CN116433551A - 基于双光路rgb融合的高分辨率高光谱成像方法及装置 - Google Patents
基于双光路rgb融合的高分辨率高光谱成像方法及装置 Download PDFInfo
- Publication number
- CN116433551A CN116433551A CN202310696883.3A CN202310696883A CN116433551A CN 116433551 A CN116433551 A CN 116433551A CN 202310696883 A CN202310696883 A CN 202310696883A CN 116433551 A CN116433551 A CN 116433551A
- Authority
- CN
- China
- Prior art keywords
- noise
- rgb
- image
- representing
- frequency information
- 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 80
- 230000004927 fusion Effects 0.000 title claims abstract description 53
- 238000000701 chemical imaging Methods 0.000 title claims abstract description 38
- 238000005070 sampling Methods 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 23
- 230000004913 activation Effects 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 19
- 230000003595 spectral effect Effects 0.000 claims description 18
- 238000003384 imaging method Methods 0.000 claims description 17
- 238000001228 spectrum Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000009792 diffusion process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000000295 complement effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 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
- 238000002834 transmittance 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
Description
技术领域
本发明涉及高光谱成像技术领域,具体涉及一种基于双光路RGB融合的高分辨率高光谱成像方法及装置。
背景技术
高光谱成像以窄带记录现实世界的场景光谱,其中每个波段捕获特定光谱波长的信息,与普通RGB图像相比,高光谱图像具有更多通道,储存了更丰富的场景信息,基于这一特点,高光谱图像在遥感、医学诊断、目标检测等领域有广泛的应用。传统高光谱相机光路复杂,难以实现高分辨率和高信噪比成像,导致高光谱图像应用价值的降低,并且通过现有成像设备获取高分辨率高光谱图像存在成本高昂的问题,如何精确、低成本地获取高分辨率的高光谱图像这一关键技术问题吸引了众多关注。
发明内容
本发明要解决的技术问题:针对现有技术的上述问题,提供一种基于双光路RGB融合的高分辨率高光谱成像方法及装置,本发明旨在针对同一场景两个光路的RGB图像获得高空间分辨率的高光谱图像,从而显著提升高光谱图像的获取精度,大幅降低高光谱图像的获取成本。
为了解决上述技术问题,本发明采用的技术方案为:
一种基于双光路RGB融合的高分辨率高光谱成像方法,包括:
可选地,所述噪声预测网络包括:
可选地,所述光谱融合模块SFM进行光谱融合的函数表达式为:
上式中,表示光谱融合获得的图像,/>表示卷积核为3×3的二维卷积层,/>表示沿通道维堆叠操作,/>表示光谱上采样操作,/>和/>表示同一场景的两张RGB图像的训练样本;所述信息激活模块IAM进行信息激活的函数表达式为:
上式中,代表GELU激活层,/>表示卷积核为3×3的二维卷积层,表示光谱融合获得的图像,/>表示当前时刻t的加噪高频信息;所述多尺度噪声预测模块NPRDM将激活后的加噪高频信息/>进行多尺度噪声预测得到高斯噪声/>包括:
S202,将特征首先通过卷积核为4×4的二维卷积层进行通道下采样,然后再利用噪声提取模块NEB得到特征/>;将特征/>首先通过卷积核为4×4的二维卷积层进行通道下采样,然后再利用噪声提取模块NEB得到特征/>;
S203,将特征首先通过卷积核为2×2的二维反卷积层进行通道上采样,再与特征/>堆叠后利用噪声提取模块NEB得到特征/>;将特征/>首先通过卷积核为2×2的二维反卷积层进行通道上采样,再与特征/>堆叠后利用噪声提取模块NEB得到特征/>通过卷积核为3×3的二维卷积层得到高斯噪声/>。
可选地,步骤S103之前还包括训练噪声预测网络:
此外,本发明还提供一种基于双光路RGB融合的高分辨率高光谱成像装置,包括分光棱镜、高透滤光片、第一RGB传感器、第二RGB传感器和图像处理模块,所述分光棱镜输出的一路光线经过高透滤光片在第一RGB传感器中形成同一场景的第一个光路的RGB图像,所述分光棱镜输出的另一路光线在第二RGB传感器形成同一场景的第二个光路的RGB图像,所述第一RGB传感器、第二RGB传感器分别与图像处理模块相连,所述图像处理模块用于被编程或配置以执行所述基于双光路RGB融合的高分辨率高光谱成像方法以将同一场景两个光路的RGB图像进行高光谱成像得到高光谱图像。
此外,本发明还提供一种基于双光路RGB融合的高分辨率高光谱成像装置,包括相互连接的微处理器和存储器,所述微处理器被编程或配置以执行所述基于双光路RGB融合的高分辨率高光谱成像方法。
此外,本发明还提供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程序,所述计算机程序用于被微处理器编程或配置以执行所述基于双光路RGB融合的高分辨率高光谱成像方法。
和现有技术相比,本发明主要具有下述优点:
1、本发明基于高光谱图像和RGB图像的映射关系,借助了基于噪声预测网络的扩散模型实现了对高光谱图像高频信息的准确预测,从而能够基于所输入的RGB图像,获取高空间分辨率(1000×1000以上)的高光谱图像,可高效解决通过现有成像设备获取高分辨率高光谱图像极其困难的问题,大幅降低高分辨率高光谱图像的获取成本。
2、本发明基于双光路RGB融合的高分辨率高光谱成像装置借助简便的分路成像方案,实现了对场景信息中特征光谱的高效互补采样,显著提升成像信息的信噪比。
附图说明
图1为本发明实施例方法的基本流程示意图。
图2为本发明实施例中噪声预测网络的结构示意图。
图3为本发明实施例中成像装置的结构示意图。
具体实施方式
如图1 ,本实施例基于双光路RGB融合的高分辨率高光谱成像方法包括:
上式中,表示时间步/>的加噪权重/>的累乘,/>表示时间步/>的加噪权重,/>为预先训练好的噪声预测网络,/>和/>为两个光路的RGB图像,/>为时间步/>的方差项,/>为高斯噪声,且有/>,当且仅当t>1时,取/>;
如图2所示,本实施例中的噪声预测网络包括:
参见图2,光谱融合模块SFM进行光谱融合的函数表达式为:
上式中,表示光谱融合获得的图像,/>表示卷积核为3×3的二维卷积层,/>表示沿通道维堆叠操作,/>表示光谱上采样操作(本实施例中通过3×3的二维卷积操作实现),/>和/>表示同一场景的两张RGB图像的训练样本;
参见图2,信息激活模块IAM进行信息激活的函数表达式为:
S202,将特征首先通过卷积核为4×4的二维卷积层进行通道下采样,然后再利用噪声提取模块NEB得到特征/>;将特征/>首先通过卷积核为4×4的二维卷积层进行通道下采样,然后再利用噪声提取模块NEB得到特征/>;可表示为:
S203,将特征首先通过卷积核为2×2的二维反卷积层进行通道上采样,再与特征/>堆叠后利用噪声提取模块NEB得到特征/>;将特征/>首先通过卷积核为2×2的二维反卷积层进行通道上采样,再与特征/>堆叠后利用噪声提取模块NEB得到特征/>通过卷积核为3×3的二维卷积层得到高斯噪声/>;可表示为:
参见图2可知,噪声提取模块NEB包括依次相连的卷积核为3×3的二维卷积层、GELU激活层以及卷积核为3×3的二维卷积层;图2中,代表卷积核为4×4的二维卷积层,起通道下采样的作用;/>代表卷积核为2×2的二维反卷积层,起通道上采样作用;多尺度噪声预测模块NPRDM内部为噪声提取模块NEB和通道操作模块(通过卷积实现通道下采样和通过反卷积实现通道上采样)的U型残差级联结构。
本实施例中,步骤S101~S104为基于噪声预测网络的扩散模型的反向过程;实际应用时仅需要进行扩散模型的反向过程。此外,作为一种可选的实施方式,本实施例步骤S103之前还包括训练噪声预测网络(即扩散模型的前向过程),实际应用时该网络已预先训练完毕,无需再进行训练噪声预测网络(即扩散模型的前向过程),在此列出是为了原理逻辑叙述的完整性。具体地,训练噪声预测网络包括:
S306,将加噪高频信息、同一场景两个光路的RGB图像/>和/>、时间步数/>三个参数送入噪声预测网络,并采用损失函数进行梯度下降优化从而得到训练好的噪声预测网络(本实施例中记为/>),损失函数的函数表达式为:
综上所述,本实施例基于双光路RGB融合的高分辨率高光谱成像方法充分考虑了成像模型,建立了高光谱图像和RGB图像的映射关系,借助扩散模型实现了对高光谱图像高频信息的准确预测,从而能够基于所输入的RGB图像,获取高分辨率高光谱图像,可高效解决通过现有成像设备获取高分辨率高光谱图像极其困难的问题,大幅降低高分辨率高光谱图像的获取成本;本实施例基于双光路RGB融合的高分辨率高光谱成像方法基于双光路RGB融合的高分辨率高光谱成像装置借助简便的分路成像方案,实现了对场景信息中特征光谱的高效互补采样,显著提升成像信息的信噪比。
如图3所示,本实施例基于双光路RGB融合的高分辨率高光谱成像装置包括分光棱镜1、高透滤光片2、第一RGB传感器3、第二RGB传感器4和图像处理模块,分光棱镜1输出的一路光线经过高透滤光片2在第一RGB传感器3中形成同一场景的第一个光路的RGB图像(仅允许波长>500nm的光线进入),分光棱镜1输出的另一路光线在第二RGB传感器4形成同一场景的第二个光路的RGB图像,第一RGB传感器3、第二RGB传感器4分别与图像处理模块相连,图像处理模块用于被编程或配置以执行前述基于双光路RGB融合的高分辨率高光谱成像方法以将同一场景两个光路的RGB图像进行高光谱成像得到高光谱图像。采用本实施例的高光谱成像装置拍摄场景时,光线经过分光棱镜分为两条光路,一条光路含高透滤光片2和第一RGB传感器3,另一条光路含第二RGB传感器4,分别通过两条光路获取采样信息不同的两张RGB图像;然后利用图像处理模块执行前文基于双光路RGB融合的高分辨率高光谱成像方法以将同一场景两个光路的RGB图像进行高光谱成像得到高分辨率的高光谱图像/>。本实施例基于双光路RGB融合的高分辨率高光谱成像装置能够基于两张RGB图像,通过执行前文基于双光路RGB融合的高分辨率高光谱成像方法获得高分辨率高光谱图像,从而显著提升高光谱图像的获取精度,大幅降低高光谱图像的获取成本。本实施例中,第一RGB传感器3、第二RGB传感器4均采用IMX296C RGB传感器以用于获取固定采样的RGB图像,此外也可以根据需要采用其他所需型号的RGB传感器,且与一般RGB传感器相同,其前端均包含目镜镜头结构。光线在经过目镜之前先通过高透滤光片2,仅允许波长大于500nm的光线进入第一RGB传感器3,用于获取带通采样的RGB图像,从而获得采样信息不同的两张RGB图像。
此外,本实施例还提供一种基于双光路RGB融合的高分辨率高光谱成像装置,包括相互连接的微处理器和存储器,所述微处理器被编程或配置以执行所述基于双光路RGB融合的高分辨率高光谱成像方法。此外,本实施例还提供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程序,所述计算机程序用于被微处理器编程或配置以执行所述基于双光路RGB融合的高分辨率高光谱成像方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于双光路RGB融合的高分辨率高光谱成像方法,其特征在于,包括:
6.根据权利要求5所述的基于双光路RGB融合的高分辨率高光谱成像方法,其特征在于,所述光谱融合模块SFM进行光谱融合的函数表达式为:
上式中,表示光谱融合获得的图像,/>表示卷积核为3×3的二维卷积层,/>表示沿通道维堆叠操作,/>表示光谱上采样操作,/>和/>表示同一场景的两张RGB图像的训练样本;所述信息激活模块IAM进行信息激活的函数表达式为:
上式中,代表GELU激活层,/>表示卷积核为3×3的二维卷积层,/>表示光谱融合获得的图像,/>表示当前时刻t的加噪高频信息;所述多尺度噪声预测模块NPRDM将激活后的加噪高频信息/>进行多尺度噪声预测得到高斯噪声/>包括:
S202,将特征首先通过卷积核为4×4的二维卷积层进行通道下采样,然后再利用噪声提取模块NEB得到特征/>;将特征/>首先通过卷积核为4×4的二维卷积层进行通道下采样,然后再利用噪声提取模块NEB得到特征/>;
7.根据权利要求6所述的基于双光路RGB融合的高分辨率高光谱成像方法,其特征在于,步骤S103之前还包括训练噪声预测网络:
8.一种基于双光路RGB融合的高分辨率高光谱成像装置,其特征在于,包括分光棱镜(1)、高透滤光片(2)、第一RGB传感器(3)、第二RGB传感器(4)和图像处理模块,所述分光棱镜(1)输出的一路光线经过高透滤光片(2)在第一RGB传感器(3)中形成同一场景的第一个光路的RGB图像,所述分光棱镜(1)输出的另一路光线在第二RGB传感器(4)形成同一场景的第二个光路的RGB图像,所述第一RGB传感器(3)、第二RGB传感器(4)分别与图像处理模块相连,所述图像处理模块用于被编程或配置以执行权利要求1~7中任意一项所述基于双光路RGB融合的高分辨率高光谱成像方法以将同一场景两个光路的RGB图像进行高光谱成像得到高光谱图像。
9.一种基于双光路RGB融合的高分辨率高光谱成像装置,包括相互连接的微处理器和存储器,其特征在于,所述微处理器被编程或配置以执行权利要求1~7中任意一项所述基于双光路RGB融合的高分辨率高光谱成像方法。
10.一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其特征在于,所述计算机程序用于被微处理器编程或配置以执行权利要求1~7中任意一项所述基于双光路RGB融合的高分辨率高光谱成像方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310696883.3A CN116433551B (zh) | 2023-06-13 | 2023-06-13 | 基于双光路rgb融合的高分辨率高光谱成像方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310696883.3A CN116433551B (zh) | 2023-06-13 | 2023-06-13 | 基于双光路rgb融合的高分辨率高光谱成像方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116433551A true CN116433551A (zh) | 2023-07-14 |
CN116433551B CN116433551B (zh) | 2023-08-22 |
Family
ID=87080094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310696883.3A Active CN116433551B (zh) | 2023-06-13 | 2023-06-13 | 基于双光路rgb融合的高分辨率高光谱成像方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116433551B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140267684A1 (en) * | 2013-03-15 | 2014-09-18 | Chemlmage Corporation | System and method for detecting contamination in food using hyperspectral imaging |
US20200400571A1 (en) * | 2019-06-20 | 2020-12-24 | Ethicon Llc | Hyperspectral imaging with fixed pattern noise cancellation |
CN114240756A (zh) * | 2021-12-16 | 2022-03-25 | 北京邮电大学 | 一种基于字典原子嵌入的rgb图像光谱信息重构方法 |
CN114972022A (zh) * | 2022-04-18 | 2022-08-30 | 北京理工大学 | 一种基于非对齐rgb图像的融合高光谱超分辨率方法和系统 |
CN114998109A (zh) * | 2022-08-03 | 2022-09-02 | 湖南大学 | 基于双rgb图像融合的高光谱成像方法、系统及介质 |
US20220329767A1 (en) * | 2019-10-01 | 2022-10-13 | University Of Washington | System and method for analyzing surface features using a low-dimensional color space camera |
CN115311187A (zh) * | 2022-10-12 | 2022-11-08 | 湖南大学 | 基于内部和外部先验的高光谱融合成像方法、系统及介质 |
US20220366536A1 (en) * | 2021-04-13 | 2022-11-17 | Hunan University | High-resolution hyperspectral computational imaging method and system and medium |
KR20220169868A (ko) * | 2021-06-21 | 2022-12-28 | 주식회사 리매진 | 초분광 이미지 생성 장치 및 방법 |
CN116091916A (zh) * | 2022-11-22 | 2023-05-09 | 南京信息工程大学 | 一种多尺度从rgb图像重建对应的高光谱图像算法及系统 |
-
2023
- 2023-06-13 CN CN202310696883.3A patent/CN116433551B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140267684A1 (en) * | 2013-03-15 | 2014-09-18 | Chemlmage Corporation | System and method for detecting contamination in food using hyperspectral imaging |
US20200400571A1 (en) * | 2019-06-20 | 2020-12-24 | Ethicon Llc | Hyperspectral imaging with fixed pattern noise cancellation |
US20220329767A1 (en) * | 2019-10-01 | 2022-10-13 | University Of Washington | System and method for analyzing surface features using a low-dimensional color space camera |
US20220366536A1 (en) * | 2021-04-13 | 2022-11-17 | Hunan University | High-resolution hyperspectral computational imaging method and system and medium |
KR20220169868A (ko) * | 2021-06-21 | 2022-12-28 | 주식회사 리매진 | 초분광 이미지 생성 장치 및 방법 |
CN114240756A (zh) * | 2021-12-16 | 2022-03-25 | 北京邮电大学 | 一种基于字典原子嵌入的rgb图像光谱信息重构方法 |
CN114972022A (zh) * | 2022-04-18 | 2022-08-30 | 北京理工大学 | 一种基于非对齐rgb图像的融合高光谱超分辨率方法和系统 |
CN114998109A (zh) * | 2022-08-03 | 2022-09-02 | 湖南大学 | 基于双rgb图像融合的高光谱成像方法、系统及介质 |
CN115311187A (zh) * | 2022-10-12 | 2022-11-08 | 湖南大学 | 基于内部和外部先验的高光谱融合成像方法、系统及介质 |
CN116091916A (zh) * | 2022-11-22 | 2023-05-09 | 南京信息工程大学 | 一种多尺度从rgb图像重建对应的高光谱图像算法及系统 |
Non-Patent Citations (3)
Title |
---|
SHUTAO LI: "Learning the external and internal priors for multispectral and hyperspectral image fusion", 《SCIENCE CHINA INFORMATION SCIENCES》, vol. 66, pages 1 - 15 * |
YAQIAN LONG: "Dual Self-Attention Swin Transformer for Hyperspectral Image Super-Resolution", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》, vol. 61, pages 1 - 12 * |
宋蓓蓓 等: "Res2-Unet 深度学习网络的RGB-高光谱图像重建", 《光学精密工程》, vol. 30, no. 13, pages 1606 - 1619 * |
Also Published As
Publication number | Publication date |
---|---|
CN116433551B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021164234A1 (zh) | 图像处理方法以及图像处理装置 | |
WO2021022983A1 (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
EP3414539B1 (en) | Color matching across multiple sensors in an optical system | |
CN108389224B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
WO2021063341A1 (zh) | 图像增强方法以及装置 | |
Hua et al. | A normalized convolutional neural network for guided sparse depth upsampling. | |
JP5075648B2 (ja) | 画像処理装置、画像処理プログラムおよび画像処理方法 | |
US20160155241A1 (en) | Target Detection Method and Apparatus Based On Online Training | |
CN114757831B (zh) | 基于智能空谱融合的高分辨率视频高光谱成像方法、装置及介质 | |
WO2023005818A1 (zh) | 噪声图像生成方法、装置、电子设备及存储介质 | |
JP4442413B2 (ja) | 画像処理装置、画像処理方法、プログラム、及び記録媒体 | |
WO2023202400A1 (zh) | 分割模型的训练方法及装置、图像识别方法及装置 | |
CN111415304A (zh) | 基于级联深度网络的水下视觉增强方法和装置 | |
CN111429371B (zh) | 图像处理方法、装置及终端设备 | |
Zhang et al. | Deep motion blur removal using noisy/blurry image pairs | |
CN107220945B (zh) | 多重退化的极模糊图像的复原方法 | |
WO2022247232A1 (zh) | 一种图像增强方法、装置、终端设备及存储介质 | |
Kan et al. | A GAN-based input-size flexibility model for single image dehazing | |
CN112489103B (zh) | 一种高分辨率深度图获取方法及系统 | |
Garduño-Ramón et al. | A new method for inpainting of depth maps from time-of-flight sensors based on a modified closing by reconstruction algorithm | |
CN116433551B (zh) | 基于双光路rgb融合的高分辨率高光谱成像方法及装置 | |
CN110827375B (zh) | 一种基于微光图像的红外图像真彩着色方法及系统 | |
CN116109538A (zh) | 一种基于简单门单元特征提取的图像融合方法 | |
Soma et al. | An efficient and contrast-enhanced video de-hazing based on transmission estimation using HSL color model | |
Conde et al. | Bsraw: Improving blind raw image super-resolution |
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 |