CN117571128A - 一种高分辨率偏振光谱图像成像方法及系统 - Google Patents
一种高分辨率偏振光谱图像成像方法及系统 Download PDFInfo
- Publication number
- CN117571128A CN117571128A CN202410058658.1A CN202410058658A CN117571128A CN 117571128 A CN117571128 A CN 117571128A CN 202410058658 A CN202410058658 A CN 202410058658A CN 117571128 A CN117571128 A CN 117571128A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- polarization
- polarized
- matrix
- coding
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 234
- 238000003384 imaging method Methods 0.000 title claims abstract description 60
- 230000010287 polarization Effects 0.000 claims abstract description 148
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000013461 design Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 103
- 230000003595 spectral effect Effects 0.000 claims description 57
- 238000005070 sampling Methods 0.000 claims description 48
- 238000007906 compression Methods 0.000 claims description 40
- 230000006835 compression Effects 0.000 claims description 37
- 230000003287 optical effect Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 18
- 238000000354 decomposition reaction Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000013499 data model Methods 0.000 claims description 8
- 238000000701 chemical imaging Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000000265 homogenisation Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010030 laminating Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001052 transient 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
- G01J3/447—Polarisation spectrometry
-
- 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
- G01J3/2803—Investigating the spectrum using photoelectric array detector
-
- 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
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4015—Image demosaicing, e.g. colour filter arrays [CFA] or Bayer patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
- G01J3/2803—Investigating the spectrum using photoelectric array detector
- G01J2003/2806—Array and filter array
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Engineering & Computer Science (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)
- Spectrometry And Color Measurement (AREA)
- Image Processing (AREA)
Abstract
本发明属于偏振图像成像技术领域，本发明公开了一种高分辨率偏振光谱图像成像方法及系统，包括以下步骤：基于压缩感知编码孔径理论设计改进型偏振滤光片阵列结构，实现对光谱信息与偏振信息的综合调制；获取目标场景下的待测目标光谱，基于所述改进型偏振滤光片阵列对所述待测目标光谱进行调制编码，并进行光电信号转换，生成探测信号；利用基于高分辨率重建算法的偏振光谱图像重构方法和所述探测信号进行偏振光谱图像重构。本发明基于压缩感知编码孔径理论设计偏振光谱滤光片阵列，同时获取偏振与光谱的混叠信息，利用稀疏编码字典和压缩感知模型进行重构，得到不同光谱通道的高分辨率偏振图像。
Description
技术领域
本发明涉及偏振光谱成像技术领域，尤其涉及一种高分辨率偏振光谱图像成像方法及系统。
背景技术
随着空间环境探测，医学诊断、自然环境勘探、军事探测等领域对目标多维度信息获取的需求日益增加。同时在光学成像技术与计算机技术的不断发展促进下，偏振探测与光谱成像结合的偏振光谱成像技术孕育而生。偏振光谱成像技术可以同时记录目标场景的空间特征信息、偏振信息、光谱信息，能从多个角度分析、处理目标信息，提高了探测目标理化特征的能力，在众多探测技术中脱颖而出。
目前，常用的偏振光谱分光方式主要有：棱镜、光栅、干涉和滤光片分光等技术。但是将上述传统的分光方式进行应用时均存在一些技术问题例如：棱镜、光栅、干涉分光方式显现出光路复杂、结构不紧凑、稳定性差等问题。滤光片分光方式光谱通道较少，分辨率受到限制问题。此外，滤光片阵列型光谱成像系统为了提高光谱分辨率，常规手段是增加窄带滤光片的数量，但是这将造成空间分辨率严重损失。
因此，研究滤光片型快照式高分辨率偏振光谱成像机制十分必要。但是如何破解多光谱分辨率、高空间分辨率的图像二者在轻小型光谱偏振成像系统中难以同时获取的难题，成为本领域技术人员亟需解决的技术问题。
发明内容
有鉴于此，本发明提供了一种高分辨率偏振光谱图像成像方法及系统，本发明利用编码孔径理论来设计偏振滤光片阵列结构来实现对光谱信息与偏振信息的综合调制，并利用重构算法来得到多光谱分辨率、高空间分辨率的图像，破解二者在轻小型光谱偏振成像系统中难以同时获取的难题。
为了达到上述目的，本发明采用如下技术方案：
一种高分辨率偏振光谱图像成像方法，包括以下步骤：
基于压缩感知编码孔径理论设计改进型偏振滤光片阵列结构，实现对光谱信息与偏振信息的综合调制；
获取目标场景下的待测目标光谱，基于所述改进型偏振滤光片阵列对所述待测目标光谱进行调制编码，并进行光电信号转换，生成探测信号；
利用基于高分辨率重建算法的偏振光谱图像重构方法和所述探测信号进行偏振光谱图像重构。
优选的，基于高分辨率重建算法的偏振光谱图像重构方法，具体包括：
S1.基于字典学习法学习稀疏编码字典；
S2.构建用于混叠原始偏振方向和光谱通道，输出目标场景的偏振光谱成像的混叠数据模型；
S3.基于所述稀疏编码字典和压缩感知重构模型对偏振光谱马赛克图像的光谱信息重构，获得偏振马赛克图像；其中，所述偏振光谱成像是所述偏振光谱马赛克图像的向量形式；
S4.利用位置权重插值恢复所述偏振马赛克图像的偏振信息，完成偏振光谱图像的恢复。
优选的，基于字典学习法学习稀疏编码字典，具体包括：
S11.预获取用于训练稀疏编码字典的字典训练数据集；
S12.基于所述字典训练数据集和小波变换法对待测光谱信号进行空间自适应稀疏表示，生成稀疏表示结果，并使用更新规则更新所述稀疏编码字典；
S13.利用所述压缩感知重构模型和逆稀疏编码和逆预处理操作将所述稀疏表示结果进行重构样本，得到数据重构结果；
S14.对所述数据重构结果和原始图像数据进行残差计算，并与设定阈值进行比较，基于比较结果，判定是否满足停止准则；判定结果为是，停止准则检查；
S15.步骤S14判定结果为否，重复步骤S12-S14，直到满足所述停止准则，所述稀疏编码字典学习完成。
优选的，所述混叠数据模型的表达式为：
；
其中，表示所述目标场景的所述偏振光谱成像；/>是各个光谱通道对应的不同偏振方向原始高分辨率图像，λ表示波长，p表示偏振方向；/>表示采样矩阵；Φλ表示压缩编码矩阵；/>表示偏振编码矩阵；/>表示/>的稀疏表示系数；/>表示对应λ波段的稀疏字典或稀疏变换矩阵。
优选的，利用位置权重插值恢复所述偏振马赛克图像的偏振信息，完成偏振光谱图像的恢复，具体包括：
S41.采用长×宽=A×A尺寸的插值窗口，在所述插值窗口内以待插值像素点为坐标原点，建立坐标系，所述插值窗口边缘中心点到所述待插值像素点的距离为A/2；基于所述坐标系确定待插值像素点和已知像素点位置，并根据待插值位置与所述已知像素点的距离，计算每个所述已知像素点的权重；其中，权重与距离的倒数成正比；
S42.对所述已知像素点的权重进行归一化处理，并基于归一化处理后的所述已知像素点的权重，将所述已知像素点的位置数值进行加权平均，得到所述待插值像素的位置数值；
S43.对所述偏振马赛克图像上每个所述偏振信息缺失的像素重复S41-S42步骤，完成对所述偏振光谱图像的恢复。
优选的，基于压缩感知编码孔径理论设计改进型偏振滤光片阵列结构，具体包括以下步骤：
1)探测器成像靶面有R×S个像素，根据实际需求确定M个光谱通道，利用N个窄带滤光片构成第二光谱组合Ⅱ，第二光谱组合Ⅱ的每一个所述窄带滤光片的位置包含了4个不同偏振方向0°、45°、90°、135°的微纳格栅；
2）K×L个所述第二光谱组合构成一个第一偏振光谱单元Ⅰ，所述第一偏振光谱单元Ⅰ作为块状压缩感知的一“块”区域；其中K，L表示横纵方向上第二光谱组合数量；
3）计算每一个光谱通道的压缩比率为r=N/(M×K×L)，基于采集情况选择适配的压缩编码矩阵，压缩编码矩阵只有0,1两个值，数值为1表示对场景进行采集，数值为0表示不采集；利用矩阵分解的方法对压缩编码矩阵分解，得到更为稀疏的压缩编码矩阵，每一个光谱通道的压缩编码矩阵同一位置上互相不重叠，从而完成压缩编码矩阵设计Φλ，(λ=1,...,M)；
以奇异值矩阵分解为例，若是一个奇异矩阵，
(1)
其中，都是单位正交矩阵，/>是奇异值对角矩阵，且/>。m表示U的大小，m=/>,n表示V的大小,n=/>,T表示矩阵转置；
对任意压缩编码矩阵Φ进行奇异值分解，得到
(2)
其中，采样编码矩阵是对角矩阵用于对光谱信息的编码采样矩阵，那么对于任意的一个光谱通道/>有
(3)
为了适应编码滤光片的采样形式，用非线性变换得到新的奇异值：
(4)
之后做均一化处理：
(5)
其中，,/>表示所有奇异值中的最大值。
4)按照3）中得到各个通道的采样编码矩阵设计矩阵大小为/>偏振编码矩阵/>，/>对/>上数值为1的位置进行4个偏振方向0°、45°、90°、135°信息的编码采样；将光谱编码与偏振编码合并为采样矩阵/>：
(6)
其中，所述采样矩阵分解为当前通道的压缩编码矩阵Φλ和偏振编码矩阵;
5）各个通道的所述采样矩阵合并为一个整体的所述采样矩阵A，根据A的数值结果对所述第一偏振光谱单元Ⅰ重新排列，完成对所述第一偏振光谱单元Ⅰ的优化；
6）将5）中的所述第一偏振光谱单元Ⅰ分布在探测器成像靶面上，每一“块”进行并行压缩感知采样实现对光谱信息和偏振信息的采集。
一种高分辨率偏振光谱图像成像系统，包括：
基础成像系统，用于接收目标场景发出的光线，生成待测目标光谱；
光谱调制编码器件，用于对所述待测目标光谱进行调制编码；
光信号采集系统，用于接收编码后的待测目标光谱，并完成光电信号转换；
后端信号处理系统，用于接收所述光信号采集系统输出的探测器信号，并基于高分辨率重建算法的偏振光谱图像重构方法进行图像重构计算，得到重构后的偏振光谱图像。
优选的，所述光谱调制编码器件为改进型偏振光谱滤光片阵列；
所述改进型偏振光谱滤光片由Q个循环排列的第一偏振光谱单元构成，Q>1；
且每个所述第一偏振光谱单元由K×L个第二光谱组合循环排列构成。
优选的，所述第二光谱组合是由N个窄带滤光片形成的独立单元；其中，N个所述窄带滤光片中包含有M种不同波长的光谱窄带滤光片，并且每个所述光谱窄带滤光片和第三偏振单元贴合布置。
优选的，所述第二光谱组合的每个所述窄带滤光片的位置包含一个所述第三偏振单元；
所述第三偏振单元是由四个不同偏振方向的偏振微纳格栅组成的独立单元；
每个所述光谱窄带滤光片和4个不同偏振方向的所述微纳格栅线偏振片贴合按照光谱偏振综合编码方式进行布置。
经由上述的技术方案可知，与现有技术相比：
（1）本发明基于压缩感知编码孔径理论设计偏振光谱滤光片阵列，充分利用结构稀疏性，设计对应波长下的压缩编码矩阵；同时对压缩编码矩阵进行矩阵分解，进一步优化压缩编码得到采样编码矩阵，提高采样精度，由于采用压缩感知原理和稀疏编码字典表示，此偏振光谱采样方法的采样数据量小，精度高、数据储存量小。
（2）与传统的滤光片阵列成像方式相比，本发明对偏振和光谱信息进行综合编码，同时获取偏振与光谱的混叠信息，利用稀疏编码字典和压缩感知模型进行重构，得到不同光谱通道的高分辨率偏振图像；在设计阶段根据实际需求优化光谱通道数和滤光片编码排列方式，在一定的采样率下提高光谱和偏振信息的获取能力，可得到光谱分辨率和成像质量之间的最优解。
（3）传统的滤光片型多光谱成像系统由于探测器靶面尺寸的限制，导致单个光谱通道成像分辨率较低等问题。而本发明可实现单次快照式瞬态偏振多光谱成像，系统无机械运动部件，稳定性高、结构紧凑、体积小；单个光谱偏振通道成像可达到探测器整个靶面的分辨率。
（4）本发明基于偏振光谱滤光片阵列的结构特点，训练了针对性的稀疏编码字典，可以将原始偏振光谱数据表示为一组稀疏的编码，这些编码可以更好地捕捉数据的重要特征，并减少冗余信息，从而实现数据的降维。降低了计算复杂度，提升图像重构的速度。
附图说明
为了更清楚地说明本发明实施例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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1 附图为本发明的紧凑型偏振计算光谱快照式成像系统结构示意图；
图2 附图为本发明的 基于改进型偏振光谱滤光片阵列进行偏振图像重构方法流程图；
图3 附图为本发明的第一偏振光谱单元Ⅰ与第二光谱组合Ⅱ结构示意图；
图4 附图为本发明的第三偏振单元Ⅲ示意图；
图5 附图为本发明的光谱偏振信息混叠数据模型示意图；
图6 附图为本发明的光谱滤光片编码设计流程示意图；
图7 附图为本发明的不同光谱采样编码与光谱滤光片的对应关系示意图。
图中：成像镜头1、改进型偏振光谱滤光片阵列2、光电探测器靶面3。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
实施例1
本发明实施例公开了一种改进型偏振光谱滤光片阵列，改进型偏振光谱滤光片由Q个循环排列的第一偏振光谱单元构成，Q>1；且每个第一偏振光谱单元Ⅰ由K×L个第二光谱组合Ⅱ循环排列构成。
在本实施例中第二光谱组合Ⅱ是由N个窄带滤光片形成的独立单元；其中，N个窄带滤光片中包含有M种不同波长的光谱窄带滤光片，并且每个光谱窄带滤光片和第三偏振单元Ⅲ贴合布置。具体地在本实施例中第二光谱组合Ⅱ的每个窄带滤光片的位置包含一个第三偏振单元Ⅲ；
由于第三偏振单元Ⅲ是由四个不同偏振方向的偏振微纳格栅组成的独立单元；所以在本实施例中每个光谱窄带滤光片和4个不同偏振方向的微纳格栅线偏振片贴合按照光谱偏振综合编码方式进行布置。
如图3所示，展示一个K=3,L=3,N=9,M=9的第三偏振单元Ⅲ示意图。
其中，在本实施例中展示M=7的技术方案：
如图6所示，第一偏振光谱单元Ⅰ7作为压缩感知的一“块”包含了3×3个第二光谱组合Ⅱ7；第二光谱组合Ⅱ7由9个窄带滤光片形成的独立单元，其中包含了7种不同透过波长的光谱窄带滤光片，在图6中K , L=3；N , M=9；第二光谱组合Ⅱ7中i表示未确定的滤光片，经过过程①优化设计后，i位置用来重复7种滤光片，使每一个光谱通道达到设定的压缩率。
在本实施例中改进型偏振光谱滤光片阵列可以根据实际成像分辨率的需求对偏振光谱单元尺寸和光谱通道数进行调节，平衡数据采样率与成像分辨率的关系，使成像质量达到最优解。
实施例2
在实施例1的基础上，本实施例进一步公开了一种改进型偏振光谱滤光片阵列的设计方法，在本实施例中改进型偏振光谱滤光片阵列是基于压缩感知编码孔径原理进行设计，可以根据实际需求调节光谱通道数量和分辨率大小。设计方法过程如下：
1)探测器成像靶面有R×S个像素，根据实际需求确定M个光谱通道，利用N个窄带滤光片构成第二光谱组合Ⅱ，第二光谱组合Ⅱ的每一个窄带滤光片的位置包含了4个不同偏振方向0°、45°、90°、135°的微纳格栅；
2）K×L个第二光谱组合构成一个第一偏振光谱单元Ⅰ，第一偏振光谱单元Ⅰ作为块状压缩感知的一“块”区域；其中K，L表示横纵方向上第二光谱组合数量；
3）计算每一个光谱通道的压缩比率为r=N/(M×K×L)，具体地在本实施例中r=9/(7×3×3)，基于采集情况选择适配的压缩编码矩阵，压缩编码矩阵只有0,1两个值，数值为1表示对场景进行采集，数值为0表示不采集；利用矩阵分解的方法对压缩编码矩阵分解，得到更为稀疏的压缩编码矩阵，压缩编码矩阵大小为/>，在本实施例中/>=9×9，每一个光谱通道的压缩编码矩阵同一位置上互相不重叠，从而完成压缩编码矩阵设计Φλ，(λ=1,...,M)，在本实施例中Φλ，(λ=1,...,7)；
以奇异值矩阵分解为例，若是一个奇异矩阵，
(1)
其中，都是单位正交矩阵，/>是奇异值对角矩阵，且/>。m表示U的大小，在本实施例中m=/>,n表示V的大小,本实施例中n=/>，T表示矩阵转置。
对任意压缩编码矩阵Φ进行奇异值分解，得到
(2)
其中，采样编码矩阵是对角矩阵用于对光谱信息的编码采样矩阵，那么对于任意的一个光谱通道/>有：
(3)
为了适应编码滤光片的采样形式，用非线性变换得到新的奇异值：
(4)
之后做均一化处理：
(5)
其中，,/>表示所有奇异值中的最大值。
按照3）中得到各个通道的采样编码矩阵设计矩阵大小为/>偏振编码矩阵/>，/>对/>上数值为1的位置进行4个偏振方向0°、45°、90°、135°信息的编码采样；将光谱编码与偏振编码合并为采样矩阵/>：
(6)
其中，采样矩阵可以分解为当前通道的压缩编码矩阵Φλ和偏振编码矩阵。
具体地，在本实施例中按照3）中得到的数值结果对第一偏振光谱单元Ⅰ7的滤光片重新排列，如图6所示，第二光谱组合Ⅱ7中i位置由7种光谱替代以满足压缩比率，①表示对第一偏振光谱单元Ⅰ7的优化过程；如图7所示，每一个通道的/>都不相同，③表示不同/>矩阵对应编码值为“1”的位置设置相应光谱通道的滤光片；将这7个矩阵组合为一个/>矩阵，该矩阵是第一偏振光谱单元Ⅰ7上光谱滤光片最后的排布形式；
4）按照（3）中得到各个通道的采样编码矩阵设计矩阵大小为/>偏振编码矩阵/>，/>对/>上数值为1的位置进行4个偏振方向0°、45°、90°、135°信息的编码采样；将光谱编码与偏振编码合并为采样矩阵/>：
5）各个通道的采样矩阵合并为一个整体的采样矩阵A，根据A的数值结果对第一偏振光谱单元Ⅰ7重新排列，完成对第一偏振光谱单元Ⅰ7的优化；
6）将5）中的第一偏振光谱单元Ⅰ7分布在探测器成像靶面上，每一“块”进行并行压缩感知采样实现对光谱信息和偏振信息的采集。
其中，在本实施例中每一个偏振微纳格栅对应探测器靶面的像素一一对应，偏振微纳格栅是偏振光谱滤光片阵列的最小单位。
压缩编码矩阵可选有哈达玛矩阵、沃尔什矩阵、伯努利矩阵、随机高斯矩阵、部分傅立叶矩阵等。
对于一个编码采样矩阵，其最小奇异值越大，则该矩阵的独立性越强，可以获得高性能、更稀疏的编码采样矩阵。矩阵分解方法有LU分解、Cholesky分解、QR分解、奇异值分解等方法。
矩阵分解是为了得到更为稀疏的编码采样矩阵，利用少量的编码采集就可以获取到更完整的光谱信息，不仅减轻了计算复杂度，而且可以在探测器靶面上镀制更多种类的光谱滤光片。
在图像重构过程中压缩比率越高，重构的图像质量越好。在第一偏振光谱单元Ⅰ尺寸K×L确定的情况下，光谱通道数M越小，探测器采集单个通道的信息越多，有利于图像的重构。因此可以根据实际的需求对偏振光谱单元尺寸K×L和光谱通道数M进行调节，使成像质量达到最优解。
实施例3
本实施例公开了一种高分辨率偏振光谱图像成像方法，包括以下步骤：
S1.基于字典学习法学习稀疏编码字典；
S2.构建用于混叠原始偏振方向和光谱通道，输出目标场景的偏振光谱成像的混叠数据模型；
S3.基于稀疏编码字典和压缩感知重构模型对偏振光谱马赛克图像的光谱信息重构，获得偏振马赛克图像；其中，偏振光谱成像是偏振光谱马赛克图像的向量形式；
S4.利用位置权重插值恢复偏振马赛克图像的偏振信息，完成偏振光谱图像的恢复。
具体地：
基于字典学习法学习稀疏编码字典，具体包括：
S11.预获取用于训练稀疏编码字典的字典训练数据集；在本实施例中由于用多种不同波长的滤光片、线偏振片和相机组合，对一组场景进行拍摄，得到不同波长的线偏振图像。将得到的一系列偏振光谱图像进行去噪、平滑等预处理，以减少图像中的噪声和细节信息，以提高稀疏表示的质量，构成字典训练数据集。
S12.基于字典训练数据集和小波变换法对待测光谱信号进行空间自适应稀疏表示，生成稀疏表示结果，并使用更新规则更新稀疏编码字典；具体地，在本实施例中偏振光谱数据在稀疏表示域中是稀疏的。通过对光谱数据进行压缩感知采样和重构，可以提取出不同空间位置之间的关系，并实现高效的数据压缩和重构。步骤如下：
1）初始化字典
将字典训练数据分割为局部块，随机生成一个初始化稀疏编码字典；
2）特征提取
使用小波变换提取局部图像块的特征，将不同光谱通道的偏振图像块数据转换为小波系数，得到在不同尺度和频率上的特征，利用多个小波基函数的线性组合表示光谱数据。
3）稀疏编码
使用字典学习方法得到一个适应数据特征的稀疏编码字典，将小波系数进行稀疏编码，对小波数据进行稀疏表示，原始数据表示为一组稀疏的编码。这可以通过求解一个优化问题来实现，例如最小化数据与字典基向量的重构误差，并同时限制编码的稀疏性。优化方法：使用L1正则化或L0范数来推动编码的稀疏性。这样可以减少数据的维度，去除冗余信息，并保留数据的主要特征。
4）字典更新
使用更新规则更新稀疏编码字典，以使得稀疏编码字典能够更好地表示字典训练样本。根据稀疏编码的结果，通过最小化重构误差来更新字典，使其更好地适应光谱数据的特点。
S13.利用压缩感知重构模型和逆稀疏编码和逆预处理操作将稀疏表示结果进行重构样本，得到数据重构结果；具体地在本实施例中，将稀疏表示的结果输入到压缩感知重构模型中。通过压缩编码矩阵Φλ选择稀疏表示中的重要系数作为压缩采样的结果，并使用压缩感知算法进行重构。根据压缩感知重构模型的输出，使用逆稀疏编码和逆预处理操作来重构原始数据，得到经过压缩和稀疏表示的数据的重构结果。
S14.对数据重构结果和原始图像数据进行残差计算，并与设定阈值进行比较，基于比较结果，判定是否满足停止准则；判定结果为是，停止准则检查；具体地，在本实施例中更新稀疏编码字典更新次数，将S13）中经过压缩和稀疏表示的数据的重构结果与原始图像数据进行残差计算，与设定的阈值比较，来确定是否停止字典学习过程。
S15.步骤S14判定结果为否，重复步骤S12-S14，直到满足停止准则，稀疏编码字典学习完成。需要说明的是，稀疏编码字典学习和稀疏编码是交替进行的。在每次迭代中，会先进行稀疏编码字典学习，然后使用学习到的稀疏编码字典进行稀疏编码。然后，根据编码结果，进一步更新稀疏编码字典，以逐步改进稀疏编码字典和稀疏编码的准确性。这个过程通常是迭代的，直到达到收敛条件或满足预定的停止准则。
对于S2.构建用于混叠原始偏振方向和光谱通道，输出目标场景的偏振光谱成像的混叠数据模型；在本实施例，具体包括：
目标场景的原始偏振光谱数据是一个四维的数据立方体T(x,y,p,λ)，x,y表示探测器上的位置，p表示偏振方向，λ为光谱通道。如图5所示，数据立方体T(x,y,p,λ)由偏振和光谱混叠而成，首先是不同光谱通道的高分辨率图像数据X(λ)进行混叠，不同光谱通道数据X(λ)的分辨率与探测器的分辨率一致。不同光谱数据X(λ)对应的不同偏振方向的偏振光谱图像，每一个/>的分辨率与探测器的分辨率一致。这些光谱信息和偏振信息通过偏振光谱滤光片的编码调制成数据立方体T(x,y,p,λ)。
光电探测器采集到光谱和偏振信息混叠的图像用Iori表示，对偏振光谱混叠图像按照不同的光谱通道进行提取，得到4*M=4*7幅不同谱段的偏振光谱马赛克图像。对于M=7个光谱分量，各自在光电探测器上的通道位置是固定的，其位置关系遵循实施例1中的稀疏性设计。利用采样矩阵/>来表示图像Iori从光电探测器获得后转换为/>的关系。其中，为了统一效果说明，在本实施例中M=7。
其中，混叠数据模型的表达式为：
；
其中，表示目标场景的偏振光谱成像；/>是各个光谱通道对应的不同偏振方向原始高分辨率图像，λ表示波长，p表示偏振方向；/>表示采样矩阵；Φλ表示压缩编码矩阵；/>表示偏振编码矩阵；/>表示/>的稀疏表示系数；/>表示对应λ波段的稀疏字典或稀疏变换矩阵。
S3.基于稀疏编码字典和压缩感知重构模型对偏振光谱马赛克图像的光谱信息重构，获得偏振马赛克图像；其中，偏振光谱成像是偏振光谱马赛克图像的向量形式；在本实施例中，具体地：
偏振光谱马赛克图像中的光谱信息是不完整的，只有采样矩阵上对应的值为“1”的位置上采集到了光谱信息，利用S1的稀疏编码字典和S2的压缩感知模型对偏振光谱马赛克图像/>进行重构，如公式（10），得到分辨率为（R/2）×（S/2）的偏振马赛克图像。
(8)
(9)
(10)
其中，为偏振马赛克图像/>的稀疏表示。
对于步骤S4，由于采用了分焦平面偏振成像方式，重构的偏振光谱图像存在着偏振信息的损失，分辨率下降一半，因此利用位置权重插值来恢复偏振信息。在偏振插值过程中，利用反距离加权估计法选择待插值点附近已知的像素值作为参考并根据距离赋予不同的权重，根据归一化后的权重对已知像素点的值进行加权平均，得到插值结果，完成偏振光谱图像/>的恢复。
S4.利用位置权重插值恢复偏振马赛克图像的偏振信息，提升图像的分辨率，完成偏振光谱图像的恢复；在偏振插值过程中，利用反距离加权估计法选择待插值点附近已知的像素值作为参考并根据距离赋予不同的权重，根据归一化后的权重对已知像素点的值进行加权平均，得到插值结果。
偏振图像位置权重插值过程如下：
S41.确定待插值像素和已知像素点位置：采用长×宽=A×A=9×9尺寸的插值窗口，在插值窗口内以待插值像素点为坐标原点，建立坐标系，插值窗口边缘中心点到待插值像素点的距离为A/2；基于坐标系确定待插值像素点和已知像素点位置，并根据待插值位置与已知像素点的距离在本实施例中为欧几里得距离d i（或其他距离指标），计算每个已知像素点的权重wi；其中，权重与距离的倒数成正比；
(11)
其中，是第i个已知像素点的权重，/>是该点与待插值像素的距离，/>是一个可调参数，/>=2表示计算欧几里得距离，/>=3表示计算曼哈顿距离后者通过交叉验证等方法来确定最优的/>值。
S42.对已知像素点的权重进行归一化处理，并基于归一化处理后的已知像素点的权重，将已知像素点的位置数值进行加权平均，得到待插值像素的位置数值；具体地，对已知像素点的权重进行归一化处理确保待插值像素周围所有权重之和为1；设已知样点的个数为n，第i个样点的坐标为 (xi,yi)，权重为wi，数值为，偏振方向为/>，则待插值位置的数值/>通过以下公式计算：
(12)；
S43.利用插值窗口对偏振马赛克图像进行遍历，完成对偏振光谱图像/>的重建。
S44.对数据立方体对偏振马赛克图像/>上每个偏振信息缺失的像素重复S41-S42步骤，完成对偏振光谱图像的恢复，得到目标场景的高分辨率偏振多光谱图像。
实施例4
本实施例公开了一种使用实施例3方法的一种高分辨率偏振光谱图像成像系统，包括：
基础成像系统，用于接收目标场景发出的光线，生成待测目标光谱；
光谱调制编码器件，用于对待测目标光谱进行调制编码；
光信号采集系统，用于接收编码后的待测目标光谱，并完成光电信号转换；
后端信号处理系统，用于接收光信号采集系统输出的探测器信号，并根据实施例3的一种高分辨率偏振光谱图像成像方法进行图像重构计算，得到重构后的偏振光谱图像。
具体地：
如图1所示在本实施例中目标场景发出光线分别经过成像镜头1，再通过改进型偏振光谱滤光片阵列2，基于改进型片偏振光谱滤光片阵列中的滤光片产生多种光谱的偏振光，从而得到多个偏振光谱图像；其中，改进型偏振光谱滤光片阵列基于窄带滤光片和偏振微纳格栅构成对各通道的光谱信息和偏振信息编码调制，并成像在光电探测器靶面3上，形成光谱信息与偏振信息混叠的图像再输入至能进行计算处理的后端信号处理系统，输出高分辨率偏振光谱图像。
光信号采集系统主要完成收集待测光谱能量，并完成光电信号转换的功能。该系统的核心为光电探测器，可以只有光电探测器组成，也可以附带成像镜头等能量收集系统。光电探测器种类包括但不限于各类光电倍增管、光电二极管、CCD传感器、CMOS传感器及其他各种光电传感器件。
后端信号处理系统功能是完成对光谱维混叠光电信号的处理，通过光谱重构计算方法将混叠光谱信号转换为可应用的分立光谱信号。该系统包括信号处理与计算硬件模块与光谱信号重构处理算法模块两部分，其中光谱信号重构处理算法模块是决定光谱重构效果的核心部分，该算法模块采用前述实施例3的一种高分辨率偏振光谱图像成像方法实现光谱重构。数据采集系统将采集到的探测器信号传输给计算单元，计算单元根据预先标定的光谱调制编码，进行光谱重构计算，获得重构光谱。
光谱调制编码器件为实施例1的改进型偏振光谱滤光片阵列。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种高分辨率偏振光谱图像成像方法，其特征在于，包括以下步骤：
基于压缩感知编码孔径理论设计改进型偏振滤光片阵列结构，实现对光谱信息与偏振信息的综合调制；
获取目标场景下的待测目标光谱，基于所述改进型偏振滤光片阵列对所述待测目标光谱进行调制编码，并进行光电信号转换，生成探测信号；
利用基于高分辨率重建算法的偏振光谱图像重构方法和所述探测信号进行偏振光谱图像重构。
2.根据权利要求1所述的一种高分辨率偏振光谱图像成像方法，其特征在于，基于高分辨率重建算法的偏振光谱图像重构方法，具体包括：
S1.基于字典学习法学习稀疏编码字典；
S2.构建用于混叠原始偏振方向和光谱通道，输出目标场景的偏振光谱成像的混叠数据模型；
S3.基于所述稀疏编码字典和压缩感知重构模型对偏振光谱马赛克图像的光谱信息重构，获得偏振马赛克图像；其中，所述偏振光谱成像是所述偏振光谱马赛克图像的向量形式；
S4.利用位置权重插值恢复所述偏振马赛克图像的偏振信息，完成偏振光谱图像的恢复。
3.根据权利要求2所述的一种高分辨率偏振光谱图像成像方法，其特征在于，基于字典学习法学习稀疏编码字典，具体包括：
S11.预获取用于训练稀疏编码字典的字典训练数据集；
S12.基于所述字典训练数据集和小波变换法对待测光谱信号进行空间自适应稀疏表示，生成稀疏表示结果，并使用更新规则更新所述稀疏编码字典；
S13.利用所述压缩感知重构模型和逆稀疏编码和逆预处理操作将所述稀疏表示结果进行重构样本，得到数据重构结果；
S14.对所述数据重构结果和原始图像数据进行残差计算，并与设定阈值进行比较，基于比较结果，判定是否满足停止准则；判定结果为是，停止准则检查；
S15.步骤S14判定结果为否，重复步骤S12-S14，直到满足所述停止准则，所述稀疏编码字典学习完成。
4.根据权利要求2所述的一种高分辨率偏振光谱图像成像方法，其特征在于，所述混叠数据模型的表达式为：
；
其中，表示所述目标场景的所述偏振光谱成像；/>是各个光谱通道对应的不同偏振方向原始高分辨率图像，λ表示波长，p表示偏振方向；/>表示采样矩阵；Φλ表示压缩编码矩阵;/>表示偏振编码矩阵；/>表示/>的稀疏表示系数；/>表示对应λ波段的稀疏字典或稀疏变换矩阵。
5.根据权利要求2所述的一种高分辨率偏振光谱图像成像方法，其特征在于，利用位置权重插值恢复所述偏振马赛克图像的偏振信息，完成偏振光谱图像的恢复，具体包括：
S41.采用长×宽=A×A尺寸的插值窗口，在所述插值窗口内以待插值像素点为坐标原点，建立坐标系，所述插值窗口边缘中心点到所述待插值像素点的距离为A/2；基于所述坐标系确定待插值像素点和已知像素点位置，并根据待插值位置与所述已知像素点的距离，计算每个所述已知像素点的权重；其中，权重与距离的倒数成正比；
S42.对所述已知像素点的权重进行归一化处理，并基于归一化处理后的所述已知像素点的权重，将所述已知像素点的位置数值进行加权平均，得到所述待插值像素的位置数值；
S43.对所述偏振马赛克图像上每个所述偏振信息缺失的像素重复S41-S42步骤，完成对所述偏振光谱图像的恢复。
6.根据权利要求1所述的一种高分辨率偏振光谱图像成像方法，其特征在于，基于压缩感知编码孔径理论设计改进型偏振滤光片阵列结构，具体包括以下步骤：
1)探测器成像靶面有R×S个像素，根据实际需求确定M个光谱通道，利用N个窄带滤光片构成第二光谱组合Ⅱ，第二光谱组合Ⅱ的每一个所述窄带滤光片的位置包含了4个不同偏振方向0°、45°、90°、135°的微纳格栅；
2）K×L个所述第二光谱组合构成一个第一偏振光谱单元Ⅰ，所述第一偏振光谱单元Ⅰ作为块状压缩感知的一“块”区域；其中K，L表示横纵方向上第二光谱组合数量；
3）计算每一个光谱通道的压缩比率为r=N/(M×K×L)，基于采集情况选择适配的压缩编码矩阵，压缩编码矩阵只有0,1两个值，数值为1表示对场景进行采集，数值为0表示不采集；利用矩阵分解的方法对压缩编码矩阵分解，得到更为稀疏的压缩编码矩阵，每一个光谱通道的压缩编码矩阵同一位置上互相不重叠，从而完成压缩编码矩阵设计Φλ，(λ=1,...,M)，在本实施例中Φλ，(λ=1,...,7)；
以奇异值矩阵分解为例，若是一个奇异矩阵，
(1)
其中，都是单位正交矩阵，/>是奇异值对角矩阵，且/>,m表示U的大小，m=/>,n表示V的大小,n=/>,T表示矩阵转置；
对任意压缩编码矩阵Φ进行奇异值分解，得到
(2)
其中，采样编码矩阵是对角矩阵用于对光谱信息的编码采样矩阵，那么对于任意的一个光谱通道/>有
(3)
为了适应编码滤光片的采样形式，用非线性变换得到新的奇异值：
(4)
之后做均一化处理：
(5)
其中，,/>表示所有奇异值中的最大值；
4)按照3）中得到各个通道的采样编码矩阵设计矩阵大小为/>偏振编码矩阵/>，/>对/>上数值为1的位置进行4个偏振方向0°、45°、90°、135°信息的编码采样；将光谱编码与偏振编码合并为采样矩阵/>：
(6)
其中，所述采样矩阵分解为当前通道的压缩编码矩阵Φλ和偏振编码矩阵/>;
5）各个通道的所述采样矩阵合并为一个整体的所述采样矩阵A，根据A的数值结果对所述第一偏振光谱单元Ⅰ重新排列，完成对所述第一偏振光谱单元Ⅰ的优化；
6）将5）中的所述第一偏振光谱单元Ⅰ分布在探测器成像靶面上，每一“块”进行并行压缩感知采样实现对光谱信息和偏振信息的采集。
7.一种高分辨率偏振光谱图像成像系统，其特征在于，包括：
基础成像系统，用于接收目标场景发出的光线，生成待测目标光谱；
光谱调制编码器件，用于对所述待测目标光谱进行调制编码；
光信号采集系统，用于接收编码后的待测目标光谱，并完成光电信号转换；
后端信号处理系统，用于接收所述光信号采集系统输出的探测器信号，并基于高分辨率重建算法的偏振光谱图像重构方法进行图像重构计算，得到重构后的偏振光谱图像。
8.根据权利要求7所述的一种高分辨率偏振光谱图像成像系统，其特征在于，所述光谱调制编码器件为改进型偏振光谱滤光片阵列；
所述改进型偏振光谱滤光片由Q个循环排列的第一偏振光谱单元构成，Q>1；
且每个所述第一偏振光谱单元由K×L个第二光谱组合循环排列构成。
9.根据权利要求8所述的一种高分辨率偏振光谱图像成像系统，其特征在于，所述第二光谱组合是由N个窄带滤光片形成的独立单元；其中，N个所述窄带滤光片中包含有M种不同波长的光谱窄带滤光片，并且每个所述光谱窄带滤光片和第三偏振单元贴合布置。
10.根据权利要求9所述的一种高分辨率偏振光谱图像成像系统，其特征在于，所述第二光谱组合的每个所述窄带滤光片的位置包含一个所述第三偏振单元；
所述第三偏振单元是由四个不同偏振方向的偏振微纳格栅组成的独立单元；
每个所述光谱窄带滤光片和4个不同偏振方向的所述微纳格栅线偏振片贴合按照光谱偏振综合编码方式进行布置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410058658.1A CN117571128B (zh) | 2024-01-16 | 2024-01-16 | 一种高分辨率偏振光谱图像成像方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410058658.1A CN117571128B (zh) | 2024-01-16 | 2024-01-16 | 一种高分辨率偏振光谱图像成像方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117571128A true CN117571128A (zh) | 2024-02-20 |
| CN117571128B CN117571128B (zh) | 2024-03-29 |
Family
ID=89862838
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410058658.1A Active CN117571128B (zh) | 2024-01-16 | 2024-01-16 | 一种高分辨率偏振光谱图像成像方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117571128B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118175435A (zh) * | 2024-05-13 | 2024-06-11 | 中国工程物理研究院电子工程研究所 | 一种基于强度差值的多尺度残差多光谱去马赛克网络结构 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120226480A1 (en) * | 2011-03-04 | 2012-09-06 | Ricoh Co., Ltd. | Design of Filter Modules for Aperture-coded, Multiplexed Imaging Systems |
| CN103453993A (zh) * | 2013-09-13 | 2013-12-18 | 中国科学院空间科学与应用研究中心 | 基于稀疏孔径压缩计算关联的主动高光谱成像系统及方法 |
| US20180260649A1 (en) * | 2017-03-08 | 2018-09-13 | Raytheon Company | Multi-channel compressive sensing-based object recognition |
| CN108765280A (zh) * | 2018-03-30 | 2018-11-06 | 徐国明 | 一种高光谱图像空间分辨率增强方法 |
| US10198790B1 (en) * | 2015-07-16 | 2019-02-05 | Hrl Laboratories, Llc | Multi-domain foveated compressive sensing system for adaptive imaging |
| KR20200026549A (ko) * | 2018-09-03 | 2020-03-11 | 인천대학교 산학협력단 | 에지 컴퓨팅용 초고해상도 영상을 복원하기 위한 초고해상도 영상 복원 장치 및 방법 |
| CN111426383A (zh) * | 2020-04-17 | 2020-07-17 | 北京理工大学重庆创新中心 | 机器学习优化稀疏基的高光谱全偏振图像压缩重构方法 |
| 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 |
| CN115307733A (zh) * | 2022-07-14 | 2022-11-08 | 长春理工大学 | 一种空间维编码光谱偏振一体化成像系统及其设计方法 |
| CN115950534A (zh) * | 2023-01-10 | 2023-04-11 | 福州大学 | 分焦平面式高光通量仿生多光谱偏振成像探测器 |
| CN116797676A (zh) * | 2023-06-06 | 2023-09-22 | 北京航空航天大学 | 一种适用于编码孔径压缩光谱偏振成像重建的方法 |
-
2024
- 2024-01-16 CN CN202410058658.1A patent/CN117571128B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120226480A1 (en) * | 2011-03-04 | 2012-09-06 | Ricoh Co., Ltd. | Design of Filter Modules for Aperture-coded, Multiplexed Imaging Systems |
| CN103453993A (zh) * | 2013-09-13 | 2013-12-18 | 中国科学院空间科学与应用研究中心 | 基于稀疏孔径压缩计算关联的主动高光谱成像系统及方法 |
| US10198790B1 (en) * | 2015-07-16 | 2019-02-05 | Hrl Laboratories, Llc | Multi-domain foveated compressive sensing system for adaptive imaging |
| US20180260649A1 (en) * | 2017-03-08 | 2018-09-13 | Raytheon Company | Multi-channel compressive sensing-based object recognition |
| CN108765280A (zh) * | 2018-03-30 | 2018-11-06 | 徐国明 | 一种高光谱图像空间分辨率增强方法 |
| KR20200026549A (ko) * | 2018-09-03 | 2020-03-11 | 인천대학교 산학협력단 | 에지 컴퓨팅용 초고해상도 영상을 복원하기 위한 초고해상도 영상 복원 장치 및 방법 |
| CN111426383A (zh) * | 2020-04-17 | 2020-07-17 | 北京理工大学重庆创新中心 | 机器学习优化稀疏基的高光谱全偏振图像压缩重构方法 |
| 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 |
| CN115307733A (zh) * | 2022-07-14 | 2022-11-08 | 长春理工大学 | 一种空间维编码光谱偏振一体化成像系统及其设计方法 |
| CN115950534A (zh) * | 2023-01-10 | 2023-04-11 | 福州大学 | 分焦平面式高光通量仿生多光谱偏振成像探测器 |
| CN116797676A (zh) * | 2023-06-06 | 2023-09-22 | 北京航空航天大学 | 一种适用于编码孔径压缩光谱偏振成像重建的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 史浩东.ET.AL: "复杂海况下海洋生态环境多维度光学监测方法", 光学学报, vol. 42, no. 6, 31 March 2022 (2022-03-31) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118175435A (zh) * | 2024-05-13 | 2024-06-11 | 中国工程物理研究院电子工程研究所 | 一种基于强度差值的多尺度残差多光谱去马赛克网络结构 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117571128B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Hyperspectral image reconstruction using a deep spatial-spectral prior | |
| Yang et al. | Compressive hyperspectral imaging via sparse tensor and nonlinear compressed sensing | |
| Arce et al. | Compressive coded aperture spectral imaging: An introduction | |
| Peng et al. | Residual pixel attention network for spectral reconstruction from RGB images | |
| CN117571128B (zh) | 一种高分辨率偏振光谱图像成像方法及系统 | |
| CN108955882B (zh) | 基于液晶高光谱计算成像系统的三维数据重构方法 | |
| WO2021110262A1 (en) | Noise reconstruction for image denoising | |
| CN111157114B (zh) | 基于波长转换的长波红外多光谱成像方法及装置 | |
| 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 | |
| CN113870132A (zh) | 计算鬼成像采样过程中的噪声消除方法、系统及相关组件 | |
| CN115700727A (zh) | 基于自注意力机制的光谱超分辨率重建方法及系统 | |
| CN109087262B (zh) | 一种多视图光谱图像的重建方法、存储介质 | |
| CN118411290B (zh) | 无监督高光谱图像融合方法、系统、存储介质及产品 | |
| CN115855250A (zh) | 一种基于深度学习光谱编解码的光谱成像系统 | |
| Fan et al. | Global sensing and measurements reuse for image compressed sensing | |
| CN109682476B (zh) | 一种利用自适应编码孔径进行压缩高光谱成像的方法 | |
| CN115795221A (zh) | 联合深度先验和可学习成像模型的光谱计算成像方法与装置 | |
| CN112989593B (zh) | 基于双相机的高光谱低秩张量融合计算成像方法 | |
| CN114862976A (zh) | 一种用于旋转衍射的多光谱图像重建方法 | |
| CN117974909A (zh) | 一种双阶段多尺度的高光谱快照压缩成像图像重建方法 | |
| CN117906759A (zh) | 一种基于深度学习的双相机快照式计算光谱成像系统 | |
| CN117764862A (zh) | 一种基于空谱双先验频域增强的高光谱图像重建方法 | |
| CN117392327A (zh) | 一种基于先验图像和自编码器模型的高光谱图像重构方法 | |
| 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 | |
| CN115855839A (zh) | 一种基于admm框架的改进空谱融合高光谱计算重构方法 |
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 |