特定样本的光谱立方体;Cube_white表示大小为m*n*k的三维矩阵,代表大标准漫反射参考白板的光谱立方体。
优选的,还考虑黑参考的影响,所述步骤1中还要获取拍摄的大黑参考光谱立方体,即将相机的镜头盖合上,确保周围没有环境光,然后进行拍摄;所述归一化公式进一步变形为:
Cube_dark表示大小为m*n*k的三维矩阵,代表大黑参考光谱立方体。优选的,所述入射角度θ的计算公式为:
θ=arctan(w/h)
入射角度θ根据偏离相机镜头光学中心轴的水平距离w和特定样本与镜头中心的垂直距离h计算得到。
优选的,所述校准模型采用神经网络模型、支持向量机模型、逻辑回归模型或贝叶斯分类模型中的任意一种。
本发明第二方面提供了一种光谱成像中心波长入射角度偏移的校准方法,包括以下过程:
获取通过法布里珀罗干涉腔的光谱相机拍摄的待检测特定样本的光谱图像数据,即光谱立方体;
使用获取的大标准漫反射参考白板的光谱立方体对待检测特定样本的光谱立方体进行归一化处理,获取其在k个谱段的反射率及对应的入射角度θ,建立数据集合;
将建立的数据集合输入到如第一方面所述的模型搭建方法所搭建的校准模型中进行校准;
输出校准后的正确的待检测特定样本的反射率数据集合以进行光谱曲线绘制。
本发明第三方面还提供了一种光谱成像中心波长入射角度偏移的校准设备,所述设备包括至少一个处理器和至少一个存储器;所述存储器中存储有计算机执行程序;所述处理器执行所述存储器中存储的执行程序时,可以使处理器执行如第二方面所述的光谱成像中心波长入射角度偏移的校准方法。
本发明第四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中存储有计算机执行程序,所述计算机执行程序被处理器执行时,用于实现如如第二方面所述的光谱成像中心波长入射角度偏移的校准方法。
本发明的有益效果:现有的技术方案中更多的是设计和修改光谱成像的光学系统来达到让光线尽可能的准直地进入法布里珀罗干涉腔,但由此会导致光谱相机的FOV变小,通光率降低等等问题,同时修改光学系统的技术难度和实现成本也会更高,而本发明所述校准方法无需改变已有的光谱成像系统,通过获取均匀分布的特定样本光谱图像数据,并通过大标准漫反射参考白板进行归一化,获取光谱图像每个谱段二维空间坐标中对应的每个角度的实际反射率与每个谱段的基准反射率,建立映射关系得到数据集训练样本,通过训练搭建一种不同入射角和0度入射角的光谱反射率映射机器学习模型,可以对再次拍摄的待检测样本的对应谱段的反射率进行校准,从而可以绘制出准确的反射率光谱曲线,提高了识别的准确率,消除了中心波长偏移的影响,方法设计巧妙,易于实现;同时,不需要重新建立光谱应用模型,实现成本更低,效率更高,普适和通用性更强。
附图说明
图1为法布里珀罗干涉腔原理图。
图2为实验实际观测到的中心波长偏移原理图。
图3为中心波长偏移导致光谱曲线偏移现象示意图。
图4为本发明校准方法流程图。
图5为光谱立方体示意图。
图6为皮革样本在920nm谱段的图像。
图7为大标准漫反射参考白板在920nm谱段的图像。
图8为皮革样本归一化的反射率图像。
图9为相机镜头偏移入射角示意图。
图10为在920nm谱段不同入射角的反射率曲线。
图11为在0和11角度下的10个谱段反射率曲线。
图12为神经网络多层感知器分类模型结构示意图。
图13为测试样本验证时的反射率曲线示意图。
图14为反射率曲线校准前真假皮革分类对比图。
图15为反射率曲线校准后真假皮革分类对比图。
图16为本发明实施例2中校准设备的结构简易示意图。
具体实施方式
下面结合具体实施例对发明进行进一步说明。
实施例1:
法布里珀罗干涉腔透射率公式为:
其中R代表反射率。
如图1所示,n代表材料的折射率;θ代表折射角;T代表透射率,T1代表第一次透射率,T2代表第二次透射率;R代表反射率,R0代表第一次反射的反射率,R1代表第二次反射的反射率,R2代表第三次反射的反射率;l代表法布里珀罗腔体的厚度。根据图1法布里珀罗干涉腔原理图和推导出的法布里珀罗干涉腔透射率公式可知,在一阶范围内,通过法布里珀罗干涉腔的具有最大透射率的中心波长λ跟光线入射角θ成反比关系。当θ在[0,90°]范围内变化时,随着θ的增加,cosθ减小,具有最大透射率的中心波长λ也会随之减小。
图2是通过实验实际观测到的中心波长偏移现象,横轴代表图像宽度,纵轴代表图像高度,单位为纳米,可以看见从图像中间到图像四周,中心波长从720nm偏移到690nm,图像中心的中心波长比图像四周的中心波长大,该现象跟从上述公式中推导出的结论一致。也就是说,θ越大,其所对应的图像区域就越偏向图像四周,而该区域的获取最大反射率的中心波长也随之减小。
图3是在实验中观测到的由于中心波长偏移导致光谱曲线偏移的现象。光谱曲线中的横轴代表波长,纵轴代表反射率,将同一目标物,放置于不同空间位置,拍摄光谱图像,通过将多光谱曲线和高光谱曲线进行对比,可以看见由于受到中心波长偏移的影响,A点的光谱特征曲线的波段范围是从725nm到920nm;B点的光谱特征曲线的波段范围是从705nm到885nm。
针对上述问题,本发明专利提出了一种全新的方法,通过获取均匀分布的特定样本光谱图像数据,并通过大标准漫反射参考白板进行归一化,获取光谱图像每个谱段二维空间坐标中对应的每个角度的实际反射率与每个谱段的基准反射率,建立映射关系得到数据集训练样本,通过训练搭建一种不同入射角和0度入射角的光谱反射率映射机器学习模型,可以对再次拍摄的待检测样本的对应谱段的反射率进行校准,从而可以绘制出准确的反射率光谱曲线,消除了中心波长偏移的影响。
本发明中的校准方法,最重要的是如何搭建这样一种校准模型,校准模型搭建完成后,可以基于校准模型进行校准。下面结合附图4对本发明的模型搭建方法及校准方法进行详细的阐述。
本发明中的模型搭建方法,主要包括以下步骤:
步骤1,使用法布里珀罗干涉腔的光谱相机拍摄采集均匀分布的特定样本光谱图像数据;所述均匀分布的特定样本,是在光谱图像范围内,每个入射角度θ都分布有特定样本物质;所述光谱图像成像数据是一种三维形式的光谱立方体,包含二维的图像信息m行*n列和一维的光谱信息k个谱段。光谱立方体的结构如图5所示,二维的图像信息(空间信息)m行*n列(例如:1024行x1280列)和一维的光谱信息k个谱段(例如:k=10个谱段)。
使用法布里珀罗干涉腔的光谱相机拍摄获取大标准漫反射参考白板的光谱图像数据,所述大标准漫反射参考白板的光谱图像数据也是一种三维形式的光谱立方体,包含二维的图像信息和一维的光谱信息k个谱段;
步骤2,使用获取的大标准漫反射参考白板的光谱立方体对特定样本的光谱立方体进行归一化处理,获取每个入射角度θ下特定样本物质的反射率,以及图像中心位置0度垂直入射时特定样本物质的基准光谱反射率;
步骤3,将每个入射角度θ及其对应特定样本物质的反射率建立数据集集合Xθ,同时,建立k个谱段的基准光谱反射率集合Y;
Xθ=[Reflection_1,Reflection_2,...,Reflection_k,入射角度θ]
Reflection_k表示在第k个谱段的角度θ时的反射率;
Y=[Reflection_0_1,Reflection_0_2,...,Reflection_0_k]Reflection_0_k表示在第k个谱段的入射角度为0时的基准光谱反射率;
步骤4,建立Xθ与Y之间的映射关系,并形成训练样本数据集;
步骤5,初始化校准模型的参数,输入训练样本数据集,经过多次迭代后,在预测误差降低到设置的阈值时停止迭代,得到最终的校准模型。
本实施例以皮革样本为例对上述方法进行展开说明。
1.采集均匀分布的皮革样本光谱图像数据及大标准漫反射参考白板的光谱图像数据。
采用10通道(即10个谱段,通道范围:713nm~920nm)多光谱相机对均匀的真假皮革样本进行观测,如图6所示,为一个皮革样本第10个通道(920nm)的原始光谱图像,其中皮革图像覆盖了右侧大部分的图像范围(也适用于覆盖全部图像范围的样本,这里仅举例说明),确保每个入射角度θ都分布有皮革样本。
同样的,采用10通道多光谱相机对均匀的大标准漫反射参考白板进行观测,如图7所示,为大标准漫反射参考白板第10个通道(920nm)的原始光谱图像,并覆盖了全部图像范围。
2.归一化处理获取每个入射角度θ下皮革样本的反射率及基准光谱反射率。
使用获取的大标准漫反射参考白板的光谱立方体对皮革样本的光谱立方体进行归一化处理,归一化公式如下:
Cube_norm表示大小为m*n*k的三维矩阵,代表归一后的目标物光谱立方体,可以获取光谱立方体二维图像中的每一个像素点分别在k个谱段中的反射率值Reflection;Cube_target表示大小为m*n*k的三维矩阵,代表归一前的特定样本的光谱立方体;Cube_white表示大小为m*n*k的三维矩阵,代表大标准漫反射参考白板的光谱立方体。基准光谱反射率为图像中心位置0度垂直入射皮革样本按照上述公式获取。
如果考虑黑参考的影响,还要获取拍摄的大黑参考光谱立方体,即将相机的镜头盖合上,确保周围没有环境光,然后进行拍摄;所述归一化公式进一步变形为:
Cube_dark表示大小为m*n*k的三维矩阵,代表大黑参考光谱立方体。
如图8所示为第10个通道(920nm)的皮革样本归一化反射率图像。
关于入射角度θ的计算公式为:
θ=arctan(w/h)
入射角度θ根据偏离相机镜头光学中心轴的水平距离w和特定样本与镜头中心的垂直距离h计算得到,如图9所示。
对比920nm不同入射角的反射率,如图10所示,0度入射角的反射率作为没有角度偏移的基准光谱反射率,随着入射角的增大,反射率有整体降低的趋势。
对比不同入射角下10个通道的反射率曲线,如图11所示,实线表示0度入射角的基准光谱曲线,虚线表示11度入射角的光谱曲线,与基准光谱曲线相比产生了一定误差。
3.将每个入射角度θ及其对应皮革样本的反射率建立数据集集合Xθ,同时,建立k个谱段的基准光谱反射率集合Y,建立映射关系。
Xθ=[Reflection_1,Reflection_2,...,Reflection_k,入射角度θ]
Reflection_k表示在第k个谱段的角度θ时的反射率;
Y=[Reflection_0_1,Reflection_0_2,...,Reflection_0_k]Reflection_0_k表示在第k个谱段的入射角度为0时的基准光谱反射率。
同时,建立Xθ与Y之间的映射关系,并形成训练样本数据集。
Y=NeuralNet(Xθ)
4.初始化并训练校准机器模型,获得最终的校准模型。
机器学习是一种人工智能技术,其基本思想是,通过给计算机提供大量的数据和指导信息,让计算机自动找出规律并做出决策。在机器学习中,算法通过观察数据并学习数据之间的关系来预测输出。机器学习可以分为监督学习、无监督学习和半监督学习三种类型。监督学习是指算法在训练过程中是通过已知的输入/输出对来学习的,而无监督学习则是在没有已知输出的情况下学习的。半监督学习是指在训练数据中有一部分有标签,一部分没有标签的情况下进行的学习。本实施例中的校准模型采用神经网络多层感知器分类模型,结构图如图12所示也可以采用支持向量机模型、逻辑回归模型或贝叶斯分类模型中的任意一种。
初始化神经网络模型参数,输入训练样本,经过多次迭代之后,在预测误差降低到设置的阈值时停止迭代,得到最终的神经网络模型。用测试样本做验证,如图13所示,实心圆实线表示0度入射角基准反射率曲线,三角形虚线表示校准之前的11度入射角反射率曲线,正方形实线表示经过神经网络校准之后的反射率曲线,可以看出与基准反射率曲线更加接近。
本发明的光谱成像中心波长入射角度偏移的校准方法基于通过上述过程所搭建的校准模型,应用校准模型进行校准的过程以及效果验证如下:
获取通过法布里珀罗干涉腔的光谱相机拍摄的待检测皮革样本的光谱图像数据,即光谱立方体;
使用获取的大标准漫反射参考白板的光谱立方体对待检测皮革样本的光谱立方体进行归一化处理,获取其在k个谱段的反射率及对应的入射角度θ,建立数据集合;
将建立的数据集合输入到模型搭建方法所搭建的校准模型中进行校准;
输出校准后的正确的待检测特定样本的反射率数据集合以进行光谱曲线绘制。
如图14及图15所示,裁剪新的真假皮革样本块,对比反射率校准前后的分类效果。左图为皮革样本828nm通道原始光谱数据,右图为每一个像素的三分类(真皮、假皮、背景)预测标签图像,并根据每一个皮革图像块的预测标签结果占比作为预测准确率,标记在图像中心。反射率校准前的平均准确率为92%,反射率校准后平均准确率提高至97%,验证了本发明校准方法的有效性。
实施例2:
如图16所示,本发明同时提供了一种光谱成像中心波长入射角度偏移的校准设备,所述设备包括至少一个处理器和至少一个存储器以及内部总线;存储器中存储有计算机执行程序;处理器执行所述存储器存储的执行程序时,可以使处理器执行如实施例1所述的光谱成像中心波长入射角度偏移的校准方法。其中内部总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(XtendedIndustry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。其中存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。设备可以被提供为终端、服务器或其它形态的设备。
图16为示例性示出的一种设备的框图。设备可以包括以下一个或多个组件:处理组件,存储器,电源组件,多媒体组件,音频组件,输入/输出(I/O)的接口,传感器组件,以及通信组件。处理组件通常控制电子设备的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件可以包括一个或多个处理器来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件可以包括一个或多个模块,便于处理组件和其他组件之间的交互。例如,处理组件可以包括多媒体模块,以方便多媒体组件和处理组件之间的交互。
存储器被配置为存储各种类型的数据以支持在电子设备的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件为电子设备的各种组件提供电力。电源组件可以包括电源管理系统,一个或多个电源,及其他与为电子设备生成、管理和分配电力相关联的组件。多媒体组件包括在所述电子设备和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件包括一个前置摄像头和/或后置摄像头。当电子设备处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件被配置为输出和/或输入音频信号。例如,音频组件包括一个麦克风(MIC),当电子设备处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或经由通信组件发送。在一些实施例中,音频组件还包括一个扬声器,用于输出音频信号。I/O接口为处理组件和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件包括一个或多个传感器,用于为电子设备提供各个方面的状态评估。例如,传感器组件可以检测到电子设备的打开/关闭状态,组件的相对定位,例如所述组件为电子设备的显示器和小键盘,传感器组件还可以检测电子设备或电子设备一个组件的位置改变,用户与电子设备接触的存在或不存在,电子设备方位或加速/减速和电子设备的温度变化。传感器组件可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件被配置为便于电子设备和其他设备之间有线或无线方式的通信。电子设备可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
实施例3:
本发明还提供了一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行程序,计算机执行程序被处理器执行时,用于实现如实施例1所述的光谱成像中心波长入射角度偏移的校准方法。
具体地,可以提供配有可读存储介质的系统、装置或设备,在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统、装置或设备的计算机或处理器读出并执行存储在该可读存储介质中的指令。在这种情况下,从可读介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此机器可读代码和存储机器可读代码的可读存储介质构成了本发明的一部分。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘(如CD-ROM、CD-R、CD-RW、DVD-20ROM、DVD-RAM、DVD-RW、DVD-RW)、磁带等。存储介质可以是通用或专用计算机能够存取的任何可用介质。
应理解,上述处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application Specific Integrated Circuit,简称:ASIC)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。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
应理解存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits,简称:ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于终端或服务器中。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
上述虽然对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.一种光谱成像中心波长入射角度偏移的校准模型搭建方法,其特征在于,包括以下步骤:
步骤1,使用法布里珀罗干涉腔的光谱相机拍摄采集均匀分布的特定样本光谱图像数据;所述均匀分布的特定样本,是在光谱图像范围内,每个入射角度θ都分布有特定样本物质;所述光谱图像成像数据是一种三维形式的光谱立方体,包含二维的图像信息m行*n列和一维的光谱信息k个谱段;
使用法布里珀罗干涉腔的光谱相机拍摄获取大标准漫反射参考白板的光谱图像数据,所述大标准漫反射参考白板的光谱图像数据也是一种三维形式的光谱立方体,包含二维的图像信息和一维的光谱信息k个谱段;
步骤2,使用获取的大标准漫反射参考白板的光谱立方体对特定样本的光谱立方体进行归一化处理,获取每个入射角度θ下特定样本物质的反射率,以及图像中心位置0度垂直入射时特定样本物质的基准光谱反射率;
步骤3,将每个入射角度θ及其对应特定样本物质的反射率建立数据集集合Xθ,同时,建立k个谱段的基准光谱反射率集合Y;
Xθ=[Reflection_1,Reflection_2,...,Reflection_k,入射角度θ]
Reflection_k表示在第k个谱段的角度θ时的反射率;
Y=[Reflection_0_1,Reflection_0_2,...,Reflection_0_k]
Reflection_0_k表示在第k个谱段的入射角度为0时的基准光谱反射率;
步骤4,建立Xθ与Y之间的映射关系,并形成训练样本数据集;
步骤5,初始化校准模型的参数,输入训练样本数据集,经过多次迭代后,在预测误差降低到设置的阈值时停止迭代,得到最终的校准模型。
4.如权利要求1所述的一种光谱成像中心波长入射角度偏移的校准模型搭建方法,其特征在于,所述入射角度θ的计算公式为:
θ=arctan(w/h)
入射角度θ根据偏离相机镜头光学中心轴的水平距离w和特定样本与镜头中心的垂直距离h计算得到。
5.如权利要求1所述的一种光谱成像中心波长入射角度偏移的校准模型搭建方法,其特征在于:所述校准模型采用神经网络模型、支持向量机模型、逻辑回归模型或贝叶斯分类模型中的任意一种。
6.一种光谱成像中心波长入射角度偏移的校准方法,其特征在于,包括以下过程:
获取通过法布里珀罗干涉腔的光谱相机拍摄的待检测特定样本的光谱图像数据,即图像光谱立方体;
使用获取的大标准漫反射参考白板的光谱立方体对待检测特定样本的光谱立方体进行归一化处理,获取其在k个谱段的反射率及对应的入射角度θ,建立数据集合;
将建立的数据集合输入到如权利要求1至5任意一项所述的模型搭建方法所搭建的校准模型中进行校准;
输出校准后的正确的待检测特定样本的反射率数据集合以进行光谱曲线绘制。
7.一种光谱成像中心波长入射角度偏移的校准设备,其特征在于,所述设备包括至少一个处理器和至少一个存储器;所述存储器中存储有计算机执行程序;所述处理器执行所述存储器中存储的执行程序时,可以使处理器执行如权利要求6所述的光谱成像中心波长入射角度偏移的校准方法。
8.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中存储有计算机执行程序,所述计算机执行程序被处理器执行时,用于实现如权利要求6所述的光谱成像中心波长入射角度偏移的校准方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310093558.8A CN115993187A (zh) | 2023-02-03 | 2023-02-03 | 一种光谱成像中心波长入射角度偏移的校准方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310093558.8A CN115993187A (zh) | 2023-02-03 | 2023-02-03 | 一种光谱成像中心波长入射角度偏移的校准方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115993187A true CN115993187A (zh) | 2023-04-21 |
Family
ID=85991814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310093558.8A Pending CN115993187A (zh) | 2023-02-03 | 2023-02-03 | 一种光谱成像中心波长入射角度偏移的校准方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115993187A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117824834A (zh) * | 2024-01-08 | 2024-04-05 | 优尼科(青岛)微电子有限公司 | 一种可抑制中心波长漂移的mems光谱成像系统及方法 |
-
2023
- 2023-02-03 CN CN202310093558.8A patent/CN115993187A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117824834A (zh) * | 2024-01-08 | 2024-04-05 | 优尼科(青岛)微电子有限公司 | 一种可抑制中心波长漂移的mems光谱成像系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2960823B1 (en) | Method, device and system for managing authority | |
CN109165738B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
CN110598504B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN109934275B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111753895A (zh) | 数据处理方法、装置及存储介质 | |
CN115993187A (zh) | 一种光谱成像中心波长入射角度偏移的校准方法及设备 | |
CN113569992B (zh) | 异常数据识别方法及装置、电子设备和存储介质 | |
CN111435432A (zh) | 网络优化方法及装置、图像处理方法及装置、存储介质 | |
US9645641B2 (en) | Reflection-based control activation | |
CN110751659A (zh) | 图像分割方法及装置、终端、存储介质 | |
US20220270352A1 (en) | Methods, apparatuses, devices, storage media and program products for determining performance parameters | |
CN105678296A (zh) | 确定字符倾斜角度的方法及装置 | |
CN111753917A (zh) | 数据处理方法、装置及存储介质 | |
CN113312967A (zh) | 一种检测方法、装置和用于检测的装置 | |
CN109460458B (zh) | 查询改写意图的预测方法及装置 | |
CN111859097B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN115690388B (zh) | 一种基于法珀腔光谱成像的图像数据预处理方法及设备 | |
CN107292901A (zh) | 边缘检测方法及装置 | |
CN111753539A (zh) | 一种识别敏感文本的方法及装置 | |
JP2022508990A (ja) | 顔認識方法及び装置、電子機器、並びに記憶媒体 | |
CN111860552A (zh) | 基于核自编码器的模型训练方法、装置及存储介质 | |
CN116091208A (zh) | 基于图神经网络的信贷风险企业识别方法和装置 | |
CN111062447B (zh) | 通过降维方式进行风力发电机故障诊断的方法和装置 | |
CN110991566B (zh) | 通过信息融合方式进行风力发电机故障诊断的方法和装置 | |
CN112712385B (zh) | 广告推荐方法、装置、电子设备及存储介质 |
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 |