一种多光谱采集的高光谱计算成像方法、系统及相关设备技术方案

本发明专利技术适用于计算光学成像领域，提供了一种多光谱采集的高光谱计算成像方法、系统及相关设备，所述方法包括：获取滤光片的参数；构建光谱仿真重建网络；设定最小重建误差，并以滤光片的参数设置退火算法的变量，构建仿真透过率曲线对光谱仿真重建网络进行训练，计算误差，直到退火算法计算出最优解，得到最优参数；根据最优参数训练光谱重建网络，同时选择对应的滤光片组成光谱采样单元，并对目标光谱进行采样，得到混合光谱图片；对混合光谱图片配准，得到配准光谱图片；将配准光谱图片输入光谱重建网络，得到重建光谱图像。本发明专利技术提高了光谱采集速度，解决了快照式光谱采集的配准问题，进一步提高了高光谱计算成像的精确度。进一步提高了高光谱计算成像的精确度。进一步提高了高光谱计算成像的精确度。

【技术实现步骤摘要】
一种多光谱采集的高光谱计算成像方法、系统及相关设备


[0001]本专利技术属于计算光学成像领域，尤其涉及一种多光谱采集的高光谱计算成像方法、系统及相关设备。

技术介绍

[0002]高光谱成像(Hypespectral)是一种可以捕获和分析一片空间区域内逐点上光谱的精细技术，通过分析光谱可以了解物质成分及组分分析，成像技术可获得物质轮廓纹理信息，光谱分析和成像相结合的光谱成像系统可测得图像每个像素的对应物质的化学成分，可在复杂背景下检测和识别高价值目标，而计算光学成像是一种通过联合优化光学系统和信号处理来实现特定成像功能与特性的新兴研究领域，主要是采用照明与光学系统调制等方式，建立目标场景与观测图像之间的变换或调制模型，然后利用逆问题求解等数学手段，通过计算反演来进行成像的一种光电信息处理技术。
[0003]现有技术中，应用于遥感遥测及工业在线检测的推扫型光谱成像系统，由光谱图像采集和光谱图像分析两个模块组成，光谱图像采集时，狭缝把目标分割为一维线条，光栅把一维线条的每一点光谱在空间展开形成一维线条的光谱平面，利用面阵图像传感器采集光谱平面图像，获得一维线条的每一点的光谱数据，进一步获取目标二维图像的光谱数据则需要相机相对目标推扫运动，从而将一维线条的光谱数据进行拼接，得到二维图像，完成1000线的扫描时间通常需要数十秒，因此在光谱图像数据量大的情况下，数据的传输和处理需要较长时间。另一方面，基于AOTF(Acousto
‑
Optic Tunable Filter，声光可调谐滤波器)的光谱成像技术，具有微秒量级的切换时间，但AOTF本身的成本高、通光孔径小、视角小、厚度超过100mm，还需要高压驱动器，使得集成性能较差；达拉维尔大学(University of Delaware)的Arce等人提出的SSCSI(spatical
‑
spectral encoded compressive hyperspectral imaging，空间频谱编码压缩高光谱成像)通过色散原件在横轴方向上将不同谱段的图像进行平移，然后采用彩色滤光阵列对平移后的图像进行谱域上的频率调制，实现了在不移动系统元件的情况下进行压缩感知多光谱成像的测量值采集，之后使用OMP(orthogonal matching pursuit，正交匹配追踪算法)等的光谱重建算法进行光谱的重建，问题在于，其彩色滤光阵列造价高昂，使用基于目标的光谱重建算法重建单个光谱像素点的所需要的迭代也非常耗时，无法实现光谱的快速分析。

技术实现思路

[0004]本专利技术实施例提供一种多光谱采集的高光谱计算成像方法、系统及相关设备，旨在解决传统的高光谱计算成像技术无法快速采集、分析光谱，且硬件工艺复杂、成本高昂的问题。
[0005]第一方面，本专利技术实施例提供一种多光谱采集的高光谱计算成像方法，所述方法包括以下步骤：
[0006]获取至少8块滤光片的参数；
[0007]构建光谱仿真重建网络；
[0008]设定最小重建误差，并以至少8块所述滤光片的参数为一组设置退火算法控制的变量，通过所述滤光片的参数构建仿真透过率曲线，并对所述光谱仿真重建网络进行迭代训练，计算每一次迭代的误差，直到所述退火算法计算出最优解，得到所述最优解对应的至少8块所述滤光片的参数，并记为最优参数；
[0009]根据所述最优参数选择对应的所述滤光片，并根据所述滤光片的实际透过率曲线训练与所述光谱仿真重建网络相同结构的光谱重建网络，同时将选择的所述滤光片组成光谱采样单元，并通过所述光谱采样单元对目标光谱进行采样，得到混合光谱图片；
[0010]对所述混合光谱图片进行配准，得到配准光谱图片；
[0011]将所述配准光谱图片输入所述光谱重建网络，得到重建光谱图像。
[0012]更进一步地，所述光谱仿真重建网络包括输入层、网络卷积层、降维层、全连接层、输出层，其中，所述网络卷积层包括三组跨层连接的特征提取结构，所述全连接层包括三组全连接结构，所述输出层的维度与所述目标光谱的维度相同。
[0013]更进一步地，所述设定最小重建误差，并以至少8块所述滤光片的参数为一组设置退火算法控制的变量，通过所述滤光片的参数构建仿真透过率曲线，并对所述光谱仿真重建网络进行迭代训练，计算每一次迭代的误差，直到所述退火算法计算出最优解，得到所述最优解对应的至少8块所述滤光片的参数，并记为最优参数的步骤，包括以下子步骤：
[0014]设定所述最小重建误差，进入迭代训练流程，以至少8块所述滤光片的参数为一组为变量设定退火算法；
[0015]根据所述滤光片的参数设定所述仿真透过率曲线，并通过所述仿真透过率曲线构建仿真采样矩阵；
[0016]将所述仿真采样矩阵以及预设的相对光谱与所述目标光谱进行矩阵乘法计算，得到仿真采样光谱；
[0017]将所述仿真采样光谱输入所述光谱仿真重建网络进行训练，得到仿真重建光谱；
[0018]计算所述仿真重建光谱与所述目标光谱之间的重建误差，从而完成一次所述迭代训练流程，此时，将所述重建误差与所述最小重建误差进行对比，其中：
[0019]若所述重建误差不小于所述最小重建误差，则调整所述退火算法控制的所述滤光片的参数，并开始下一轮所述迭代训练流程；
[0020]若所述重建误差小于所述最小重建误差，则将所述重建误差的值赋予所述最小重建误差，并保存对应的所述退火算法控制的所述滤光片的参数。
[0021]更进一步地，若所述重建误差小于所述最小重建误差，则将所述重建误差的值赋予所述最小重建误差，并保存对应的所述退火算法控制的所述滤光片的参数的步骤后，还包括：
[0022]根据所述退火算法计算当前的变量是否达到最优解，其中：
[0023]若所述退火算法未得到最优解，则调整所述退火算法控制的所述滤光片的参数，并开始下一轮所述迭代训练流程；
[0024]若所述退火算法得到最优解，则停止所述迭代训练流程，并得到所述最优解对应的至少8块所述滤光片的参数，记为所述最优参数。
[0025]更进一步地，所述光谱仿真重建网络在所述迭代训练流程中设定的batch_size为
350，最大迭代次数为800，所述重建误差的计算方式为平均绝对误差。
[0026]更进一步地，根据所述最优参数选择对应的所述滤光片，并根据所述滤光片的实际透过率曲线训练与所述光谱仿真重建网络相同结构的光谱重建网络，同时将选择的所述滤光片组成光谱采样单元，并通过所述光谱采样单元对目标光谱进行采样，得到混合光谱图片，包括以下子步骤：
[0027]构建所述光谱重建网络，所述光谱重建网络与所述光谱仿真重建网络的结构相同，通过所述最优参数选择对应的所述滤光片，根据所述滤光片构建实际透过率曲线，对所述光谱重建网络进行训练，并保存完成训练的所述光谱重建网络；
[0028]使用光谱采样单元对所述目标光谱进行采样，其中，所述光谱采样单元为将选择的每一块所述滤光片分别装配于不同镜头中，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多光谱采集的高光谱计算成像方法，其特征在于，所述方法包括以下步骤：获取至少8块滤光片的参数；构建光谱仿真重建网络；设定最小重建误差，并以至少8块所述滤光片的参数为一组设置退火算法控制的变量，通过所述滤光片的参数构建仿真透过率曲线，并对所述光谱仿真重建网络进行迭代训练，计算每一次迭代的误差，直到所述退火算法计算出最优解，得到所述最优解对应的至少8块所述滤光片的参数，并记为最优参数；根据所述最优参数选择对应的所述滤光片，并根据所述滤光片的实际透过率曲线训练与所述光谱仿真重建网络相同结构的光谱重建网络，同时将选择的所述滤光片组成光谱采样单元，并通过所述光谱采样单元对目标光谱进行采样，得到混合光谱图片；对所述混合光谱图片进行配准，得到配准光谱图片；将所述配准光谱图片输入所述光谱重建网络，得到重建光谱图像。2.如权利要求1所述的多光谱采集的高光谱计算成像方法，其特征在于，所述光谱仿真重建网络包括输入层、网络卷积层、降维层、全连接层、输出层，其中，所述网络卷积层包括三组跨层连接的特征提取结构，所述全连接层包括三组全连接结构，所述输出层的维度与所述目标光谱的维度相同。3.如权利要求1所述的多光谱采集的高光谱计算成像方法，其特征在于，所述设定最小重建误差，并以至少8块所述滤光片的参数为一组设置退火算法控制的变量，通过所述滤光片的参数构建仿真透过率曲线，并对所述光谱仿真重建网络进行迭代训练，计算每一次迭代的误差，直到所述退火算法计算出最优解，得到所述最优解对应的至少8块所述滤光片的参数，并记为最优参数的步骤，包括以下子步骤：设定所述最小重建误差，进入迭代训练流程，以至少8块所述滤光片的参数为一组为变量设定退火算法；根据所述滤光片的参数设定所述仿真透过率曲线，并通过所述仿真透过率曲线构建仿真采样矩阵；将所述仿真采样矩阵以及预设的相对光谱与所述目标光谱进行矩阵乘法计算，得到仿真采样光谱；将所述仿真采样光谱输入所述光谱仿真重建网络进行训练，得到仿真重建光谱；计算所述仿真重建光谱与所述目标光谱之间的重建误差，从而完成一次所述迭代训练流程，此时，将所述重建误差与所述最小重建误差进行对比，其中：若所述重建误差不小于所述最小重建误差，则调整所述退火算法控制的所述滤光片的参数，并开始下一轮所述迭代训练流程；若所述重建误差小于所述最小重建误差，则将所述重建误差的值赋予所述最小重建误差，并保存对应的所述退火算法控制的所述滤光片的参数。4.如权利要求3所述的多光谱采集的高光谱计算成像方法，其特征在于，若所述重建误差小于所述最小重建误差，则将所述重建误差的值赋予所述最小重建误差，并保存对应的所述退火算法控制的所述滤光片的参数的步骤后，还包括：根据所述退火算法计算当前的变量是否达到最优解，其中：若所述退火算法未得到最优解，则调整所述退火算法控制的所述滤光片的参数，并开
始下一轮所述迭代训练流程；若所述退火算法得到最优解，则停止所述迭代训练流程，并得到所述最优解对应的至少8块所述滤光片的参数，记为所述最优参数。5.如权利要求4所述的多光谱采集的高光谱计算成像方法，其特征在于，所述光谱仿真重建网络在所述迭代训练流程中设定的batch_size为350，最大迭代次数为800，所述重建误差的计算方式为平均...

【专利技术属性】
技术研发人员：ꢀ七四专利代理机构，
申请(专利权)人：深圳市中达瑞和科技有限公司，
类型：发明
国别省市：