CN116222779B - 一种可调谐高光谱重构成像方法 - Google Patents
一种可调谐高光谱重构成像方法 Download PDFInfo
- Publication number
- CN116222779B CN116222779B CN202310221430.5A CN202310221430A CN116222779B CN 116222779 B CN116222779 B CN 116222779B CN 202310221430 A CN202310221430 A CN 202310221430A CN 116222779 B CN116222779 B CN 116222779B
- Authority
- CN
- China
- Prior art keywords
- matrix
- tunable
- hyperspectral
- representing
- target
- 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 33
- 239000011159 matrix material Substances 0.000 claims abstract description 230
- 230000003595 spectral effect Effects 0.000 claims abstract description 106
- 238000001228 spectrum Methods 0.000 claims abstract description 67
- 238000012546 transfer Methods 0.000 claims abstract description 44
- 238000002834 transmittance Methods 0.000 claims description 54
- 230000004044 response Effects 0.000 claims description 46
- 238000000034 method Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 20
- 230000005540 biological transmission Effects 0.000 claims description 14
- 230000009471 action Effects 0.000 claims description 10
- 238000000411 transmission spectrum Methods 0.000 claims description 7
- 238000005316 response function Methods 0.000 claims description 5
- 238000000701 chemical imaging Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 description 7
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 238000004590 computer program Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002195 synergetic effect Effects 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
- G01J3/12—Generating the spectrum; Monochromators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- 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
- G01J3/12—Generating the spectrum; Monochromators
- G01J2003/1213—Filters in general, e.g. dichroic, band
-
- 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
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及高光谱成像技术领域,具体涉及一种可调谐高光谱重构成像方法。本发明所提供的可调谐高光谱重构成像方法,包括如下步骤:提供可调谐高光谱成像仪,并确定目标场景和目标光谱矩阵;设定所述可调谐高光谱成像仪的调谐参数;通过所述调谐参数控制所述可调谐高光谱成像仪,获取对应的光谱数据;获取可调谐高光谱成像仪的信息传递特征矩阵;利用所述信息传递特征矩阵结合所述光谱数据,反向追踪目标光谱矩阵的稀疏系数矩阵;利用所述稀疏系数矩阵结合所述信息传递特征矩阵,重构目标场景的高光谱数据。本发明所述提供的调谐高光谱重构成像方法,突破了可调谐高光谱成像仪对光谱空间分辨率的限制,并获得了具有高光谱分辨率的光谱图形。
Description
技术领域
本发明涉及高光谱成像技术领域,具体涉及一种可调谐高光谱重构成像方法。
背景技术
随着光谱技术在生产生活、资源勘探、工业发展等领域深入应用,光谱技术与传统成像技术之间的协同共进发展成为了当前应用光学领域研究的热点。其中,高光谱成像技术是一种通过结合光谱分析技术和成像技术,同时获取目标物体或者目标场景的二维几何空间信息以及一维光谱信息的影像数据处理技术。相较于传统多光谱成像技术,高光谱技术所获得的光谱数据立方体对应更高的光谱分辨率。
当前,通过级联多个可调谐液晶滤光片制成高分辨可调谐高光谱成像仪器的概率模型已被提出,虽然这类高分辨可调谐高光谱成像仪器能够达到极高的光谱分辨率,但其空间分辨率受到成像仪中探测器的限制;同时,为了获得更高光谱分辨率的成像结果,需对应增加液晶滤光片的级数;但随着液晶滤波片级数的增加,高分辨可调谐高光谱成像仪器对有效场景光的损耗也急速增加。
发明内容
针对现有技术的不足以及实际应用的需求,第一方面,本发明提供了一种可调谐高光谱重构成像方法,旨在突破可调谐高光谱成像仪对光谱空间分辨率的限制,并获得具有高光谱分辨率的光谱图形。本发明所提供的可调谐高光谱重构成像方法,包括如下步骤:提供可调谐高光谱成像仪,并确定目标场景和目标光谱矩阵;设定所述可调谐高光谱成像仪的调谐参数;通过所述调谐参数控制所述可调谐高光谱成像仪,获取对应的光谱数据;获取可调谐高光谱成像仪的信息传递特征矩阵;利用所述信息传递特征矩阵结合所述光谱数据,反向追踪目标光谱矩阵的稀疏系数矩阵;利用所述稀疏系数矩阵结合所述信息传递特征矩阵,重构目标场景的高光谱数据。本发明通过表征可调谐高光谱成像仪自身信息传递性能的信息传递特征矩阵,反向追踪可用于重构光谱分辨率高于可调谐高光谱成像仪的目标光谱矩阵的稀疏系数矩阵,并利用所述稀疏系数矩阵实现了目标场景的高光谱数据的重构。同时,在获取可调谐高光谱成像仪的信息传递特征矩阵时,可根据可调谐高光谱成像仪在未调谐动作下对任意波段的透过率性能,对在调谐动作下的任意波段的透过率进行合理补充,在保证光谱分辨率提升的同时,也缓解了多级可调谐高光谱滤波器组成的可调谐高光谱成像仪由于滤波级数的增加,造成的有效场景光的损耗增加的问题。
可选地,所述可调谐高光谱成像仪包括多级可调谐高光谱滤波器。
可选地,所述确定目标场景和目标光谱矩阵,包括如下步骤:根据可调谐高光谱成像仪的可视范围,设定目标场景的长度和宽度/>;根据所述可调谐高光谱成像仪可探测的光谱范围,设定目标光谱范围/>;设定目标光谱分辨率/>,并利用所述目标光谱分辨率/>结合所述光谱范围/>以及光谱分辨率/>,定义目标光谱深度/>,所述目标光谱深度/>满足如下公式:/>;根据所述目标场景的长度/>、宽度/>、以及目标光谱深度/>,设定目标光谱矩阵。
可选地,所述的设定所述可调谐高光谱成像仪的调谐参数,包括如下步骤:设定调谐次数,并设定每一次调谐动作时调谐向量的具体参数。
可选地,所述获取可调谐高光谱成像仪的信息传递特征矩阵,包括如下步骤:根据所述调谐向量和调谐次数,分别搭建透过率特征矩阵模型和响应特征矩阵模型;利用所述透过率特征矩阵模型结合所述光谱数据,获得透过率特征矩阵;利用响应特征矩阵模型结合所述光谱数据,获得响应特征矩阵;组合所述透过率特征矩阵和响应特征矩阵,获得所述信息传递特征矩阵。
进一步可选地,所述透过率特征矩阵模型和所述响应特征矩阵模型,分别满足如下关系式:,/>,,/>,,其中,/>表示透过率特征矩阵模型,/>表示第/>段波段,,/>,/>表示目标光谱深度,/>,/>表示调谐次数,/>表示目标光谱范围,表示目标光谱分辨率,/>表示波段/>光线的透过率特征向量,/>表示波段/>光线在调谐向量/>下的透过率特征值,/>表示环境光强,/>表示波段/>光线通过以调谐向量/>调制可调谐高光谱成像仪之前的原始光强,/>表示波段/>光线通过以调谐向量/>调制可调谐高光谱成像仪之后的光强,/>表示响应特征矩阵模型,/>表示可调谐高光谱成像仪对波段/>光线的响应特征值,/>表示灰度响应函数,所述灰度响应函数的自变量为光强,表示波段/>光线的初始光线对应的灰度响应值,/>表示环境光线对应的灰度响应值,/>表示波段/>光线通过未调制的可调谐高光谱成像仪后的灰度响应值。
可选地,所述利用所述透过率特征矩阵模型结合所述光谱数据,获得透过率特征矩阵,还包括如下步骤:提供包含可调谐高光谱成像仪可探测的光谱范围对应波段的混合光;使用所述混合光照射未调谐工作状态下的可调谐高光谱成像仪,并获得对应光谱数据;利用所述对应光谱数据获得原始透过率光谱;通过所述原始透过率光谱,获得所述光谱范围内任意波段的光强损失;利用所述光强损失,补偿对应的透过率特征值。本发明针对三级或者三级以上的多级可调谐高光谱成像仪对应的透过率补偿方法,在保证光谱分辨率提升的同时,有效补偿了多级可调谐高光谱滤波器对有效场景光的损耗。
可选地,所述利用所述信息传递特征矩阵结合所述光谱数据,反向追踪目标光谱矩阵的稀疏系数矩阵,包括如下步骤:利用所述信息传递特征矩阵将目标光谱矩阵正交化,获得与信息传递特征矩阵不相关的目标光谱矩阵正交基矩阵和初始稀疏系数矩阵;根据正交结果,结合信息传递特征和所述光谱数据,获得重构条件;根据所述重构条件,反向追踪用于重构目标光谱矩阵的稀疏系数矩阵。本发明通过可调谐高光谱成像仪自身的信息传递特征矩阵,反向追踪用于重构目标光谱矩阵的稀疏系数矩阵,实现了利用可调谐高光谱成像仪获得的低维光谱数据获得原始场景光对应的高维目标光谱矩阵。
进一步可选地,所述重构条件满足如下关系式:,其中,/>表示通过可调谐高光谱成像仪获得的光谱数据获得的长度为/>,宽度为/>,光谱深度为m的高光谱数据,/>表示信息传递特征矩阵,/>表示目标光谱矩阵正交基矩阵,/>表示初始稀疏系数矩阵,/>表示初始稀疏系数矩阵的最小零阶范数,/>表示稀疏系数矩阵。
可选地,所述利用所述稀疏系数矩阵结合所述信息传递特征矩阵,重构目标场景的高光谱数据,包括如下步骤:利用所述稀疏系数矩阵结合所述信息传递特征矩阵,搭建重构模型,利用所述重构模型,重构所述目标场景的高光谱数据,其中,所述重构模型满足如下公式:,其中,/>表示通过可调谐高光谱成像仪获得的光谱数据获得的长度为/>,宽度为/>,光谱深度为m的高光谱数据,/>表示信息传递特征矩阵,/>表示目标光谱矩阵正交基矩阵,/>表示初始稀疏系数矩阵,/>表示初始稀疏系数矩阵的最小零阶范数,/>表示稀疏系数矩阵,/>表示初始稀疏系数矩阵的最小一阶范数,/>表示重构的高光谱数据。
第二方面,为能够高效地执行本发明所提供的可调谐高光谱重构成像方法,本发明还提供了一种可调谐高光谱重构成像系统,所述可调谐高光谱重构成像系统包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如本发明第一方面所提供的可调谐高光谱重构成像方法。本发明的可调谐高光谱重构成像系统,结构紧凑、性能稳定,能够高效地执行本发明的可调谐高光谱重构成像方法,提升本发明整体适用性和实际应用能力。
附图说明
图1为本发明的可调谐高光谱重构成像方法流程图;
图2为本发明的实施例中的搭建透过率特征矩阵模型和响应特征矩阵模型的方法流程图;
图3为本发明的可调谐高光谱重构成像系统结构图。
实施方式
下面将详细描述本发明的具体实施例,应当注意,这里描述的实施例只用于举例说明,并不用于限制本发明。在以下描述中,为了提供对本发明的透彻理解,阐述了大量特定细节。然而,对于本领域普通技术人员显而易见的是:不必采用这些特定细节来实行本发明。在其他实例中,为了避免混淆本发明,未具体描述公知的电路,软件或方法。
在整个说明书中,对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着:结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此,在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外,可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外,本领域普通技术人员应当理解,在此提供的示图都是为了说明的目的,并且示图不一定是按比例绘制的。
请参见图1,为突破可调谐高光谱成像仪对光谱空间分辨率的限制,并获得具有高光谱分辨率的光谱图形。本发明所提供的可调谐高光谱重构成像方法,包括如下步骤:
S01、提供可调谐高光谱成像仪,并确定目标场景和目标光谱矩阵。
步骤S01中提供的可调谐高光谱成像仪包括多级可调谐高光谱滤波器。随着可调谐高光谱成像仪中可调谐滤波器(可调谐滤波片)的级数增加,可调谐高光谱成像仪捕获的高光谱数据的光谱分辨率也就越高,重构的目标场景的高光谱数据也就也准确。在一个可选的实施例中,步骤S01提供的可调谐高光谱成像仪包含的多级可调谐高光谱滤波器为5级液晶可调谐高光谱滤波器。
进一步地,步骤S01所述的确定目标场景和目标光谱矩阵,包括如下步骤:根据可调谐高光谱成像仪的可视范围,设定目标场景的长度和宽度/>;根据所述可调谐高光谱成像仪可探测的光谱范围,设定目标光谱范围/>;设定目标光谱分辨率/>,并利用所述目标光谱分辨率/>结合所述光谱范围/>以及光谱分辨率/>,定义目标光谱深度/>,所述目标光谱深度/>满足如下公式:/>;根据所述目标场景的长度/>、宽度/>、以及目标光谱深度/>,设定目标光谱矩阵/>。应该理解,目标光谱矩阵/>为目标场景对应的高光谱数据立方体的一种表征形式。
S02、设定所述可调谐高光谱成像仪的调谐参数。
在一个可选的实施例中,步骤S02所述的设定所述可调谐高光谱成像仪的调谐参数,包括如下步骤:设定调谐次数,并设定每一次调谐动作时调谐向量的具体参数。应当理解,步骤S02所述调谐参数为调制可调谐高光谱成像仪中滤波器的调谐向量,进一步地,也包括总的调谐次数以及每一次调谐动作对应调谐向量的具体参数值。
例如,针对上述实施例中所述的包含5级液晶可调谐高光谱滤波器的可调谐高光谱成像仪,在本实施例中,调谐向量为每一级液晶滤波器的调制电压,其对应的记录形式为,其中,/>表示第m次调谐时加载在一级滤波片上调制电压,/>表示第m次调谐时加载在二级滤波片上调制电压,/>表示第m次调谐时加载在三级滤波片上调制电压,/>表示第m次调谐时加载在四级滤波片上调制电压,/>表示第m次调谐时加载在五级滤波片上调制电压。
S03、通过所述调谐参数控制所述可调谐高光谱成像仪,获取对应的光谱数据。
在一个可选的实施例中,步骤S03所述的通过所述调谐参数控制所述可调谐高光谱成像仪,获取对应的光谱数据,包括如下步骤:将所述目标场景的场景光通过所述可调谐高光谱成像仪;按照所述调谐次数,依次通过对应的调谐参数控制所述可调谐高光谱成像仪,获得不同调谐向量下的光谱图;将所述光谱图依次转化为对应的高光谱数据;通过汇总每一次调谐动作后的高光谱数据/>,获得光谱数据矩阵/>,其中,/>表示光谱数据矩阵的深度。应当理解,所述光谱数据矩阵/>是通过m张光谱数据图转化而成的,其是与目标光谱矩阵/>具有同样长度和宽度,但是深度不同的高光谱数据立方体。
S04、获取可调谐高光谱成像仪的信息传递特征矩阵。
在一个可选的实施例中,所述获取可调谐高光谱成像仪的信息传递特征矩阵,包括如下步骤:根据所述调谐向量和调谐次数,分别搭建透过率特征矩阵模型和响应特征矩阵模型;利用所述透过率特征矩阵模型结合所述光谱数据,获得透过率特征矩阵;利用响应特征矩阵模型结合所述光谱数据,获得响应特征矩阵;组合所述透过率特征矩阵和响应特征矩阵,获得所述信息传递特征矩阵。在本实施例中,搭建的透过率特征矩阵模型和响应特征矩阵模型,分别满足如下关系式:,,/>,/>,,其中,/>表示透过率特征矩阵模型,/>表示第/>段波段,,/>,/>表示目标光谱深度,/>,/>表示调谐次数,/>表示目标光谱范围,表示目标光谱分辨率,/>表示波段/>光线的透过率特征向量,/>表示波段/>光线在调谐向量/>下的透过率特征值,/>表示环境光强,/>表示波段/>光线通过以调谐向量/>调制可调谐高光谱成像仪之前的原始光强,/>表示波段/>光线通过以调谐向量/>调制可调谐高光谱成像仪之后的光强,/>表示响应特征矩阵模型,/>表示可调谐高光谱成像仪对波段/>光线的响应特征值,/>表示灰度响应函数,所述灰度响应函数的自变量为光强,表示波段/>光线的初始光线对应的灰度响应值,/>表示环境光线对应的灰度响应值,/>表示波段/>光线通过未调制的可调谐高光谱成像仪后的灰度响应值。
在一个可选的实施例中,为补偿三级或者三级以上的多级可调谐高光谱成像仪的透过率特性,上述实施例中所述的利用所述透过率特征矩阵模型结合所述光谱数据,获得透过率特征矩阵,还包括如下步骤:提供包含可调谐高光谱成像仪可探测的光谱范围对应波段的混合光;使用所述混合光照射未调谐工作状态下的可调谐高光谱成像仪,并获得对应光谱数据;利用所述对应光谱数据获得原始透过率光谱,所述原始透过率光谱满足如此下表征模型:,其中,/>表示未在调谐工作状态下的可调谐高光谱成像仪对波段为/>的光线的透过率损失百分比,/>表示波段/>光线经过未调谐的可调谐高光谱成像仪的光强,/>表示波段/>光线经过未调谐的可调谐高光谱成像仪之前的原始光强;通过所述原始透过率光谱,获得所述光谱范围内任意波段的光强损失;利用所述光强损失,补偿对应的透过率特征值,进一步地,补偿后的透过率特征值/>满足如下关系:。在本实施例中,通过补偿操作后获得的透过率特征矩阵模型满足如下关系式:/>,/>,。
针对三级或者三级以上的多级可调谐高光谱成像仪对应的透过率补偿方法,在保证光谱分辨率提升的同时,有效补偿了多级可调谐高光谱滤波器对有效场景光的损耗。
进一步地,请参见图2,在一个可选的实施例中,上述实施例中所述的根据所述调谐向量和调谐次数,分别搭建透过率特征矩阵模型和响应特征矩阵模型,包括如下步骤:
S0411、根据目标光谱深度、目标光谱范围以及目标光谱分辨率,划分波段,所述波段满足如下关系式:,其中,/>,,/>表示目标光谱深度,/>,/>表示目标光谱范围,/>表示目标光谱范围/>对应的起始波长,/>表示目标光谱范围/>对应的结束波长,/>表示目标光谱分辨率,,/>表示波段/>对应的起始波长,/>表示波段/>对应的起始波长的结束波长。
S0412、分别获得可调谐高光谱成像仪在任意调谐向量下,不同波段的透过率特征值,所述特征值满足如下公式:,其中,/>表示波段/>光线在调谐向量/>下的透过率特征值,/>表示环境光强,/>表示波段/>光线通过以调谐向量调制可调谐高光谱成像仪之前的原始光强,/>表示波段/>光线通过以调谐向量/>调制可调谐高光谱成像仪之后的光强。
S0413、汇总任一波段下,所有调谐向量对应的透过率特征值,获得透过率特征向量,所述透过率特征向量满足如下关系式:,其中,/>,/>表示调谐次数,/>表示第m次调谐动作对应的调谐向量,/>表示波段/>光线的对应透过率特征向量。
S0414、汇总所有波段对应的透过率特征向量,搭建透过率特征矩阵模型,所述透过率特征矩阵模型满足如下关系式:,其中,/>表示透过率特征矩阵,/>表示向量的转置计算。
S0415、分别获得可调谐高光谱成像仪对不同波段的灰度响应特征值,所述响应特征值满足如下公式:,其中,/>表示可调谐高光谱成像仪对波段/>光线的响应特征值,/>表示灰度响应函数,所述灰度响应函数的自变量为光强,表示波段/>光线的初始光线对应的灰度响应值,/>表示环境光线对应的灰度响应值,/>表示波段/>光线通过未调制的可调谐高光谱成像仪后的灰度响应值。
S0416、汇总所有波段对应的灰度响应值,搭建响应特征矩阵模型,所述响应特征矩阵模型满足如下关系式:,其中,/>表示响应特征矩阵。进一步地,所述响应特征矩阵的大小为/>,即该响应特征矩阵是一个数据量n的列向量。
S05、利用所述信息传递特征矩阵结合所述光谱数据,反向追踪目标光谱矩阵的稀疏系数矩阵。
在一个可选的实施例中,步骤S05所述的利用所述信息传递特征矩阵结合所述光谱数据,反向追踪目标光谱矩阵的稀疏系数矩阵,包括如下步骤:利用所述信息传递特征矩阵将目标光谱矩阵正交化,获得与信息传递特征矩阵不相关的目标光谱矩阵正交基矩阵和初始稀疏系数矩阵;根据正交结果,结合信息传递特征和所述光谱数据,获得重构条件;根据所述重构条件,反向追踪用于重构目标光谱矩阵的稀疏系数矩阵。步骤S05通过可调谐高光谱成像仪自身的信息传递特征矩阵,反向追踪用于重构目标光谱矩阵的稀疏系数矩阵,实现了利用可调谐高光谱成像仪获得的低维光谱数据获得原始场景光对应的高维目标光谱矩阵。
在本实施例中,所述信息传递特征矩阵利用上述实施例中获得的透过率特征矩阵和响应特征矩阵组合而成,即所述信息传递特征矩阵满足如下关系式:,其中,/>表示信息传递特征矩阵,/>表示透过率特征矩阵,/>表示响应特征矩阵;对应的通过可调谐高光谱成像仪获得光谱数据矩阵/>,满足如下等式:/>,其中,/>表示目标光谱矩阵。由于/>,即通过可调谐高光谱成像仪获得光谱数据矩阵的深度远远小于目标光谱深度,故要场景光的原始光谱信息重构,则需满足如下实现条件:,其中,/>与/>为范数阈值系数,/>,。步骤S05中利用所述信息传递特征矩阵将目标光谱矩阵正交化,获得与信息传递特征矩阵不相关的目标光谱矩阵正交基矩阵和初始稀疏系数矩阵,即目标光谱矩阵正交化的结果为/>,其中,/>表示目标光谱矩阵的正交基矩阵,/>表示目标光谱矩阵的稀疏系数矩阵,/>与/>互为不相关矩阵。通过上述正交结果,简化了上述实现条件,即获得了重构条件,所述重构条件满足如下关系式:/>,其中,/>表示通过可调谐高光谱成像仪获得的光谱数据获得的长度为/>,宽度为/>,光谱深度为m的高光谱数据,/>表示信息传递特征矩阵,/>表示目标光谱矩阵正交基矩阵,/>表示初始稀疏系数矩阵,/>表示初始稀疏系数矩阵的最小零阶范数,/>表示稀疏系数矩阵。
S06、利用所述稀疏系数矩阵结合所述信息传递特征矩阵,重构目标场景的高光谱数据。
在一个可选的实施例中,步骤S06所述的利用所述稀疏系数矩阵结合所述信息传递特征矩阵,重构目标场景的高光谱数据,包括了如下重构模型:,其中,/>表示通过可调谐高光谱成像仪获得的光谱数据获得的长度为/>,宽度为/>,光谱深度为m的高光谱数据,/>表示信息传递特征矩阵,/>表示目标光谱矩阵正交基矩阵,/>表示初始稀疏系数矩阵,/>表示初始稀疏系数矩阵的最小零阶范数,/>表示稀疏系数矩阵/>表示重构的高光谱数据。
为提升重构成像效率,将上述重构条件中求取稀疏系数矩阵的最小零阶范数的欠定问题,转化为求解稀疏系数矩阵的最小一阶范数的问题。在又一个可选的实施例中,步骤S06所述的利用所述稀疏系数矩阵结合所述信息传递特征矩阵,重构目标场景的高光谱数据,包括如下步骤:
利用所述稀疏系数矩阵结合所述信息传递特征矩阵,搭建重构模型,利用所述重构模型,重构所述目标场景的高光谱数据,其中,所述重构模型满足如下公式:,其中,/>表示通过可调谐高光谱成像仪获得的光谱数据获得的长度为/>,宽度为/>,光谱深度为m的高光谱数据,/>表示信息传递特征矩阵,/>表示目标光谱矩阵正交基矩阵,/>表示初始稀疏系数矩阵,/>表示初始稀疏系数矩阵的最小零阶范数,/>表示稀疏系数矩阵,/>表示初始稀疏系数矩阵的最小一阶范数,/>表示重构的高光谱数据。
本发明通过表征可调谐高光谱成像仪自身信息传递性能的信息传递特征矩阵,反向追踪可用于重构光谱分辨率高于可调谐高光谱成像仪的目标光谱矩阵的稀疏系数矩阵,并利用所述稀疏系数矩阵实现了重构目标场景的高光谱数据的重构。同时,在获取可调谐高光谱成像仪的信息传递特征矩阵时,可根据可调谐高光谱成像仪在未调谐动作下对任意波段的透过率性能,对在调谐动作下的任意波段的透过率进行合理补充,在保证光谱分辨率提升的同时,也缓解了多级可调谐高光谱滤波器组成的可调谐高光谱成像仪由于滤波级数的增加,造成的有效场景光的损耗增加的问题。
请参见图3,在一个可选的实施例中,为能够高效地执行本发明所提供的可调谐高光谱重构成像方法,本发明还提供了一种可调谐高光谱重构成像系统,所述可调谐高光谱重构成像系统包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如本发明第一方面所提供的可调谐高光谱重构成像方法。本发明的可调谐高光谱重构成像系统,结构紧凑、性能稳定,能够高效地执行本发明的可调谐高光谱重构成像方法,提升本发明整体适用性和实际应用能力。应该理解,本发明所提供的可调谐高光谱重构成像系统可以直接与上述实施例中所述的可调谐高光谱成像仪信号连接,也可以通过中间装置或者中间工作人员实现数据的交互。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,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,或者对其中部分或者全部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发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (8)
1.一种可调谐高光谱重构成像方法,其特征在于,所述可调谐高光谱重构成像方法,包括如下步骤:
提供可调谐高光谱成像仪,并确定目标场景和目标光谱矩阵;
设定所述可调谐高光谱成像仪的调谐参数;
通过所述调谐参数控制所述可调谐高光谱成像仪,获取对应的光谱数据;
获取可调谐高光谱成像仪的信息传递特征矩阵;
利用所述信息传递特征矩阵结合所述光谱数据,反向追踪目标光谱矩阵的稀疏系数矩阵;
利用所述稀疏系数矩阵结合所述信息传递特征矩阵,重构目标场景的高光谱数据;
所述利用所述信息传递特征矩阵结合所述光谱数据,反向追踪目标光谱矩阵的稀疏系数矩阵,包括如下步骤:
利用所述信息传递特征矩阵将目标光谱矩阵正交化,获得与信息传递特征矩阵不相关的目标光谱矩阵正交基矩阵和初始稀疏系数矩阵;
根据正交结果,结合信息传递特征和所述光谱数据,获得重构条件;
根据所述重构条件,反向追踪用于重构目标光谱矩阵的稀疏系数矩阵;
所述利用所述稀疏系数矩阵结合所述信息传递特征矩阵,重构目标场景的高光谱数据,包括如下步骤:
利用所述稀疏系数矩阵结合所述信息传递特征矩阵,搭建重构模型,利用所述重构模型,重构所述目标场景的高光谱数据,其中,所述重构模型满足如下公式:,其中,/>表示通过可调谐高光谱成像仪获得的光谱数据获得的长度为/>,宽度为/>,光谱深度为m的高光谱数据,/>表示信息传递特征矩阵,/>表示目标光谱矩阵正交基矩阵,/>表示初始稀疏系数矩阵,/>表示初始稀疏系数矩阵的最小零阶范数,/>表示稀疏系数矩阵,/>表示初始稀疏系数矩阵的最小一阶范数,/>表示重构的高光谱数据。
2.根据权利要求1所述的可调谐高光谱重构成像方法,其特征在于,所述可调谐高光谱成像仪包括多级可调谐高光谱滤波器。
3.根据权利要求1所述的可调谐高光谱重构成像方法,其特征在于,所述确定目标场景和目标光谱矩阵,包括如下步骤:
根据可调谐高光谱成像仪的可视范围,设定目标场景的长度和宽度/>;
根据所述可调谐高光谱成像仪可探测的光谱范围,设定目标光谱范围;
设定目标光谱分辨率,并利用所述目标光谱分辨率/>结合所述光谱范围/>以及光谱分辨率/>,定义目标光谱深度/>,所述目标光谱深度/>满足如下公式:/>;
根据所述目标场景的长度、宽度/>、以及目标光谱深度/>,设定目标光谱矩阵/>。
4.根据权利要求1所述的可调谐高光谱重构成像方法,其特征在于,所述的设定所述可调谐高光谱成像仪的调谐参数,包括如下步骤:
设定调谐次数,并设定每一次调谐动作时调谐向量的具体参数。
5.根据权利要求4所述的可调谐高光谱重构成像方法,其特征在于,所述获取可调谐高光谱成像仪的信息传递特征矩阵,包括如下步骤:
根据所述调谐向量和调谐次数,分别搭建透过率特征矩阵模型和响应特征矩阵模型;
利用所述透过率特征矩阵模型结合所述光谱数据,获得透过率特征矩阵;
利用响应特征矩阵模型结合所述光谱数据,获得响应特征矩阵;
组合所述透过率特征矩阵和响应特征矩阵,获得所述信息传递特征矩阵。
6.根据权利要求5所述的可调谐高光谱重构成像方法,其特征在于,所述透过率特征矩阵模型和所述响应特征矩阵模型,分别满足如下关系式:,/>,,/>,,其中,/>表示透过率特征矩阵模型,/>表示第/>段波段,,/>,/>表示目标光谱深度,/>,/>表示调谐次数,/>表示目标光谱范围,表示目标光谱分辨率,/>表示波段/>光线的透过率特征向量,/>表示波段/>光线在调谐向量/>下的透过率特征值,/>表示环境光强,/>表示波段/>光线通过以调谐向量/>调制可调谐高光谱成像仪之前的原始光强,/>表示波段/>光线通过以调谐向量/>调制可调谐高光谱成像仪之后的光强,/>表示响应特征矩阵模型,/>表示可调谐高光谱成像仪对波段/>光线的响应特征值,/>表示灰度响应函数,所述灰度响应函数的自变量为光强,表示波段/>光线的初始光线对应的灰度响应值,/>表示环境光线对应的灰度响应值,/>表示波段/>光线通过未调制的可调谐高光谱成像仪后的灰度响应值。
7.根据权利要求6所述的可调谐高光谱重构成像方法,其特征在于,所述利用所述透过率特征矩阵模型结合所述光谱数据,获得透过率特征矩阵,还包括如下步骤:
提供包含可调谐高光谱成像仪可探测的光谱范围对应波段的混合光;
使用所述混合光照射未调谐工作状态下的可调谐高光谱成像仪,并获得对应光谱数据;
利用所述对应光谱数据获得原始透过率光谱;
通过所述原始透过率光谱,获得所述光谱范围内任意波段的光强损失;
利用所述光强损失,补偿对应的透过率特征值。
8.根据权利要求7所述的可调谐高光谱重构成像方法,其特征在于,所述重构条件满足如下关系式:,其中,/>表示通过可调谐高光谱成像仪获得的光谱数据获得的长度为/>,宽度为/>,光谱深度为m的高光谱数据,/>表示信息传递特征矩阵,/>表示目标光谱矩阵正交基矩阵,/>表示初始稀疏系数矩阵,/>表示初始稀疏系数矩阵的最小零阶范数,/>表示稀疏系数矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310221430.5A CN116222779B (zh) | 2023-03-09 | 2023-03-09 | 一种可调谐高光谱重构成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310221430.5A CN116222779B (zh) | 2023-03-09 | 2023-03-09 | 一种可调谐高光谱重构成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116222779A CN116222779A (zh) | 2023-06-06 |
CN116222779B true CN116222779B (zh) | 2023-09-15 |
Family
ID=86578481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310221430.5A Active CN116222779B (zh) | 2023-03-09 | 2023-03-09 | 一种可调谐高光谱重构成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116222779B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016111308A1 (ja) * | 2015-01-07 | 2016-07-14 | 平本 政夫 | マルチスペクトル撮像装置 |
CN108955882A (zh) * | 2018-07-10 | 2018-12-07 | 北京理工大学 | 基于液晶高光谱计算成像系统的三维数据重构方法 |
CN113008370A (zh) * | 2021-03-02 | 2021-06-22 | 北京理工大学 | 基于液晶高光谱计算成像系统的三维自适应压缩重构方法 |
CN113865707A (zh) * | 2021-09-24 | 2021-12-31 | 西安电子科技大学 | 基于lctf和岭回归光谱模型的高光谱成像系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9922251B2 (en) * | 2016-08-18 | 2018-03-20 | Raytheon Company | Cued hybrid enhanced spectral system (CHESS) |
-
2023
- 2023-03-09 CN CN202310221430.5A patent/CN116222779B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016111308A1 (ja) * | 2015-01-07 | 2016-07-14 | 平本 政夫 | マルチスペクトル撮像装置 |
CN108955882A (zh) * | 2018-07-10 | 2018-12-07 | 北京理工大学 | 基于液晶高光谱计算成像系统的三维数据重构方法 |
CN113008370A (zh) * | 2021-03-02 | 2021-06-22 | 北京理工大学 | 基于液晶高光谱计算成像系统的三维自适应压缩重构方法 |
CN113865707A (zh) * | 2021-09-24 | 2021-12-31 | 西安电子科技大学 | 基于lctf和岭回归光谱模型的高光谱成像系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116222779A (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10274420B2 (en) | Compact multifunctional system for imaging spectroscopy | |
US8842937B2 (en) | Spectral image dimensionality reduction system and method | |
CN106788714B (zh) | 一种基于光学计算的稀疏解混方法 | |
EP2511680A2 (en) | Optimized orthonormal system and method for reducing dimensionality of hyperspectral Images | |
US20140198236A1 (en) | Generating Modulation Patterns for the Acquisition of Multiscale Information in Received Signals | |
CN113008370B (zh) | 基于液晶高光谱计算成像系统的三维自适应压缩重构方法 | |
US8189958B2 (en) | Method of fast image reconstruction | |
Qian et al. | Vector quantization using spectral index-based multiple subcodebooks for hyperspectral data compression | |
CN109087262B (zh) | 一种多视图光谱图像的重建方法、存储介质 | |
Tuna et al. | Iterative enhanced multivariance products representation for effective compression of hyperspectral images | |
Gkillas et al. | Connections between deep equilibrium and sparse representation models with application to hyperspectral image denoising | |
CN116222779B (zh) | 一种可调谐高光谱重构成像方法 | |
Zhang et al. | Denoising vegetation spectra by combining mathematical-morphology and wavelet-transform-based filters | |
Fu et al. | Compressed LISTA exploiting Toeplitz structure | |
CN107884070B (zh) | 一种衍射光谱光场计算成像系统 | |
US20190238732A1 (en) | Lens apparatus, imaging apparatus, image processing apparatus and method, and storage medium | |
Wang et al. | Hyperspectral unmixing using deep learning | |
Bai et al. | Pyramid diffractive optical networks for unidirectional magnification and demagnification | |
CN111126452B (zh) | 一种基于主成分分析的地物光谱曲线扩展方法及系统 | |
Bernabé et al. | GPU implementation of a constrained hyperspectral coded aperture algorithm for compressive sensing | |
CN107895063A (zh) | 一种压缩高光谱掩膜优化方法 | |
Mejia et al. | Filtered gradient reconstruction algorithm for compressive spectral imaging | |
Barajas-Solano et al. | Spectral video compression using convolutional sparse coding | |
Bjorgan et al. | Application of smoothing splines for spectroscopic analysis in hyperspectral images | |
Guerra et al. | A hardware-friendly algorithm for compressing hyperspectral images |
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 |