CN117456018A - 光谱图像的重建方法及装置 - Google Patents
光谱图像的重建方法及装置 Download PDFInfo
- Publication number
- CN117456018A CN117456018A CN202210872193.4A CN202210872193A CN117456018A CN 117456018 A CN117456018 A CN 117456018A CN 202210872193 A CN202210872193 A CN 202210872193A CN 117456018 A CN117456018 A CN 117456018A
- Authority
- CN
- China
- Prior art keywords
- image
- spectral
- reconstructing
- spectral image
- spectrum
- 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
- 230000003595 spectral effect Effects 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 title claims abstract description 99
- 238000001228 spectrum Methods 0.000 claims abstract description 117
- 239000011159 matrix material Substances 0.000 claims abstract description 72
- 238000003384 imaging method Methods 0.000 claims abstract description 70
- 238000005259 measurement Methods 0.000 claims abstract description 57
- 238000013527 convolutional neural network Methods 0.000 claims description 53
- 230000009467 reduction Effects 0.000 claims description 53
- 238000012545 processing Methods 0.000 claims description 40
- 238000000701 chemical imaging Methods 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000007547 defect Effects 0.000 abstract description 6
- 239000002086 nanomaterial Substances 0.000 description 29
- 238000010586 diagram Methods 0.000 description 18
- 238000002381 microspectrum Methods 0.000 description 11
- 230000004044 response Effects 0.000 description 8
- 238000003491 array Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000011946 reduction process Methods 0.000 description 5
- 239000000758 substrate Substances 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 238000002834 transmittance Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 239000003989 dielectric material Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 1
- 239000002096 quantum dot Substances 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000411 transmission spectrum 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- 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
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
-
- 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
- G01J2003/2836—Programming unit, i.e. source and date processing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- 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
- G06T2207/10052—Images from lightfield camera
-
- 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]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Vision & Pattern Recognition (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)
- Spectrometry And Color Measurement (AREA)
Abstract
本申请提供一种光谱图像的重建方法及装置,其中的方法包括:获取成像物体的测量图像;根据测量图像和预先标定出的传感矩阵,重建得到成像物体的光谱图像;其中,光谱图像包含成像物体的不同位置点的光谱信息。该方法克服了现有技术中光谱图像重建方法耗时长,且得到的光谱图像分辨率低的缺陷,能够快速地重建目标成像物体的光谱图像,并且重建得到的光谱图像空间分辨率高,不存在马赛克特征。
Description
技术领域
本申请涉及光谱成像技术领域,尤其涉及一种光谱图像的重建方法及装置。
背景技术
传统的光谱仪需要精密的分光元件,设备复杂、体积较大,很重且很昂贵,而目前的微型光谱仪可以利用不同的微纳结构阵列对入射光进行调制,而后借助算法从探测器响应中恢复出入射光的频谱信息,再将微型光谱仪在空间上周期排布,便可以构成微型光谱成像传感器,以恢复空间中不同点的光谱信息。
例如,现有技术提供了一种光调制微纳结构,其包括位于光电探测层上面的光调制层,光调制层能够对入射光进行调制,从而在光电探测层上形成差分响应,以便于重构得到原光谱。利用该光调制微纳结构可以取代传统光谱仪中的各类精密光学部件,从而实现在微纳结构领域内的光谱仪的应用型,使得微集成光谱仪能在不需要光栅、棱镜、反射镜或其他类似空间分光元件的情况下进行工作,解决了传统的光谱仪过于依赖精密光学部件而使得光谱仪体积庞大、很重且昂贵的问题。
但是,现有技术所使用的光谱恢复算法仍为传统的迭代优化算法,速度慢,重建过程耗时长,仅恢复单张光谱图像就需要数分钟及以上,难以满足实时光谱成像的需求。
并且,传统的迭代优化算法通过逐一对空间中每个点进行光谱的重建,得到整个光谱图像,而单点光谱的重建又需要一定数量的微纳结构单元,这就会导致空间分辨率的降低,具体表现为,重建得到的光谱图像会呈现出马赛克的特征。
因此,现有技术中光谱图像重建方法耗时长,且得到的光谱图像分辨率低的问题,是光谱成像技术领域亟待解决的重要课题。
发明内容
本申请提供一种光谱图像的重建方法及装置,用以克服现有技术中光谱图像重建方法耗时长,且得到的光谱图像分辨率低的缺陷,实现光谱图像的快速重建。
一方面,本申请提供一种光谱图像的重建方法,包括:获取成像物体的测量图像;根据所述测量图像和预先标定出的传感矩阵,重建得到所述成像物体的光谱图像,其中,所述传感矩阵是由标定不同波段的单色光对应的图像及对应所述单色光的光强确定;以及所述光谱图像包含所述成像物体的不同位置点的光谱信息。
进一步地,所述根据所述测量图像和预先标定出的传感矩阵,重建得到所述成像物体的光谱图像,包括:对所述传感矩阵和所述测量图像进行线性变换处理,得到所述成像物体的初始光谱图像;对所述初始光谱图像进行降噪处理,得到所述光谱图像。
进一步地,通过第一预设公式对所述传感矩阵和所述测量图像进行线性变换处理,所述第一预设公式如下:
x(k)=[ΦTΦ+γ(k)I]-1[ΦTy+(v(k-1)+u(k-1))]
其中,x(k)为第k阶段的初始光谱图像,k为所述重建方法当前阶段的标号,Φ为所述传感矩阵,γ(k)为第k阶段的一个网络可训练参数,I为单位矩阵,y为所述测量图像,v(k -1)为第k-1阶段的光谱图像,v(k-1)的初始值为v(0)=ΦTy,u(k-1)为第k-1阶段的辅助变量,变量u(k-1)的初始值为u(0)=0。
进一步地,通过第二预设公式对所述初始光谱图像进行卷积神经网络降噪处理,所述第二预设公式如下:
其中,v(k)为第k阶段的光谱图像,k为所述重建方法当前阶段的标号,为第k阶段的降噪网络,x(k)为第k阶段的初始光谱图像,u(k-1)为第k-1阶段的辅助变量。
进一步地,对辅助变量x和u,以及第k阶段的光谱图像v(k)进行简单的算术转换,具体转换公式如下:
u(k)=u(k-1)-(x(k)-v(k))。
进一步地,所述测量图像通过微型光谱成像传感器获取;其中,所述微型光谱成像传感器至少包括光调制层和设置于所述光调制层下的图像传感器层。
进一步地,所述光谱图像的重建方法还包括:对所述微型光谱成像传感器对应的预先标定的传感矩阵进行存储,所述预先标定的传感矩阵对应不同型号的光谱成像传感器,并建立所述传感矩阵与所述光谱成像传感器的对应关系。
进一步地,所述预先标定出的传感矩阵通过以下步骤得到:获取不同波长的单色光入射到所述微型光谱成像传感器所得到的三维图像,其中所述三维图像中至少包括光谱信息;根据获取的所述三维图像与不同波长单色光的强度,计算生成预先标定的传感矩阵。
进一步地,所述对所述初始光谱图像进行卷积神经网络降噪处理,得到所述光谱图像,包括:通过U-net网络结构、自编码器结构和残差神经网络结构中的一项或多项对所述初始光谱图像进行卷积神经网络降噪处理。
进一步地,当通过所述U-net网络结构对所述初始光谱图像进行卷积神经网络降噪处理时,所述卷积神经网络降噪处理包括输入层、卷积层、最大池化层、转置卷积层以及输出层的处理。
进一步地,当通过所述自编码器结构对所述初始光谱图像进行卷积神经网络降噪处理时时,所述卷积神经网络降噪处理包括输入层、卷积层、最大池化层、转置卷积层以及输出层的处理。
进一步地,当通过残差神经网络结构对所述初始光谱图像进行卷积神经网络降噪处理时时,所述卷积神经网络降噪处理包括输入层、卷积层、残差网络块以及输出层的处理,其中的卷积块由两个卷积层构成。
进一步地,当通过深度卷积神经网络对所述初始光谱图像进行卷积神经网络降噪处理时时,所述卷积神经网络降噪处理包括输入层、卷积层以及输出层的处理。
第二方面,本申请还提供一种光谱图像的重建装置,包括:信息获取模块,用于获取成像物体的测量图像;图像重建模块,用于根据所述测量图像和预先标定出的传感矩阵,重建得到所述成像物体的光谱图像;其中,所述传感矩阵是由标定不同波段的单色光对应的图像及对应所述单色光的光强确定;以及,所述光谱图像包含所述成像物体的不同位置点的光谱信息。
第三方面,本申请还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述的光谱图像的重建方法的步骤。
第四方面,本申请还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述的光谱图像的重建方法的步骤。
第五方面,本申请还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述的光谱图像的重建方法的步骤。
第六方面,本申请还提供一种光谱图像重建系统,包括:光谱成像传感设备以及光谱图像重建装置;其中,
所述光谱成像传感器,用于获取成像物体的测量图像;
光谱图像重建装置,用于根据所述测量图像和预先标定出的传感矩阵,重建得到所述成像物体的光谱图像;
其中,所述传感矩阵是由标定不同波段的单色光对应的图像及对应所述单色光的光强确定;以及,所述光谱图像包含所述成像物体的不同位置点的光谱信息。
本申请提供的光谱图像的重建方法,通过获取成像物体的测量图像,并根据获取的测量图像和预先标定的传感矩阵,重建得到成像物体的光谱图像。该方法克服了现有技术中光谱图像重建方法耗时长,且得到的光谱图像分辨率低的缺陷,能够快速地重建目标成像物体的光谱图像,并且重建得到的光谱图像空间分辨率高,不存在马赛克特征。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请提供的光谱图像的重建方法的流程示意图;
图2为本申请提供的不同波长的单色光入射到微型光谱成像传感器时得到的测量图像示意图;
图3为本申请所提供的微型光谱成像传感器的结构示意图;
图4为本申请提供的微型光谱成像传感器的纵向结构示意图;
图5为本申请提供的光谱图像的重建方法的重建示意图之一;
图6为本申请提供的光谱图像的重建方法的重建示意图之二;
图7为本申请提供的卷积神经网络降噪处理的网络结构示意图之一;
图8为本申请提供的卷积神经网络降噪处理的网络结构示意图之二;
图9为本申请提供的卷积神经网络降噪处理的网络结构示意图之三;
图10为本申请提供的卷积神经网络降噪处理的网络结构示意图之四;
图11为本申请提供的光谱图像的重建方法与传统的逐点光谱重建方法的重建效果对比示意图;
图12为本申请提供的光谱图像的重建装置的结构示意图;
图13为本申请提供的电子设备的结构示意图。
附图标记:
1:光调制层;2:微透镜层;3:图像传感器层;11:内部单元。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请中的附图,对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1示出了本申请所提供的光谱图像的重建方法的流程示意图。如图1所示,该方法包括:
S101,获取成像物体的测量图像。
可以理解的是,在本实施例中,可以基于微型光谱成像传感器,获取成像物体的测量图像。
具体地,通过微型光谱成像传感器中的微纳结构阵列,所述微纳结构相当于滤光结构,可以对不同波长的入射光进行调制,再由设置于微纳结构阵列层下的图像传感器层进行探测,便可得到成像物体的测量图像。由于不同组的像素确认模块对应构成的多个像素点整合可构成一幅包含多个频谱信息的图像。
更具体地,将入射光在不同波长λ下的强度信号记为f(λ),将经过微纳结构阵列的透射率曲线记为T(λ),微纳结构阵列上设置有m组的微纳结构,每一组微纳结构的透射率互不相同,微纳结构阵列整体可记为Ti(λ),其中,i为微纳结构的组标号,i=1,2,3,…,m。
每一组微纳结构下方都有相应的物理像素,该物理像素位于微纳结构阵列层下面的图像传感器层上,图像传感器层探测经过微纳结构调制的光强Ii。
需要说明的是,物理像素与微纳结构之间的对应关系,可以为一个物理像素对应一组微纳结构,也可以为多个物理像素构成的“一组”对应于一组微纳结构,在此不作具体限定。在一个具体的实施例中,由多个物理像素构成的“一组”对应一组微纳结构,但至少包括两组不同的物理像素对应的不同微纳结构。
入射光的频谱分布和图像传感器层的测量值之间的关系可以由下式1表示:
Ii=∑(f(λ)-Ti(λ)·R(λ))·T(λ)·m
其中,R(λ)为图像传感器层的响应,记为:
Si(λ)=Ti(λ)·R(λ)
则上式1可以扩展为矩阵形式:
其中,Ii(i=1,2,3,…,m)是待测光透过宽带滤波器单元后图像传感器层的响应,分别对应m个图像传感器单元的光强测量值,又称m个“物理像素”,是一个长度为m的向量。S是整个光学系统对于不同波长的光响应,由滤波结构透射率和图像传感器层响应的量子效率两个因素决定。S是矩阵,每一个行向量对应一个宽带滤波器单元对不同波长入射光的响应,此处对入射光进行离散、均匀的采样,共有n个采样点,S的列数与入射光的采样点数相同。f(λ)即是入射光在不同波长λ的光强,也即待测量的入射光光谱。
在实际应用中,系统的响应参数S已知,通过图像传感器层的光强读数I,利用算法反推可以得到入射光的频谱f,该计算过程根据实际情况可采用不同的数据处理方式,这里的数据处理方式包括但不限于最小二乘、伪逆、均衡、最小二范数和人工神经网络方法。
在上述实现方式的基础上,将光谱像素进行阵列化处理,则可以实现快照式的光谱成像设备,上述中涉及到的微纳结构包括但不限于量子点、纳米柱和调制孔。
本实施例中的微型光谱成像传感器可以做到和传统成像传感器大小的尺寸,不需要在光栅、棱镜、反射镜或其他类似空间分光元件的情况下进行光强感应工作,大大缩小了物体成像识别设备的体积,并且,其采用不同的结构单元对入射光进行调制,也有利于提高光谱恢复的精度。
其中,成像物体可以为任何占有一定空间,且由物质构成的物体。通常来说,测量图像为二维的灰度图像。
S102,根据测量图像和预先标定出的传感矩阵,重建得到成像物体的光谱图像;其中,所述传感矩阵是由标定不同波段的单色光对应的图像及对应所述单色光的光强确定。以及光谱图像包含成像物体的不同位置点的光谱信息。
可以理解的是,在上一步骤S101获取成像物体的测量图像的基础上,根据获取的测量图像,以及预先标定的传感矩阵,对成像物体进行光谱图像的重建,得到光谱图像。
其中,传感矩阵通过对微型光谱成像传感器进行预先标定得到,具体地,通过测量不同波长的单色光入射到微型光谱成像传感器时,所得到的测量图像,并除以相应波长单色光的强度得到。
更详细地,要想得到预先标定的传感矩阵,首先获取不同波长的单色光入射到微型光谱成像传感器所得到的三维图像;然后根据获取的三维图像与不同波长单色光的强度,计算生成预先标定的传感矩阵。
容易理解的是,在对光谱图像进行重建之前,可以对预先标定的传感矩阵进行存储,但需要注意的是,这里预先标定的传感矩阵与微型光谱成像传感器是相对应的,不同的微型光谱成像传感器所对应的传感矩阵并不相同。
也即,针对现有的很多个不同的微型光谱成像传感器,将这些不同的微型光谱成像传感器的传感矩阵都预先标定好,并进行存储,当使用某一微型光谱成像传感器时,可直接调用预先存储好的、与该微型光谱成像传感器相对应的传感矩阵,以重建相应的光谱图像。
图2示出了本申请所提供的不同波长的单色光入射到微型光谱成像传感器时得到的测量图像示意图。如图2所示,从左往右依次分别为波长为500nm、530nm和560nm的单色光入射到微型光谱成像传感器时得到的测量图像,该单色光的测量图像是一个三维图像,其中一维包括光谱信息,三维图像中获取的数据形成一个三维数据集(X,Y,Z),可表达成数据立方体的形式,(X,Z)维组成图像所覆盖的地面空间,第三维(Y维)为光谱维,由光谱空间的若干波段组成。
重建得到成像物体的光谱图像,重建后的光谱图像包含成像物体的不同位置点的光谱信息,也即成像物体被不同波长的入射光入射时的图像信息。
这里需要说明的是,基于传统光谱仪,只能得到成像物体上一个位置点的光谱信息,而根据本申请所重建的光谱图像,可以得到成像物体在不同位置点处的光谱信息。
在本实施例中,通过基于微型光谱成像传感器,获取成像物体的测量图像,并根据获取的测量图像和预先标定的传感矩阵,重建得到成像物体的光谱图像。该方法克服了现有技术中光谱图像重建方法耗时长,且得到的光谱图像分辨率低的缺陷,能够快速地重建目标成像物体的光谱图像,并且重建得到的光谱图像空间分辨率高,不存在马赛克特征。
在上述实施例的基础上,进一步地,微型光谱成像传感器包括光调制层、微透镜层和图像传感器层。
可以理解的是,基于微型光谱成像传感器,获取成像物体的测量图像,这里的微型光谱成像传感器至少包括光调制层和图像传感器层。
具体地,图3示出了本申请所提供的微型光谱成像传感器的结构示意图。如图3所示,微型光谱成像传感器包括光调制层1和图像传感器层3,还可以设置微透镜层2,当然该微透镜层2也可以不设置,本实施例以设置有微透镜层为例。
其中,光调制层1包含多个单元,每个单元由多组微纳结构阵列组成,微纳结构阵列是由随机形状的内部单元组成的二维光栅,对不同波长的入射光有着不同的调制作用,且不同的微纳结构阵列对同一入射光的调制作用也不同。每一组微纳结构阵列与图像传感器上的一个或多个感光像素在垂直方向上相对应。
入射光经过光调制层1之后,受到单元内各组微纳结构阵列的调制,图像传感器层3探测经过调制后的光信号强度信息,将其转换为电信号,得到相应的测量图像。
进一步地,图4示出了本申请所提供的微型光谱成像传感器的纵向结构示意图。
如图4所示,光调制层1中的每组微纳结构阵列是基于内部单元11的二维光栅,具体地,可以通过在其他衬底上生长一层或多层介质或金属材料,这里的其他衬底包括SOI衬底、单晶硅衬底以及石英衬底等,然后再进行图形化和刻蚀来制备,然后再转移到微透镜层2上,并由图像传感器层3进行探测。
其中,微纳结构阵列通过改变内部单元11的横向几何形状和结构参数,对目标波段的入射光起到不同的调制作用。
在本实施例中,微型光谱成像传感器包括光调制层1、微透镜层2以及图像传感器层3,光调制层1通过基于由随机形状的内部单元组成的二维光栅,对不同波长的入射光进行调制,微透镜层2用于聚集调制后的光信号强度,而图像传感器3则将聚集的光信号强度转换为电信号,并得到相应的测量图像。相较于传统光谱仪,该微型光谱成像传感器体积小型化了;并且,其采用不规则的随机形状单元对入射光进行调制,有利于提高光谱图像重建的频谱精度,即间接地提高了重建得到的光谱图像的光谱分辨率。
在上述实施例的基础上,进一步地,根据测量图像和预先标定出的传感矩阵,重建得到成像物体的光谱图像,包括:对传感矩阵和测量图像进行线性变换处理,得到成像物体的初始光谱图像;对初始光谱图像进行卷积神经网络降噪处理,得到光谱图像。
可以理解的是,本申请实施例所提供的光谱图像的重建方法,包括K个阶段,K的取值可以根据实际情况进行设置,在一个具体的实施例中,K的取值范围可以为2-200,在其他的实施例中也可以有其他的取值在此不做具体限定。
该重建方法所包括的每一个阶段都包括至少两个步骤,即对传感矩阵和测量图像进行线性变换和卷积神经网络降噪处理。
图5示出了本申请所提供的光谱图像的重建方法的重建示意图之一。如图5所示,对传感矩阵和测量图像进行线性变换W(.)处理,具体地,通过第一预设公式对传感矩阵Φ和测量图像y进行线性变换W(.)处理,该第一预设公式如下:
x(k)=[ΦTΦ+γ(k)I]-1[ΦTy+(v(k-1)+u(k-1))]
其中,x(k)为第k阶段的初始光谱图像,k为该重建方法当前阶段的标号,Φ为传感矩阵,γ(k)为第k阶段的网络可训练参数,I为单位矩阵,y为测量图像,v(k-1)为第k-1阶段的光谱图像,u(k-1)为第k-1阶段的辅助变量。
需要说明的是,变量v的初始值为v(0)=ΦTy,变量u的初始值为u(0)=0。
而对传感矩阵和测量图像进行卷积神经网络CNN降噪处理,具体地,通过第二预设公式对传感矩阵和测量图像进行卷积神经网络降噪处理,该第二预设公式如下:
其中,v(k)为第k阶段的光谱图像,k为该重建方法当前阶段的标号,为第k阶段的卷积神经网络降噪网络,x(k)为第k阶段的初始光谱图像,u(k-1)为第k-1阶段的辅助变量。
根据第一预设公式和第二预设公式可以看出,该重建方法引入了两个辅助变量,即x和u。为了求解上述第k阶段的光谱图像,还需对引入的辅助变量和第k阶段的光谱图像进行简单的算术转换,具体转换公式如下:
u(k)=u(k-1)-(x(k)-v(k))
根据上述,即可得到测量图像和传感矩阵经过K个阶段中的线性变换和卷积神经网络降噪处理后的输出结果,即光谱图像。同样地,该重建方法包含的阶段总数量K往往不止一个,可根据实际需求设置预设阶段数量,测量图像和传感矩阵经过预设阶段数量的处理后,即可得到重建后的光谱图像。
其中,需要说明的是,该重建方法所包括的总阶段数量K越多,则光谱图像重建的性能就会越好,最终趋于收敛。
容易理解的是,本实施例所提供的光谱图像的重建方法,可以通过神经网络实现,在利用整体神经网络进行推理预测之前,可以通过大量仿真或实测的光谱图像数据集,对该神经网络进行训练,直到收敛,从而实现从传感矩阵和测量图像到光谱图像的快速预测,也即光谱图像的快速重建。
需要说明的是,当通过神经网络实现光谱图像的重建方法时,该神经网络可以采用U-net网络结构、自编码器结构或残差神经网络结构,在此不做具体限定。
在一个具体的实施例中,图6示出了本申请所提供的光谱图像的重建方法的重建示意图之二。如图6所示,该重建方法所包含的每个阶段中的卷积神经网络降噪模块是预先训练好的,即预先利用大量带有噪声的光谱图像数据集,将卷积神经网络降噪模块训练至收敛,如此,在对该重建方法所涉及的整体神经网络进行训练时,每个阶段的卷积神经网络降噪卷积神经网络降噪模块的网络权重系数是固定,只有每个阶段的参数γ(k)是可训练参数,整体神经网络的训练耗时会大大缩短。
在另一个具体的实施例中,光谱图像的重建方法包含12个阶段,每个阶段包括线性变换模块和卷积神经网络降噪模块。其中,线性变换模块对应于第一预设公式,卷积神经网络网络卷积神经网络降噪模块采用U-net网络结构。输入的传感矩阵的大小为256×256×26,其中的256×256对应于空间大小的长和宽,26为不同单色光的波长通道数,输入的测量图像的大小为256×256,输出的光谱图像大小为256×256×26,为一个三维图像信息。
在这里需要说明的是,重建得到的光谱图像包含的波长通道数可以根据实际需求而灵活选取,波长通道数量越少,训练网络所需的数据量越小,训练耗时更短。
在本实施例中,通过对传感矩阵和测量图像进行线性变换和卷积神经网络降噪处理,以得到重建后的光谱图像,该方法克服了现有技术中光谱图像重建方法耗时长,且得到的光谱图像分辨率低的缺陷,能够快速地重建目标成像物体的光谱图像,并且重建得到的光谱图像空间分辨率高,不存在马赛克特征。
在上述实施例的基础上,进一步地,对初始光谱图像进行卷积神经网络降噪处理,具体地,可以通过U-net网络结构、自编码器结构和残差神经网络结构中的一项或多项对初始光谱图像进行卷积神经网络降噪处理。当然,还可以通过其他的网络结构进行卷积神经网络降噪处理,在此不作具体限定。
在一个具体的实施例中,络卷积神经网络降噪模块为U-net网络结构。具体地,图7示出了本申请所提供的卷积神经网络降噪模块的网络结构示意图之一。如图7所示,卷积神经网络降噪模块包括输入层、卷积层、最大池化层、转置卷积层以及输出层。
在又一个具体的实施例中,卷积神经网络降噪模块为自编码器结构。具体地,图8示出了本申请所提供的卷积神经网络降噪模块的网络结构示意图之二。如图8所示,卷积神经网络降噪模块包括输入层、卷积层、最大池化层、转置卷积层以及输出层。
在又一个具体的实施例中,卷积神经网络降噪模块为残差神经网络结构。具体地,图9示出了本申请所提供的卷积神经网络降噪模块的网络结构示意图之三。如图9所示,卷积神经网络降噪模块包括输入层、卷积层、残差网络块以及输出层,其中的卷积块由两个卷积层构成。
在又一个具体的实施例中,卷积神经网络降噪模块为深度卷积神经网络。具体地,图10示出了本申请所提供的卷积神经网络降噪模块的网络结构示意图之四。如图10所示,卷积神经网络降噪模块包括输入层、卷积层以及输出层。
在本实施例中,卷积神经网络降噪模块为U-net网络结构、自编码器结构或残差神经网络结构,针对不同场景可以采用不同的卷积神经网络结构,以更好地对传感矩阵和测量图像进行处理,从而取得更好的光谱图像的重建效果。
另外,需要说明的是,基于上述介绍的光谱恢复的原理可以了解到,传统的逐点光谱重建方法需要对空间中的每个点进行光谱求解,例如,对于包含256×256个点的光谱图像,需要进行256×256次光谱重建,每一点的光谱重建都需要采用迭代优化的算法求解下述线性方程组:
其中,表示该点附近N个测量值组成的测量向量,/>表示该点的入射光光谱,M表示该点附近N个滤光结构单元的透射谱矩阵。
除了重建光谱图像耗时长以外,由于对每个点进行光谱重建时,都近似地认为该点附近N个点的入射光光谱一致,因此会导致重建的光谱图像呈现出马赛克的特征。
图11示出了本申请所提供的光谱图像的重建方法与传统的逐点光谱重建方法的重建效果对比示意图。其中,参考图像是原图,根据图11可以看出,相较于传统的逐点光谱重建方法,使用本申请所提供的光谱图像的重建方法得到的光谱图像具有更高的空间分辨率,不存在马赛克特征。
也即,通过本申请所提供的光谱图像的重建方法得到的光谱图像清晰度较高,而通过传统的逐点光谱重建方法得到的光谱图像清晰度低,且充满了马赛克特征。
并且,相较于传统的逐点光谱重建方法,本申请所提供的光谱图像的重建方法耗时要短得多,具体地,下表给出了两种方法重建同一大小为256×256×26的光谱图像所需的时间。
光谱图像的重建方法 | 逐点光谱重建方法 | |
时间(秒)(CPU) | 1.72 | 4854 |
时间(秒)(GPU) | 0.018 | 不适用 |
根据该表可以看出,无论是在CPU(Intel Xeon Gold 6226R)还是GPU(NVIDIAGeForce RTX 3080)环境下,本申请所提供的重建方法所需的耗时均远远小于传统光谱重建方法,能够实现光谱图像的快速重建。
根据上述可知,本申请所提供的光谱图像的重建方法,可以实现目标成像物体高空间分辨率的光谱图像的快速重建,单张光谱图像的重建耗时一般在毫秒到秒量级,相较于传统的逐点光谱重建方法,在速度上提升了四到五个数量级,并且,重建得到的光谱图像没有马赛克特征。
还需要说明的是,基于本申请所提供的光谱图像的重建方法,还能够实现对动态目标以及运动场景的连续光谱图像重建,即视频级的光谱图像重建。
图12示出了本申请所提供的光谱图像的重建装置的结构示意图。如图所示,该装置包括:信息获取模块120,用于获取成像物体的测量图像;图像重建模块121,用于根据测量图像和预先标定出的传感矩阵,重建得到成像物体的光谱图像;其中,传感矩阵是由标定不同波段的单色光对应的图像及对应单色光的光强确定;以及,光谱图像包含成像物体的不同位置点的光谱信息。
在本实施例中,通过信息获取模块120获取成像物体的测量图像,图像重建模块121根据获取的测量图像和预先标定的传感矩阵,重建得到成像物体的光谱图像。该方法克服了现有技术中光谱图像重建方法耗时长,且得到的光谱图像分辨率低的缺陷,能够快速地重建目标成像物体的光谱图像,并且重建得到的光谱图像空间分辨率高,不存在马赛克特征。
本申请提供的光谱图像的重建装置进行描述,与上文描述的光谱图像的重建方法可相互对应参照,在此不再赘述。
图13示例了一种电子设备的实体结构示意图,如图13所示,该电子设备可以包括:处理器(processor)1310、通信接口(communications Interface)1320、存储器(memory)1330和通信总线1340,其中,处理器1310,通信接口1320,存储器1330通过通信总线1340完成相互间的通信。处理器1310可以调用存储器1330中的逻辑指令,以执行光谱图像的重建方法,该方法包括:获取成像物体的测量图像;根据所述测量图像和预先标定出的传感矩阵,重建得到所述成像物体的光谱图像;其中,所述传感矩阵是由标定不同波段的单色光对应的图像及对应所述单色光的光强确定;以及,所述光谱图像包含所述成像物体的不同位置点的光谱信息。
此外,上述的存储器1330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本申请还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的光谱图像的重建方法,该方法包括:获取成像物体的测量图像;根据所述测量图像和预先标定出的传感矩阵,重建得到所述成像物体的光谱图像;其中,所述传感矩阵是由标定不同波段的单色光对应的图像及对应所述单色光的光强确定;以及,所述光谱图像包含所述成像物体的不同位置点的光谱信息。
又一方面,本申请还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的光谱图像的重建方法,该方法包括:获取成像物体的测量图像;根据所述测量图像和预先标定出的传感矩阵,重建得到所述成像物体的光谱图像;其中,所述传感矩阵是由标定不同波段的单色光对应的图像及对应所述单色光的光强确定;以及,所述光谱图像包含所述成像物体的不同位置点的光谱信息。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (18)
1.一种光谱图像的重建方法,其特征在于,包括:
获取成像物体的测量图像;
根据所述测量图像和预先标定出的传感矩阵,重建得到所述成像物体的光谱图像;
其中,所述传感矩阵是由标定不同波段的单色光对应的图像及对应所述单色光的光强确定;以及,所述光谱图像包含所述成像物体的不同位置点的光谱信息。
2.根据权利要求1所述的光谱图像的重建方法,其特征在于,所述根据所述测量图像和预先标定出的传感矩阵,重建得到所述成像物体的光谱图像,包括:
对所述传感矩阵和所述测量图像进行线性变换处理,得到所述成像物体的初始光谱图像;
对所述初始光谱图像进行降噪处理,得到所述光谱图像。
3.根据权利要求2所述的光谱图像的重建方法,其特征在于,通过第一预设公式对所述传感矩阵和所述测量图像进行线性变换处理,所述第一预设公式如下:
x(k)=[ΦTΦ+γ(k)I]-1[ΦTy+(v(k-1)+u(k-1))]
其中,x(k)为第k阶段的初始光谱图像,k为所述重建方法当前阶段的标号,Φ为所述传感矩阵,γ(k)为第k阶段的一个网络可训练参数,I为单位矩阵,y为所述测量图像,v(k-1)为第k-1阶段的光谱图像,v(k-1)的初始值为v(0)=ΦTy,u(k-1)为第k-1阶段的辅助变量,变量u(k-1)的初始值为u(0)=0。
4.根据权利要求2所述的光谱图像的重建方法,其特征在于,通过第二预设公式对所述初始光谱图像进行降噪处理,所述第二预设公式如下:
其中,v(k)为第k阶段的光谱图像,k为所述重建方法当前阶段的标号,为第k阶段的降噪网络,x(k)为第k阶段的初始光谱图像,u(k-1)为第k-1阶段的辅助变量。
5.根据权利要求3或4所述的光谱图像的重建方法,其特征在于,对辅助变量x和u,以及第k阶段的光谱图像v(k)进行简单的算术转换,具体转换公式如下:
u(k)=u(k-1)-(x(k)-v(k))。
6.根据权利要求1所述的光谱图像的重建方法,其特征在于,所述测量图像通过微型光谱成像传感器获取;其中,所述微型光谱成像传感器至少包括光调制层和设置于所述光调制层下的图像传感器层。
7.根据权利要求6所述的光谱图像的重建方法,其特征在于,还包括:对所述微型光谱成像传感器对应的预先标定的传感矩阵进行存储,所述预先标定的传感矩阵对应不同型号的光谱成像传感器,并建立所述传感矩阵与所述光谱成像传感器的对应关系。
8.根据权利要求1所述的光谱图像的重建方法,其特征在于,根据所述测量图像和预先标定出的传感矩阵,重建得到所述成像物体的光谱图像包括:
获取不同波长的单色光入射到所述微型光谱成像传感器所得到的三维图像,所述三维图像中至少包括光谱信息;
根据获取的所述三维图像与不同波长单色光的强度,计算生成预先标定的传感矩阵。
9.根据权利要求2所述的光谱图像的重建方法,其特征在于,所述对所述初始光谱图像进行卷积神经网络降噪处理,得到所述光谱图像,包括:
通过U-net网络结构、自编码器结构和残差神经网络结构中的一项或多项对所述初始光谱图像进行卷积神经网络降噪处理。
10.根据权利要求9所述的光谱图像的重建方法,其特征在于,
当通过所述U-net网络结构对所述初始光谱图像进行卷积神经网络降噪处理时,所述卷积神经网络降噪处理包括输入层、卷积层、最大池化层、转置卷积层以及输出层的处理。
11.根据权利要求9所述的光谱图像的重建方法,其特征在于,
当通过所述自编码器结构对所述初始光谱图像进行卷积神经网络降噪处理时时,所述卷积神经网络降噪处理包括输入层、卷积层、最大池化层、转置卷积层以及输出层的处理。
12.根据权利要求9所述的光谱图像的重建方法,其特征在于,
当通过残差神经网络结构对所述初始光谱图像进行卷积神经网络降噪处理时时,所述卷积神经网络降噪处理包括输入层、卷积层、残差网络块以及输出层的处理,其中的卷积块由两个卷积层构成。
13.根据权利要求9所述的光谱图像的重建方法,其特征在于,
当通过深度卷积神经网络对所述初始光谱图像进行卷积神经网络降噪处理时时,所述卷积神经网络降噪处理包括输入层、卷积层以及输出层的处理。
14.一种光谱图像重建装置,其特征在于,包括:
信息获取模块,用于获取成像物体的测量图像;
图像重建模块,用于根据所述测量图像和预先标定出的传感矩阵,重建得到所述成像物体的光谱图像;
其中,所述传感矩阵是由标定不同波段的单色光对应的图像及对应所述单色光的光强确定;以及,所述光谱图像包含所述成像物体的不同位置点的光谱信息。
15.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求1至13任一项所述的光谱图像的重建方法的步骤。
16.一种光谱图像重建系统,其特征在于,包括:光谱成像传感设备以及光谱图像重建装置;其中,
所述光谱成像传感器,用于获取成像物体的测量图像;
光谱图像重建装置,用于根据所述测量图像和预先标定出的传感矩阵,重建得到所述成像物体的光谱图像;
其中,所述传感矩阵是由标定不同波段的单色光对应的图像及对应所述单色光的光强确定;以及,所述光谱图像包含所述成像物体的不同位置点的光谱信息。
17.一种非暂态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至13任一项所述的光谱图像的重建方法的步骤。
18.一种计算机程序产品,包括计算机程序,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至13任一项所述的光谱图像的重建方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210872193.4A CN117456018A (zh) | 2022-07-22 | 2022-07-22 | 光谱图像的重建方法及装置 |
US17/989,527 US20240027269A1 (en) | 2022-07-22 | 2022-11-17 | Reconstruction method and device for spectral image |
PCT/CN2023/112518 WO2024017401A1 (zh) | 2022-07-22 | 2023-08-11 | 光谱图像的重建方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210872193.4A CN117456018A (zh) | 2022-07-22 | 2022-07-22 | 光谱图像的重建方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117456018A true CN117456018A (zh) | 2024-01-26 |
Family
ID=89577326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210872193.4A Pending CN117456018A (zh) | 2022-07-22 | 2022-07-22 | 光谱图像的重建方法及装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240027269A1 (zh) |
CN (1) | CN117456018A (zh) |
WO (1) | WO2024017401A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738605B (zh) * | 2019-08-30 | 2023-04-28 | 山东大学 | 基于迁移学习的图像去噪方法、系统、设备及介质 |
CN111260576B (zh) * | 2020-01-14 | 2022-07-05 | 哈尔滨工业大学 | 一种基于去噪三维卷积自编码网络的高光谱解混算法 |
US11087441B1 (en) * | 2020-01-30 | 2021-08-10 | Mitsubishi Electric Research Laboratories, Inc. | Image reconstruction using artificial intelligence (Ai) modules agnostic to image acquisition settings |
CN114677300A (zh) * | 2022-03-25 | 2022-06-28 | 西安交通大学 | 一种基于双阶段学习框架的高光谱图像深度降噪的方法及系统 |
-
2022
- 2022-07-22 CN CN202210872193.4A patent/CN117456018A/zh active Pending
- 2022-11-17 US US17/989,527 patent/US20240027269A1/en active Pending
-
2023
- 2023-08-11 WO PCT/CN2023/112518 patent/WO2024017401A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024017401A1 (zh) | 2024-01-25 |
US20240027269A1 (en) | 2024-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10274420B2 (en) | Compact multifunctional system for imaging spectroscopy | |
CN110175971B (zh) | 一种多光谱单像素成像的深度学习图像重构方法 | |
US20070097363A1 (en) | Coding and modulation for hyperspectral imaging | |
Jia et al. | Fourier spectral filter array for optimal multispectral imaging | |
CN109087262B (zh) | 一种多视图光谱图像的重建方法、存储介质 | |
CN112881308B (zh) | 一种基于宽光谱编码和深度学习的光谱相机 | |
CN111157114B (zh) | 基于波长转换的长波红外多光谱成像方法及装置 | |
CN116245726A (zh) | 基于深度学习框架的压缩感知偏振超分辨成像方法 | |
CN104748852A (zh) | 一种基于压缩感知的计算多光谱成像系统 | |
US20070206103A1 (en) | Systems, methods and devices for multispectral imaging and non-linear filtering of vector valued data | |
FR3021127A1 (fr) | Systeme et procede d'acquisition d'images hyperspectrales | |
CN115731191A (zh) | 一种基于神经网络的窄波段光谱成像方法 | |
Parada-Mayorga et al. | Spectral super-resolution in colored coded aperture spectral imaging | |
CN115479668A (zh) | 光谱分析装置和光谱视频录制方法 | |
CN117456018A (zh) | 光谱图像的重建方法及装置 | |
CN109186761B (zh) | 一种编码光谱成像系统的定标方法及编码模板 | |
Du et al. | Remote sensing image fusion based on nonlinear IHS and fast nonsubsampled contourlet transform | |
US20230078459A1 (en) | Spectral imaging device | |
CN108801457B (zh) | 基于编码采样板设计以及二次能量约束校正的三维图谱获取及重建方法 | |
CN108051087B (zh) | 一种针对快速成像的八通道多光谱相机设计方法 | |
CN111667434B (zh) | 一种基于近红外增强的弱光彩色成像方法 | |
CN115526792A (zh) | 一种基于点扩散函数先验的编码成像重建方法 | |
CN115165096A (zh) | 一种微型高光谱相机及测量方法 | |
Kim et al. | Computational hyperspectral imaging with diffractive optics and deep residual network | |
Kim | Learning Computational Hyperspectral Imaging |
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 |