【技术实现步骤摘要】
本专利技术涉及光谱测量领域的一种光谱重构方法，具体涉及了一种面向微尺度光学色散的深度学习光谱重构方法。
技术介绍
1、光谱仪是科学界和工业界中十分常用的一种表征工具，以高分辨率，高信噪比和宽光谱响应范围作为发展目标。近年来，随着纳米光子学和计算技术的发展，以小型化和高性能为特征的新型光谱仪逐渐成为一种新的发展趋势，它们通常具有一组拥有独特光谱响应特性的单元阵列，当并行测量时，可以使用复杂的算法来近似或重建入射光谱。这种光谱仪相较于传统光谱仪的便携性得到了较大的提高，在原位测量等领域应用十分广泛。
2、现有的光谱重构方法大多是通过对具有独特光谱响应特性单元阵列进行物理建模并进行数学变换求解。然而，这些方法存在易陷入局部最优解及过拟合等问题，导致重构精度不高。尽管在过去的十年中，凭借着人工智能领域快速发展和计算机计算能力的提升，深度学习成为了光谱重构方法的新思路和新趋势，然而该方法往往需要大量的数据来训练网络，以使该神经网络具有良好的重构精度及泛化能力。数据的采集会耗费大量的时间，且对环境干扰较为敏感，十分依赖仪器本身的稳定性。此外，色散能力相对较弱的微型色散元件通常对噪声非常敏感，传统的深度学习光谱重构方法往往会出现模型不稳定，可重复性差等问题。这些因素极大地限制了深度学习方法在光谱重构领域的进一步发展，因此开发一种无需大量数据集且高效稳定的深度学习算法十分契合当下的需求。
技术实现思路
1、本专利技术的目的在于针对传统深度学习光谱重构方法的现有不足，提供一种面向微尺度光
2、为了实现上述目的，本专利技术采用如下技术方案：
3、一、一种面向微尺度光学色散的深度学习光谱重构方法
4、步骤1：获取不同光谱分布的入射光的光功率、真实光谱分布以及经过微尺度色散结构调制后的光强分布灰度图像；
5、步骤2：结合入射光的光功率，对光强分布灰度图像进行预处理后，获得对应的有效色散区域的光强分布，进而构建传输矩阵p；
6、步骤3：构建包含光谱重构单元提取模块和光谱重构模块的神经网络，其中光谱重构模块包含全连接层，全连接层中第一层的初始权重矩阵是根据传输矩阵p计算获得的，将真实光谱分布和对应有效色散区域的光强分布一起输入到神经网络中并对神经网络进行训练，训练完成后获得光谱重构网络；
7、步骤4：将待重构的有效色散区域的光强分布输入到光谱重构网络中，网络输出对应的重构光谱。
8、所述步骤1中，入射光包含可见光波段内的单色光以及可见光波段内随机的宽光谱复色光。
9、所述步骤2中，对光强分布灰度图像进行预处理后，获得对应的有效色散区域的光强分布，具体为：
10、首先将光强分布灰度图像除以其入射光的光功率，得到单位光功率入射的光强分布灰度图像，然后进行平均池化，再进行图像分割，去除非色散区域的像素点，最后进行图像拼接，获得有效色散区域的光强分布。
11、所述步骤2中，构建获得传输矩阵p，具体为：
12、根据不同光谱分布对应的有效色散区域的光强分布建立光谱响应曲线，对光谱响应曲线离散化并进行纵向拼接后，获得传输矩阵p。
13、所述光谱重构单元提取模块为倒残差结构。
14、所述神经网络训练过程中的损失函数包括均方误差mseloss。
15、所述步骤3中，全连接层中第一层的初始权重矩阵是对传输矩阵p转置后的广义逆矩阵进行降噪处理后获得的。
16、所述对传输矩阵p转置后的广义逆矩阵降噪处理具体为：
17、首先将传输矩阵p转置后的广义逆矩阵(pt)-1经过奇异值分解，分解为uσvt，其中u和v均为酉矩阵，将非负实数对角矩阵σ中大于阈值k的奇异值置零，得到处理后的非负实数对角矩阵σ′，从而得到传输矩阵p转置后的广义逆矩阵(pt)-1经过初步降噪后的值uσ′vt，即全连接层中第一层的初始权重矩阵。
18、所述步骤4中，待重构的有效色散区域的光强分布是对待重构的入射光经过微尺度色散结构调制后的光强分布灰度图像进行预处理后获得的。
19、通过以下系统获取的不同光谱分布的入射光的光功率、真实光谱分布以及经过微尺度色散结构调制后的光强分布灰度图像：
20、可调谐光源发出的光经过光衰减器、散射片和偏振片后，得到均匀的线偏振光。线偏振光再经过第一分束器分成两束光，一束光通过微尺度色散结构后到达图像探测器，得到不同光谱分布的入射光经过微尺度色散结构调制后的光强分布灰度图像，其中微尺度色散结构对不同光谱分布入射光的调制作用表现为在一定波段内，该结构的不同区域具有不同的光谱响应；另一束光则通过第二分束器，分别射入光功率计和商用光谱仪，得到可调谐光源的入射光功率和真实光谱分布。
21、二、一种计算机设备
22、所述设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述方法的步骤。
23、三、一种计算机可读存储介质
24、所述介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的方法的步骤。
25、四、一种计算机程序产品
26、所述产品包括计算机程序/指令，该计算机程序/指令被处理器执行时实现所述方法的步骤。
27、本专利技术具有如下有益效果：
28、本专利技术不需要大量的数据集来训练网络便可以使模型具有良好的重构精度及泛化能力，节省了大量时间的同时保持了较好的重构效果。此外，微型色散元件对噪声非常敏感且色散能力相对较弱，本专利技术在面向以此类微型色散元件为基础的光谱重构具有较高的鲁棒性和可重复性，有利于小型计算光谱仪的进一步发展，十分契合当下的需求。
本文档来自技高网...【技术保护点】
1.一种面向微尺度光学色散的深度学习光谱重构方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种面向微尺度光学色散的深度学习光谱重构方法，其特征在于，所述步骤1中，入射光包含可见光波段内的单色光以及可见光波段内随机的宽光谱复色光。
3.根据权利要求1所述的一种面向微尺度光学色散的深度学习光谱重构方法，其特征在于，所述步骤2中，对光强分布灰度图像进行预处理后，获得对应的有效色散区域的光强分布，具体为：
4.根据权利要求1所述的一种面向微尺度光学色散的深度学习光谱重构方法，其特征在于，所述步骤2中，构建获得传输矩阵P，具体为：
5.根据权利要求1所述的一种面向微尺度光学色散的深度学习光谱重构方法，其特征在于，所述光谱重构单元提取模块为倒残差结构。
6.根据权利要求1所述的一种面向微尺度光学色散的深度学习光谱重构方法，其特征在于，所述神经网络训练过程中的损失函数包括均方误差MSELoss。
7.根据权利要求1所述的一种面向微尺度光学色散的深度学习光谱重构方法，其特征在于，所述步骤3中，全连接层中第一层的初
8.根据权利要求7所述的一种面向微尺度光学色散的深度学习光谱重构方法，其特征在于，所述对传输矩阵P转置后的广义逆矩阵降噪处理具体为：
9.根据权利要求1所述的一种面向微尺度光学色散的深度学习光谱重构方法，其特征在于，所述步骤4中，待重构的有效色散区域的光强分布是对待重构的入射光经过微尺度色散结构调制后的光强分布灰度图像进行预处理后获得的。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9任一项所述方法的步骤。
...【技术特征摘要】
1.一种面向微尺度光学色散的深度学习光谱重构方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种面向微尺度光学色散的深度学习光谱重构方法，其特征在于，所述步骤1中，入射光包含可见光波段内的单色光以及可见光波段内随机的宽光谱复色光。
3.根据权利要求1所述的一种面向微尺度光学色散的深度学习光谱重构方法，其特征在于，所述步骤2中，对光强分布灰度图像进行预处理后，获得对应的有效色散区域的光强分布，具体为：
4.根据权利要求1所述的一种面向微尺度光学色散的深度学习光谱重构方法，其特征在于，所述步骤2中，构建获得传输矩阵p，具体为：
5.根据权利要求1所述的一种面向微尺度光学色散的深度学习光谱重构方法，其特征在于，所述光谱重构单元提取模块为倒残差结构。
6.根据权利要求1所述的一种面向微尺度光学色散的深度学习光谱重构方法，其特...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。