FI3832359T3 - Menetelmä ja laite linssittömän hyperspektraalisen kuvan kuvantamiseksi - Google Patents
Menetelmä ja laite linssittömän hyperspektraalisen kuvan kuvantamiseksi Download PDFInfo
- Publication number
- FI3832359T3 FI3832359T3 FIEP20748181.3T FI20748181T FI3832359T3 FI 3832359 T3 FI3832359 T3 FI 3832359T3 FI 20748181 T FI20748181 T FI 20748181T FI 3832359 T3 FI3832359 T3 FI 3832359T3
- Authority
- FI
- Finland
- Prior art keywords
- function
- spiking
- image
- hyperspectral image
- neural network
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B5/00—Optical elements other than lenses
- G02B5/18—Diffraction gratings
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Optics & Photonics (AREA)
- Spectrometry And Color Measurement (AREA)
- Microscoopes, Condenser (AREA)
Claims (11)
1. Menetelmä hyperspektraalisen kuvan rekonstruoimiseksi, joka menetelmä käsittää: vastaanotetaan kuva, joka on valokuvattu diffraktisen optisen ele- mentin kautta; ja rekonstruoidaan vastaanotetun kuvan hyperspektraalinen kuva pe- rustuen vastaanotettuun kuvaan ja informaatioon pistelevitysfunktiosta diffrak- tisen optisen elementin kutakin aallonpituutta varten, jossa diffraktinen optinen elementti on konfiguroitu generoimaan pistelevitysfunktion anisotrooppinen muoto, joka vaihtelee spektrin kanssa, jossa kun valon aallonpituus muuttuu, pistelevitysfunktion koko on muuttumaton, kun taas pistelevitysfunktion muoto pyörii, aiheuttaen pistelevitysfunktion diffraktisen pyörimisen.
2. Patenttivaatimuksen 1 mukainen menetelmä, jossa hyperspekt- raalisen kuvan rekonstruoiminen sisältää: rekonstruoidaan vastaanotetun kuvan hyperspektraalinen kuva neu- roverkolla, jota on koulutettu aiemmin generoidulla oppimismallilla, perustuen informaatioon pistelevitysfunktiosta kutakin aallonpituutta ja vastaanotettua ku- vaa varten.
3. Patenttivaatimuksen 2 mukainen menetelmä, jossa neuroverkko on konfiguroitu oppimaan spatiaalinen priori ja spektraalinen priori luonnollisen spektrin kuvan hyperspektraalisesta kuvasta ja rekonstruoimaan hyperspekt- raalinen kuva pistelevitysfunktion diffraktiivisella pyörimisellä.
4. Patenttivaatimuksen 3 mukainen menetelmä, jossa hyperspekt- raalisen kuvan rekonstruoiminen sisältää: rekonstruoidaan vastaanotetun kuvan hyperspektraalinen kuva tois- tamalla optimointitekniikkaa määritellyn määrän kertoja.
5. Patenttivaatimuksen 2 mukainen menetelmä, jossa neuroverkko käsittää monivaiheisen neuroverkon.
6. Laite hyperspektraalisen kuvan rekonstruoimiseksi, joka laite kä- — sittää:
vastaanottoyksikön konfiguroituna vastaanottamaan kuva, joka on valokuvattu diffraktisen optisen elementin kautta; ja rekonstruointiyksikön konfiguroituna rekonstruoimaan vastaanotetun kuvan hyperspektraalinen kuva perustuen vastaanotettuun kuvaan ja informaa- tioon pistelevitysfunktiosta diffraktisen optisen elementin kutakin aallonpituutta varten, jossa diffraktinen optinen elementti on konfiguroitu generoimaan piste- levitysfunktion anisotrooppinen muoto, joka vaihtelee spektrin kanssa, jossa kun valon aallonpituus muuttuu, pistelevitysfunktion koko on muuttumaton, kun taas pistelevitysfunktion muoto pyörii, aiheuttaen pistelevitysfunktion diffrakti- sen pyörimisen.
7. Patenttivaatimuksen 6 mukainen laite, jossa rekonstruointiyksikkö on konfiguroitu rekonstruoimaan vas- taanotetun kuvan hyperspektraalinen kuva perustuen informaatioon pistelevi- —tysfunktiosta kutakin aallonpituutta, vastaanotettua kuvaa ja neuroverkkoa var- ten, jota on koulutettu aiemmin generoidulla oppimismallilla.
8. Patenttivaatimuksen 7 mukainen laite, jossa neuroverkko on kon- figuroitu oppimaan spatiaalinen priori ja spektraalinen priori hyperspektraali- sesta kuvasta oppimismallilla ja rekonstruoimaan spektraalinen kuva pistelevi- tysfunktion diffraktiivisella pyörimisellä.
9. Patenttivaatimuksen 6 mukainen laite, jossa rekonstruointiyksikkö on konfiguroitu rekonstruoimaan vastaanotetun kuvan hyperspektraalinen kuva reflektoimalla optimointitekniikkaa pistelevitysfunktion diffraktiivisella pyörimi- sellä.
10. Patenttivaatimuksen 9 mukainen laite, jossa rekonstruointiyksik- kö on konfiguroitu rekonstruoimaan vastaanotetun kuvan hyperspektraalinen kuva toistamalla optimointitekniikkaa määritellyn määrän kertoja.
11. Patenttivaatimuksen / mukainen laite, jossa neuroverkko käsit- tää monivaiheisen neuroverkon.
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR20190010977 | 2019-01-29 | ||
KR1020190071347A KR20200094058A (ko) | 2019-01-29 | 2019-06-17 | 렌즈리스 초분광 영상 이미징 방법 및 그 장치 |
KR1020190096565A KR102269229B1 (ko) | 2019-01-29 | 2019-08-08 | 렌즈리스 초분광 영상 이미징 방법 및 그 장치 |
PCT/KR2020/001346 WO2020159223A1 (ko) | 2019-01-29 | 2020-01-29 | 렌즈리스 초분광 영상 이미징 방법 및 그 장치 |
Publications (1)
Publication Number | Publication Date |
---|---|
FI3832359T3 true FI3832359T3 (fi) | 2023-04-25 |
Family
ID=71842318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
FIEP20748181.3T FI3832359T3 (fi) | 2019-01-29 | 2020-01-29 | Menetelmä ja laite linssittömän hyperspektraalisen kuvan kuvantamiseksi |
Country Status (2)
Country | Link |
---|---|
FI (1) | FI3832359T3 (fi) |
WO (1) | WO2020159223A1 (fi) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112700000A (zh) * | 2020-12-11 | 2021-04-23 | 北京信息科技大学 | 一种光电混合深度卷积神经网络方法 |
CN114791669B (zh) * | 2022-04-28 | 2024-06-21 | 中国科学院苏州纳米技术与纳米仿生研究所 | 大尺寸消色差超表面透镜及其设计方法、制造方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7499174B2 (en) * | 2005-01-12 | 2009-03-03 | John Farah | Lensless imaging with reduced aperture |
CN107615022A (zh) * | 2015-03-24 | 2018-01-19 | 犹他大学研究基金会 | 具有用于创建空间编码图像的图像分散性的成像设备 |
JP2017191071A (ja) * | 2016-04-15 | 2017-10-19 | キヤノン株式会社 | 分光データ処理装置、撮像装置、分光データ処理方法および分光データ処理プログラム |
-
2020
- 2020-01-29 FI FIEP20748181.3T patent/FI3832359T3/fi active
- 2020-01-29 WO PCT/KR2020/001346 patent/WO2020159223A1/ko active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2020159223A1 (ko) | 2020-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mait et al. | Computational imaging | |
Shi et al. | Hscnn+: Advanced cnn-based hyperspectral recovery from rgb images | |
Arguello et al. | Shift-variant color-coded diffractive spectral imaging system | |
FI3832359T3 (fi) | Menetelmä ja laite linssittömän hyperspektraalisen kuvan kuvantamiseksi | |
CN103822577B (zh) | 单像素太赫兹全息成像装置和方法 | |
US9823126B2 (en) | Apparatus and method for snapshot spectral imaging | |
JP2008527393A5 (fi) | ||
CN103913228B (zh) | 编码模板多目标超分辨率时间飞行成像系统及方法 | |
CN103913229B (zh) | 编码模板多目标主动成像光谱系统及方法 | |
CN103925997B (zh) | 编码模板多目标超分辨率主动成像系统及方法 | |
US11237059B1 (en) | Totagraphy: Coherent diffractive/digital information reconstruction by iterative phase recovery using special masks | |
CN103954357A (zh) | 压缩光谱成像系统测量矩阵的获取方法 | |
Fu et al. | Compressive spectral imaging via polar coded aperture | |
JP6762171B2 (ja) | データ作成装置、光制御装置、データ作成方法、及びデータ作成プログラム | |
Johnson et al. | Spatial-spectral modulating snapshot hyperspectral imager | |
Zimmermann et al. | Deep learning-based hyperspectral image reconstruction from emulated and real computed tomography imaging spectrometer data | |
Ye et al. | Towards practical single-shot phase retrieval with physics-driven deep neural network | |
CN116743934B (zh) | 一种基于深度学习和鬼成像的等分辨率图像隐藏加密方法 | |
Domingue et al. | General theoretical treatment of spectral modulation light-labeling spectroscopy | |
EP2700902A1 (fr) | Procédé et dispositif d'imagerie télémétrique | |
EP3502783A1 (en) | Holographic display method and device | |
US20230280692A1 (en) | Totagraphy: Coherent Diffractive/Digital Information Reconstruction by Iterative Phase Recovery Using a Second Camera Imaging the Input Plane | |
Cox et al. | Point-spread function modeling for the James Webb Space Telescope | |
US11609117B2 (en) | Multi-layer spectral modulation spectrometer | |
Jacome et al. | Compressive Spectral Imaging Fusion Implementation Based on an End-to-End Optimization Design |