CN207280593U - 基于计算光谱成像技术的光谱分类器 - Google Patents
基于计算光谱成像技术的光谱分类器 Download PDFInfo
- Publication number
- CN207280593U CN207280593U CN201721204586.9U CN201721204586U CN207280593U CN 207280593 U CN207280593 U CN 207280593U CN 201721204586 U CN201721204586 U CN 201721204586U CN 207280593 U CN207280593 U CN 207280593U
- Authority
- CN
- China
- Prior art keywords
- spectral
- pixel
- lens
- spectrum
- micro mirror
- 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.)
- Withdrawn - After Issue
Links
Landscapes
- Spectrometry And Color Measurement (AREA)
Abstract
为了解决现有成像光谱技术其重构后数据立方体数据量过大致使数据传输、存储和处理系统的负荷大幅增加的技术问题，本实用新型提供了一种基于计算光谱成像技术的光谱分类器，基于计算光谱成像技术，利用二维数字微镜阵列对目标像元分光后光谱进行编码滤波，逐行依据最小距离分类算法进行光谱分类并输出分类结果，无需重构数据立方体，极大减轻了数据传输系统、存储系统和处理系统的负担，大幅提高了分类效率。
Description
技术领域
本实用新型属于光学技术领域，涉及一种光谱分类器。
背景技术
传统的高光谱分类是以高光谱成像仪输出并重构的三维数据立方体为研究对象，利用其高分辨率、多波段等精细光谱特征和图谱合一的特点，进行空间像元的分析，实现针对像元的分类判断。高光谱数据包含目标的空间、辐射和光谱信息，为目标精细分类带来了机遇，但同时也带来了新的挑战。体量巨大的数据信息，不仅给高光谱分类系统带来了巨大的运算量、较高处理复杂度，同时，也使数据传输和存储系统的负荷大幅增加，并导致实时应用困难。
针对上述挑战，近些年国内外学者们提出了许多新型成像光谱技术，通过降低数据采集量的方式，减轻系统开销，如基于压缩感知理论的计算光谱成像技术等。计算光谱成像技术基于传统的色散型光谱成像技术，引入具有特殊数学形式的二维编码模版，对目标的空间信息和光谱信息进行调制，从而获取二维图谱混叠图像，并采用感知理论对其进行三维图谱重构，最终形成目标的三维数据立方体。例如，美国杜克大学的Wagadarikar等人提出的编码孔径快照光谱成像系统(CASSI)，在传统的色散型成像光谱系统基础上，用具有特殊数学形式的二维扩展编码孔径代替狭缝，通过单次二维测量来获取三维数据立方体的压缩光谱图像，并利用压缩感知理论重构目标数据立方体。
然而，这些先进的新型成像光谱技术，其最终目标仍然是数据立方体的重构。而其重构算法，往往比较复杂，也较难以实现。比如，对于CASSI，其重构效果取决于光谱数据立方体的稀疏性。同时，仍然要面对重构后数据立方体带来的大数据量问题。
实用新型内容
为了解决上述现有成像光谱技术其重构后数据立方体数据量过大致使数据传输、存储和处理系统的负荷大幅增加的技术问题，本实用新型提供了一种基于计算光谱成像技术的光谱分类器。
本实用新型的技术解决方案如下：
基于计算光谱成像技术的光谱分类器，其特殊之处在于，包括分光系统、二维数字微镜阵列、控制系统、复合成像系统和处理器；
所述分光系统用于将接收的一行空间像元的辐射光分成具有指定波段的光谱；
所述二维数字微镜阵列用于对所述光谱进行光学调制，由多个微镜单元组成，每个微镜单元对应一个像素；二维数字微镜阵列其中一维的微镜单元数量大于等于所述具有指定波段的光谱的波段数，另一维的微镜单元数量大于等于所述一行空间像元的像元数；
所述控制系统输出数字电压信号控制所述微镜单元旋转实现光开关，并通过控制所述微镜单元的光开关时间确定调制系数；所述数字电压信号根据各类别代表光谱向量设置；每个微镜单元的光开关时间由各类别代表光谱向量的对应波段值决定；
所述复合成像系统接收调制后的光谱，进行反向合光，并依次记录当前一行空间像元中每个像元光谱向量与各类别代表光谱向量的内积；
所述处理器根据所述内积，计算当前行空间像元中每个像元光谱向量分别到各类别代表光谱向量的距离，最后根据最小距离分类算法完成当前行空间中每个像元的分类并输出。
进一步地，上述分光系统可采用以下两种方案：
第一种，上述分光系统包括沿入射光路依次设置的第一透镜、准直镜、第一光栅组件和第二透镜；一行空间像元的辐射光由第一透镜入射，经准直镜准直后，通过第一光栅组件色散分成具有指定波段的光谱，所述具有指定波段的光谱最后通过第二透镜透射到所述二维数字微镜阵列。
第二种，上述分光系统包括沿入射光路依次设置的第一透镜、准直镜、第一棱镜和第二透镜；一行空间像元的辐射光由第一透镜入射，经准直镜准直后，通过第一棱镜色散分成具有指定波段的光谱，所述具有指定波段的光谱最后通过第二透镜透射到所述二维数字微镜阵列。
进一步地，上述复合成像系统可采用以下两种方案：
第一种，上述复合成像系统包括沿接收光路依次设置的第三透镜、第二光栅组件、第四透镜和线阵探测器；经所述二维数字微镜阵列调制后的调制光谱经第三透镜透射至第二光栅组件上，第二光栅组件反向合光所述调制光谱后，最后通过第四透镜照射到线阵探测器的对应像元单元，由线阵探测器依次记录当前空间行中每个像元光谱向量与各类别代表光谱向量的内积。
第二种，上述复合成像系统包括沿接收光路依次设置的第三透镜、第二棱镜、第四透镜和线阵探测器；经所述二维数字微镜阵列调制后的调制光谱经第三透镜透射至第二棱镜上，第二棱镜反向合光所述调制光谱，最后通过第四透镜照射到线阵探测器的对应像元单元，由线阵探测器依次记录当前空间行中每个像元光谱向量与各类别代表光谱向量的内积。
本实用新型同时提供了利用上述基于计算光谱成像技术的光谱分类器进行光谱分类的方法，包括以下步骤：
1)分光系统将接收的一行空间像元的辐射光，按波长大小顺序分成具有指定波段的光谱；
2)控制系统输出数字电压信号，控制二维数字微镜阵列对所述具有指定波段的光谱进行光学调制；所述数字电压信号根据各类别代表光谱向量设置；每个微镜单元的光开关时间由各类别代表光谱向量的对应波段值决定；
3)复合成像系统接收调制后的光谱，进行反向合光，并依次记录当前行空间像元中每个像元光谱向量与各类别代表光谱向量的内积；
4)分别计算出当前行空间像元光谱到各类别代表光谱的距离；
5)处理器根据最小距离分类算法，将当前行空间像元光谱归为与其距离最小的光谱的类别中，完成当前行空间中每个像元的分类并输出；
6)重复步骤1)-5)依次完成其余行空间像元的分类并输出。
进一步地，上述步骤4)中的距离为欧式距离d，具体为
式中，x是当前行空间像元分光后的光谱向量，即未知像元的光谱向量；c是各类别代表光谱向量；N是光谱维数。
本实用新型的优点：
本实用新型基于计算光谱成像技术，利用二维数字微镜阵列对分光后光谱进行编码滤波，逐行依据最小距离分类算法进行光谱分类并输出分类结果，无需重构数据立方体，极大减轻了数据传输系统、存储系统和处理系统的负担，大幅提高分类效率。
附图说明
图1是本实用新型实施例光谱分类器的光学结构原理示意图；
图中标号：1-分光系统，11-第一透镜，12-准直镜，13-第一光栅组件，14-第二透镜，2-二维数字微镜阵列，3-控制系统，4-复合成像系统，41-第三透镜，42-第二光栅组件，43-第四透镜，44-线阵探测器，5-处理器。
具体实施方式
以下结合附图和具体实施方式对本实用新型作进一步详述。
参见图1，本实用新型所提供的基于计算光谱成像技术的光谱分类器包括分光系统1、二维数字微镜阵列2、控制系统3、复合成像系统4和处理器5；
分光系统1用于将其接收的一行空间像元的辐射光分成具有指定波段的光谱；本实施例中，分光系统1包括沿入射光路依次设置的第一透镜11、准直镜12、第一光栅组件13和第二透镜14；一行空间像元的辐射光由第一透镜11入射，经准直镜12准直后，通过第一光栅组件13色散分成具有指定波段的光谱，该光谱最后通过第二透镜14照射到二维数字微镜阵列2上。在其他实施例中，第一光栅组件13可由棱镜替代。
二维数字微镜阵列2用于对分光系统1输出的光谱进行光学调制，即空间光编码滤波；二维数字微镜阵列2是一种电寻址的空间光调制器，由多个微镜单元组成，每个微镜单元对应一个像素，即二维数字微镜阵列2的物理分辨率是由微镜单元的数目决定的；二维数字微镜阵列2其中一维的微镜单元数量大于等于所述光谱的波段数，从而覆盖推扫式光谱成像仪输出的所有光谱波段；另一维的微镜单元数量大于等于所述一行空间像元的像元数，从而覆盖一行空间像元中的所有像元。在其他实施例中，二维数字微镜阵列2还可采用其他类型的空间光调制器(SLM)对照射在其上的光谱进行光学调制。
控制系统3输出数字电压信号控制每个微镜单元的反射镜旋转，从而实现光开关；控制系统3还能通过控制所述每个微镜单元的光开关时间来确定调制系数；所述数字电压信号根据各类别代表光谱向量设置，每个微镜单元的光开关时间由各类别代表光谱向量的对应波段值决定。控制系统3输出的数字电压信号是可调节的，且是正的数字信号；而对于光学调制(即空间光编码滤波)，其调制系数(即滤波光谱系数)是可编码的，且滤波光谱曲线(也就是某类的代表光谱向量)值是正的模拟信号，可通过量化转化为所述数字电压信号。因此，将分光后的光谱照射到二维数字微镜阵列2上，并由控制器设置和输出所需的调制系数(即滤波光谱系数)控制对应微镜单元的开关，即可实现空间光编码滤波。
复合成像系统4接收二维数字微镜阵列2调制后的光谱，进行反向合光，并依次记录当前行空间像元中每个像元光谱向量与各类别代表光谱向量的内积。本实施例中复合成像系统4包括沿其接收光路依次设置的第三透镜41、第二光栅组件42、第四透镜43和线阵探测器44；经二维数字微镜阵列2调制后的调制光谱经第三透镜41透射至第二光栅组件42上，第二光栅组件42反向合光所述调制光谱，最后通过第四透镜43照射到线阵探测器44的对应像元单元上，由线阵探测器44依次记录当前空间行中每个像元光谱向量与各类别代表光谱向量的内积。在其他实施例中，第二光栅组件42可由棱镜替代。
处理器5根据复合成像系统4输出的内积，计算当前行空间像元中每个像元光谱向量分别到各类别代表光谱的距离，最后根据最小距离分类算法完成当前行空间中每个像元的分类。
利用本实用新型的光谱分类器进行光谱分类的过程是：
第一步，分光系统1将接收的一行空间像元的辐射光，按波长大小顺序分成具有指定波段的光谱；这里的指定波段是根据光谱分辨率、波段范围等参数决定的，分光系统1的设计需符合所述参数要求；
第二步，依次采用各类别代表光谱向量设置控制系统3输出的控制所述二维数字微镜阵列2的数字电压信号，二维数字微镜阵列2中每一列微镜单元的开关时间由各类别代表光谱向量的对应波段值决定；
第三步，复合成像系统4接收调制后的光谱，并通过线阵探测器44依次记录当前行空间像元中每个像元光谱向量与各类别代表光谱向量的内积；
第四步，处理器5根据所述内积值进一步计算出当前行空间像元中每个像元光谱向量分别到各类别代表光谱的距离(本实施例中为欧式距离)；
第五步，根据最小距离分类算法对当前行空间的每个像元进行分类并输出；
第六步，重复步骤一～五依次完成其余行空间像元的分类并输出。
本实用新型的技术思路和技术原理：
本实用新型采用最小距离分类算法，属于监督分类算法，适用于要识别的每一个类都有一个代表向量(光谱)的情况。若两个像元光谱之间距离越小，说明二者越相近，属于同类别的概率就越大。因此，为实现光谱分类，首先需要分别求出未知像元光谱到各类别代表光谱的距离，然后通过比较将未知像元光谱归为与其距离最小的光谱类别中。计算距离的方法有很多种，本实施例采用欧式距离d，如公式(1)所示。
其中，x是未知像元的光谱向量(也就是当前行空间像元分光后的光谱向量)，c是各类别代表光谱向量(也就是编码滤波的滤波光谱系数)，N是光谱维数。
若d越小，则d2就越小，因此，可将未知像元的光谱分类判据从公式(1)转换成公式(2)，即将未知像元x归为使d2最小的类c。
将公式(2)扩展并重组，即
公式(3)中，是未知像元光谱向量x的模平方，在针对各类别的d2计算过程中是常量，因此，分类判据可由公式(2)转换为下述公式(4)，即将未知像元x归为使d′最小的类c。
公式(4)中，是各类别代表光谱向量c的模平方，在针对各类别的d′计算过程中是变量，但由于每个类别代表光谱向量是已知的，属于先验信息，可预先求出其值；是未知像元光谱向量x和各类别代表光谱向量c的内积，可通过编码滤波实现，其中，当前行空间像元分光后的光谱向量x是二维数字微镜阵列编码滤波的输入，编码滤波的滤波光谱系数c是一个向量，其长度是光谱维数大小N，因此可绘制成滤波光谱曲线，作为二维数字微镜的控制信号。
滤波光谱曲线，应尽可能与某类物质的光谱曲线接近，而且是编码式的，针对不同类别光谱可通过不同的编码滤波模版形成不同的滤波光谱曲线。也就是说，是分光后的光谱经过二维数字微镜编码滤波后输出的调制光，可由线阵探测器44获取并输出。
因此，本实用新型结合分光系统和二维数字微镜阵列实现空间像元的分类，在进行每一行空间像元的分类处理时，先求出各类别代表光谱向量c的模平方，再从中减去由线阵探测器44获取的未知像元的调制光的二倍得到d′，找到d′的最小值对应的编码滤波模版，即可判定当前行空间每一个未知像元的所属类别，实现光谱分类。
Claims (5)
1.基于计算光谱成像技术的光谱分类器，其特征在于：包括分光系统、二维数字微镜阵列、控制系统、复合成像系统和处理器；
所述分光系统用于将接收的一行空间像元的辐射光分成具有指定波段的光谱；
所述二维数字微镜阵列用于对所述具有指定波段的光谱进行光学调制，由多个微镜单元组成，每个微镜单元对应一个像素；二维数字微镜阵列其中一维的微镜单元数量大于等于所述具有指定波段的光谱的波段数，另一维的微镜单元数量大于等于所述一行空间像元的像元数；
所述控制系统输出数字电压信号控制所述微镜单元旋转实现光开关，并通过控制所述微镜单元的光开关时间确定调制系数；所述数字电压信号根据各类别代表光谱向量设置；每个微镜单元的光开关时间由各类别代表光谱向量的对应波段值决定；
所述复合成像系统接收调制后的光谱，进行反向合光，并依次记录当前一行空间像元中每个像元光谱向量与各类别代表光谱向量的内积；
所述处理器根据所述内积，计算当前行空间像元中每个像元光谱向量分别到各类别代表光谱向量的距离，最后根据最小距离分类算法完成当前行空间中每个像元的分类并输出。
2.根据权利要求1所述基于计算光谱成像技术的光谱分类器，其特征在于，所述分光系统包括沿入射光路依次设置的第一透镜、准直镜、第一光栅组件和第二透镜；一行空间像元的辐射光由第一透镜入射，经准直镜准直后，通过第一光栅组件色散分成具有指定波段的光谱，所述具有指定波段的光谱最后通过第二透镜透射到所述二维数字微镜阵列。
3.根据权利要求1所述基于计算光谱成像技术的光谱分类器，其特征在于，所述分光系统包括沿入射光路依次设置的第一透镜、准直镜、第一棱镜和第二透镜；一行空间像元的辐射光由第一透镜入射，经准直镜准直后，通过第一棱镜色散分成具有指定波段的光谱，所述具有指定波段的光谱最后通过第二透镜透射到所述二维数字微镜阵列。
4.根据权利要求1所述基于计算光谱成像技术的光谱分类器，其特征在于，所述复合成像系统包括沿接收光路依次设置的第三透镜、第二光栅组件、第四透镜和线阵探测器；经所述二维数字微镜阵列调制后的调制光谱经第三透镜透射至第二光栅组件上，第二光栅组件反向合光所述调制光谱后，最后通过第四透镜照射到线阵探测器的对应像元单元，由线阵探测器依次记录当前空间行中每个像元光谱向量与各类别代表光谱向量的内积。
5.根据权利要求1所述基于计算光谱成像技术的光谱分类器，其特征在于，所述复合成像系统包括沿接收光路依次设置的第三透镜、第二棱镜、第四透镜和线阵探测器；经所述二维数字微镜阵列调制后的调制光谱经第三透镜透射至第二棱镜上，第二棱镜反向合光所述调制光谱，最后通过第四透镜照射到线阵探测器的对应像元单元，由线阵探测器依次记录当前空间行中每个像元光谱向量与各类别代表光谱向量的内积。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201721204586.9U CN207280593U (zh) | 2017-09-19 | 2017-09-19 | 基于计算光谱成像技术的光谱分类器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201721204586.9U CN207280593U (zh) | 2017-09-19 | 2017-09-19 | 基于计算光谱成像技术的光谱分类器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN207280593U true CN207280593U (zh) | 2018-04-27 |
Family
ID=61982321
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201721204586.9U Withdrawn - After Issue CN207280593U (zh) | 2017-09-19 | 2017-09-19 | 基于计算光谱成像技术的光谱分类器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN207280593U (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107560732A (zh) * | 2017-09-19 | 2018-01-09 | 中国科学院西安光学精密机械研究所 | 基于计算光谱成像技术的光谱分类器及分类方法 |
| CN108827470A (zh) * | 2018-07-20 | 2018-11-16 | 中国科学院西安光学精密机械研究所 | 基于全约束最小二乘法的自适应光谱解混合的光学实现方法及系统 |
| CN111721720A (zh) * | 2020-06-29 | 2020-09-29 | 北京深测科技有限公司 | 一种光谱成像系统 |
-
2017
- 2017-09-19 CN CN201721204586.9U patent/CN207280593U/zh not_active Withdrawn - After Issue
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107560732A (zh) * | 2017-09-19 | 2018-01-09 | 中国科学院西安光学精密机械研究所 | 基于计算光谱成像技术的光谱分类器及分类方法 |
| CN107560732B (zh) * | 2017-09-19 | 2023-05-26 | 中国科学院西安光学精密机械研究所 | 基于计算光谱成像技术的光谱分类器及分类方法 |
| CN108827470A (zh) * | 2018-07-20 | 2018-11-16 | 中国科学院西安光学精密机械研究所 | 基于全约束最小二乘法的自适应光谱解混合的光学实现方法及系统 |
| CN108827470B (zh) * | 2018-07-20 | 2019-11-15 | 中国科学院西安光学精密机械研究所 | 基于全约束最小二乘法的自适应光谱解混合的光学实现方法及系统 |
| CN111721720A (zh) * | 2020-06-29 | 2020-09-29 | 北京深测科技有限公司 | 一种光谱成像系统 |
| CN111721720B (zh) * | 2020-06-29 | 2023-09-01 | 北京深测科技有限公司 | 一种光谱成像系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liao et al. | Deep learning for fusion of APEX hyperspectral and full-waveform LiDAR remote sensing data for tree species mapping | |
| Smartt et al. | PESSTO: survey description and products from the first data release by the Public ESO Spectroscopic Survey of Transient Objects | |
| Geach | Unsupervised self-organized mapping: a versatile empirical tool for object selection, classification and redshift estimation in large surveys | |
| CN207280593U (zh) | 基于计算光谱成像技术的光谱分类器 | |
| CN103913229B (zh) | 编码模板多目标主动成像光谱系统及方法 | |
| EP2511680A2 (en) | Optimized orthonormal system and method for reducing dimensionality of hyperspectral Images | |
| CN104154998B (zh) | 一种基于压缩感知的计算多光谱成像图谱的重构方法 | |
| Hong et al. | Globenet: Convolutional neural networks for typhoon eye tracking from remote sensing imagery | |
| CN204788661U (zh) | 基于压缩感知的计算多光谱成像系统 | |
| CN107560732A (zh) | 基于计算光谱成像技术的光谱分类器及分类方法 | |
| Hang et al. | Graph regularized nonlinear ridge regression for remote sensing data analysis | |
| Vargas et al. | Spectral image fusion from compressive measurements using spectral unmixing and a sparse representation of abundance maps | |
| Hu et al. | Spectroscopic studies of type Ia supernovae using LSTM neural networks | |
| Beck et al. | Detection of solar-like oscillations in the bright red giant stars γ Piscium and θ1 Tauri from a 190-day high-precision spectroscopic multi-site campaign | |
| CN109211790A (zh) | 一种基于傅里叶功率谱探测的单像素相位成像方法 | |
| CN111598962B (zh) | 基于矩阵草图分析的单像素成像方法和装置 | |
| CN115731191A (zh) | 一种基于神经网络的窄波段光谱成像方法 | |
| Sun et al. | Tuning IR-cut filter for illumination-aware spectral reconstruction from RGB | |
| CN115307733A (zh) | 一种空间维编码光谱偏振一体化成像系统及其设计方法 | |
| CN115855250A (zh) | 一种基于深度学习光谱编解码的光谱成像系统 | |
| Yang et al. | Deep‐learning based on‐chip rapid spectral imaging with high spatial resolution | |
| CN113256733A (zh) | 基于置信度投票卷积神经网络的相机光谱灵敏度重建方法 | |
| Del Rocco et al. | Real-time spectral radiance estimation of hemispherical clear skies with machine learned regression models | |
| CN116312860B (zh) | 基于监督迁移学习的农产品可溶性固形物预测方法 | |
| CN109447009B (zh) | 基于子空间核范数正则化回归模型的高光谱图像分类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| AV01 | Patent right actively abandoned |
Granted publication date: 20180427 Effective date of abandoning: 20230526 |
|
| AV01 | Patent right actively abandoned |
Granted publication date: 20180427 Effective date of abandoning: 20230526 |
|
| AV01 | Patent right actively abandoned | ||
| AV01 | Patent right actively abandoned |