CN103207015A - 一种光谱重构方法及其光谱仪装置 - Google Patents
一种光谱重构方法及其光谱仪装置 Download PDFInfo
- Publication number
- CN103207015A CN103207015A CN2013101320290A CN201310132029A CN103207015A CN 103207015 A CN103207015 A CN 103207015A CN 2013101320290 A CN2013101320290 A CN 2013101320290A CN 201310132029 A CN201310132029 A CN 201310132029A CN 103207015 A CN103207015 A CN 103207015A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- matrix
- initial
- optical filter
- reconstruct
- 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.)
- Pending
Links
Images
Landscapes
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开了一种光谱重构方法,包括:滤光片初始化步骤,获取滤光片上每一个滤光片通道的透射光谱曲线;光谱获取步骤,获取光线透过滤光片后的初始光谱信息;光谱重构步骤,利用透射光谱曲线以非负矩阵满秩分解法重构初始光谱信息,获得重构后的光谱信息。本发明通过重构图像传感器采集的光谱信息,从而实现探测光线的光谱信息。本发明还公开了一种光谱仪装置。
Description
技术领域
本发明属于光谱分析技术领域,尤其涉及一种光谱重构方法及其光谱仪装置。
背景技术
光谱技术的应用几乎覆盖了所有的科学领域,包括医药、化学、地质学、物理及天文学等,从海洋的底部到遥远的宇宙,光谱仪为人们收集周围世界的物质特征信息。由于光谱仪可以获得大量与物质结构相关的信息,应用范围很广,如浓度分析、脱硫和硫磺回收分析、尾气分析、烟道气分析、污染源分析、色度分析和浊度分析等,因此广泛应用于环境监测、法医鉴定、生物医学、科技农业、交通、资源勘探与开发、防伪检测(名牌产品、公安、海关、金融)、军事分析以及工业流程监控等科研领域和工业部门。由于现有绝大部分光谱仪器都属于大型精密仪器,采用的都是光栅、棱镜或傅立叶变换等分光方式,分光***体积庞大、抗震性能低,只能在实验室和车间等相对固定的场所使用,难以满足现场和野外检测等方面的应用需求,更无法普及应用到人们的日常生活中。
现有技术中所有具有拍照功能的设备都是通过内置的CCD芯片来获取外界光学信号,但是CCD芯片无法直接获取外界的光谱信息。在现有的光谱重构处理方法中采用压缩感知解决光谱重构问题,但缺陷是其中的主体优化步骤,即求l1范数最小化的速度(效率)比较低,并且该方法默认了光谱的稀疏基。还有采用吉洪诺夫正则化在原先的目标函数上加一个正则项来控制非适定问题的解的个数,并且同时将这个数学模型变成凸模型,但是缺陷是由于加上了正则项而使得最后的结果精确度较低,并且增加了算法中的参数的数量。同时,要确定这些参数的较好的值需要大量的经验或者运算步骤。现有技术中还存在NNLS、SVD等矩阵分解法,但是都需要使用特定的方法处理分解后的矩阵的负数元素,而简单的处理负数元素的方法会导致算法运行过程中的有用信息的去除而导致最终结果的精确度降低。
发明内容
本发明克服了现有技术中光谱仪器体积过大、光谱重构方法运算复杂和重构精确度不高等缺陷,提出了一种光谱重构方法及其光谱仪装置。
本发明提出了一种光谱重构方法,包括:
滤光片初始化步骤,获取滤光片上每一个滤光片通道的透射光谱曲线;
光谱获取步骤,获取光线透过所述滤光片后的初始光谱信息;
光谱重构步骤,利用所述透射光谱曲线以非负矩阵满秩分解法重构所述初始光谱信息,获得重构后的光谱信息。
其中,所述光谱重构步骤包括:
重构参数设定步骤,设定最大循环数;
矩阵分解步骤,通过所述透射光谱曲线生成初始矩阵,采用非负矩阵满秩分解法依据所述最大循环数分解所述初始矩阵,生成基矩阵与系数矩阵;
矩阵计算步骤,根据所述基矩阵、系数矩阵与初始矩阵计算获得所述初始矩阵的伪逆矩阵;
重构结果计算步骤,根据所述伪逆矩阵与初始光谱信息计算重构结果,获得重构后的光谱信息。
其中,所述矩阵计算步骤中,伪逆矩阵的计算公式如下所述:
inv(T)=CT(BTTCT)-1BT;
式中,C表示系数矩阵,B表示基矩阵,T表示所述初始矩阵。
其中,所述重构结果计算步骤中,根据以下公式获得重构后的光谱信息:
X=inv(T)Y;
式中,X表示重构后的光谱信息,inv(T)表示初始矩阵的伪逆矩阵,Y表示初始光谱信息。
其中,进一步包括:重复执行所述光谱重构方法获得多个光谱信息及其相对于真实光谱的差异值和错误率,选取所述差异值与所述错误率最小的光谱信息作为重构后的光谱信息。
本发明还提出了一种光谱仪装置,包括:
滤光片部件,其对不同波长的光线具有不同的透射率;
图像传感器,其设置在所述滤光片部件的后方,用于探测透过所述滤光片部件的光线的初始光谱信息;
光谱计算部件,其接收所述图像传感器的初始光谱信息并对重构,生成重构后的光谱信息。
其中,进一步包括:聚焦镜部件,其设置在所述滤光片部件的前方,将光线聚焦之所述图像传感器上。
其中,所述滤光片部件为集成窄带滤光片。
其中,所述图像传感器为CCD芯片。
其中,进一步包括显示部件,其与所述光谱计算部件连接,以显示所述重构后的光谱信息。
本发明通过对CCD芯片的表面设置一层集成窄带滤光片阵列,通过根据集成窄带滤光片阵列上不同的透光率对CCD芯片获取的图像相结合,可计算获得图像的光谱信息。本发明与现有技术中的光谱仪器相比,其制作成本非常低廉。本发明尤其适用于手机等具有CCD芯片和数据存储及处理功能的设备,可通过手机实现光谱仪器小规模化,促进光谱仪器在使用中的普及。
附图说明
图1显示的是光谱重构方法的流程图。
图2显示的是光谱重构步骤的流程图。
图3显示的是重构先后的光谱图。
图4显示的是光谱仪装置的结构图。
图5显示的是窄带滤光片与CCD芯片的结构图。
具体实施方式
结合以下具体实施例和附图,对本发明作进一步的详细说明。实施本发明的过程、条件、实验方法等,除以下专门提及的内容之外,均为本领域的普遍知识和公知常识,本发明没有特别限制内容。
如图1所示,本发明的光谱重构方法通过滤光片初始化步骤、光谱获取步骤和光谱重构步骤获得光谱信息。
步骤S1滤光片初始化步骤中,可预先采用可见光光栅光谱仪,将光谱仪的入射和出射狭缝调到高分辨率,在本实施例中调到0.1nm,然后将出射狭缝中出射的光照在图像传感器上,转动光栅光谱仪的光栅使得出射狭缝出射的光波长一步一步地变化,每变化一步,CCD上就记录下一幅强度分布图,从而获得滤光片上每一个滤光片通道的精细光谱值。本实施例中,集成滤光片具有32个滤光片通道,其中每个滤光片通道会通过该检测过程获得自身的透射光谱曲线,每一条透射光谱曲线上共有m个精确光谱值的数据点。这32条透射光谱曲线将成为初始矩阵T的各行,为此形成了32*m阶的初始矩阵T。
步骤S2光谱获取步骤中,光线经过集成窄带滤光片之后,使得不同波长的光分散在空间的不同区域,因此集成窄带滤光片就取代了传统分光元件旋转光栅或者棱镜。由于集成窄带滤光片位于图像探测器之前,所以,从集成窄带滤光片不同位置射出不同波长的光照射在图像传感器的感光面的不同光敏元上,图像传感器的不同的光敏元给出不同波长的光所对应的强度,实现获取初始光谱信息,如图3(b)所示。
本发明的创新点在于采用非负矩阵满秩分解法(Non-negative Matrix Factorization,NMF)对经过滤光片后的光谱信息进行重构以获得重构后的光谱信息。本实施例中,非负矩阵满秩分解初始的32*m阶矩阵T,初始矩阵T的第j列就是第j个滤光片的透射光谱曲线上的精细光谱值,m就是一条透射光谱曲线所含的精细光谱值数目,在物理意义上,m的值可以由测光谱的光谱仪的仪器参数所决定,所以m的精度可以做得非常高,例如m的大小可以是32的十倍以上,甚至是上百上千倍。非负矩阵满秩分解初始参数k=min(m,32)=32。如图2所示,步骤S3光谱重构步骤包括:步骤S31重构参数设定步骤、步骤S32矩阵分解步骤、步骤S33矩阵计算步骤和步骤S34重构结果计算步骤。
其中,步骤S31重构参数设定步骤中,设定整体算法最大算法循环数max_FES,设定非负矩阵满秩分解MM算法最大循环数max_NMF与横坐标的精细度。最大循环数设定在100-10000次范围内,横坐标的精细度设定在初始光谱信息中横坐标精细度的3-3000倍范围内。
步骤S32矩阵分解步骤中,使用非负矩阵满秩分解MM算法,使用参数k、初始矩阵T以及最大循环数max_NMF作为输入,最后输出两个矩阵,维度分别为32*32和32*m的基矩阵B和系数矩阵C。
步骤S33矩阵计算步骤中,根据以上计算的基矩阵B与系数矩阵C,利用一下的计算公式计算初始矩阵T的伪逆矩阵inv(T):
inv(T)=CT(BTTCT)-1BT
式中,C表示系数矩阵,B表示基矩阵,T表示表示初始矩阵。
S34重构结果计算步骤中,根据伪逆矩阵inv(T)利用一下公式计算生成重构后的光谱信息:
X=inv(T)Y
其中,X表示重构过后的光谱信息,inv(T)表示初始矩阵的伪逆矩阵,Y表示初始光谱信息,即图像传感器采集的光谱的测量值,在此Y的曲线为32个点。
本发明在计算重构后的光谱信息时,还计算其差异值Error_rate和错误率Negative_rate。Error_rate指的是本发明的一个重构后的光谱信息和本发明光谱重构方法的最优解之间的F范数误差。Negative_rate表示本发明的一个重构后的光谱信息的负数元素的比例,也就是完全没有物理意义的负数元素的比例。本发明通过多次执行光谱重构方法后得到多个光谱信息及其差异值与错误率。根据比较差异值与错误率的大小选取最小作为最优误差Best_error,该最优误差是指重构后的光谱信息的最优解和实际结果之间的误差的最小值,即与真实光谱最接近的光谱信息。本发明采用该方法对于本发明方法得出的不同的解进行比较和区分,从而重构出精确度最高的光谱信息。
本实施例中,用于重构的光谱矩阵如图3(a)中,该光谱矩阵是唯一的,本发明光谱重构方法重构后的光谱信息是一个不确定性的结果,即在相同输入的情况下会得出不同的结果。由于受制于图像采集仪器的限制,通过图像传感器采集得到的光谱信息,如图3(b)所示,该初始光谱信息并且只有32个光谱数据点,即矩阵Y,其与图3(a)之间存在很大的差异。通过本发明的光谱重构方法使用初始矩阵T中对矩阵Y进行重构。
光谱重构过程中为了保证图3(a)中矩阵的完整性(即保证图3(a)波形能够被完全重构,其波形两侧的部分曲线不会消失),本发明光谱重构方法使用某一个精度选取数据,本实施例以401精度为例,在1到10001(10001为最高精度)中进行全域均匀地选取401个数据点,也就是每隔25个最高精度下的点取一个数据点。通过这样的取点后就可以得到精度为401的最优的矩阵Y,而对应的矩阵T也将10001列中依次均匀抽取401列作为本发明光谱重构算法401精度下的32×401矩阵T。
本发明基于NMF对光谱进行重构,首先对于矩阵T进行非负矩阵满秩分解,矩阵T是一个满秩矩阵,在本实施例中矩阵T的秩为32。通过非负矩阵满秩分解得到基矩阵B与系数矩阵C,基矩阵B与系数矩阵C是本发明光谱重构方法的中间变量。然后,通过满秩求逆矩阵求取矩阵T的伪逆矩阵。最后,通过这个矩阵T的伪逆矩阵直接得到重构的结果矩阵X。
其中,由于光谱重构方法中非负矩阵满秩分解部分需要随机初始化,基矩阵B和系数矩阵C是随机初始化得到的,所以本发明光谱重构方法根据不同次初始化后得到的最终重构后的矩阵X是不同的。所以本发明中还对筛选出一个最优的矩阵X,对于其他不同的矩阵X,计算其与最优矩阵X的差异值以及各自的错误率,以此选出光谱重构后的矩阵X作为重构后的光谱信息。重构后的光谱信息如图3(c)所示。由图可见,图3(c)所示的光谱与光谱图3(a)的吻合程度明显比直接测量的图3(b)所示的初始光谱信息与光谱图3(a)的吻合程度更好,尽管在经过本发明重构方法处理后图3(c)曲线两侧平缓的地方有一些抖动,但是两个峰均被重构再现,本发明提高了的精确度同时提高了本发明中光谱仪装置的性能。
如图4所示,本发明的光谱仪装置包括滤光片部件1、图像传感器2、光谱计算部件3聚焦镜部件4与显示部件6。聚焦镜部件4设置在滤光片部件1的前方,光线通过聚焦镜部件4穿过滤光片部件1然后射到图像传感器2上。图像传感器2获取光线的光谱信息,将光谱信息发送至光谱计算部件3中进行重构,并通过显示部件6显示重构后的光谱信息。
本实施例中,滤光片部件1为集成窄带滤光片。集成窄带滤光片列阵的初始膜系结构为(LH)5(xL)(HL)5,其中下层膜系为(LH)5,间隔层为xL,上层膜系为(HL)5。上层膜系与下层膜系形成镜面对称。H表示厚度为λ0/4的高折射率膜层,L表示厚度为λ0/4的低折射率膜层,λ0为初始窄带滤光片的中心波长,800nm。高折射率膜层和低折射率膜层可分别为五氧化二钽膜层和二氧化硅膜层。集成窄带滤光片列阵各单元之间的唯一差别就是间隔层厚度不同,由于窄带滤光片的带通峰位与间隔层的厚度成正比,间隔层的厚度不同则相应窄带滤光片的带通峰位不同,通过改变x来实现,x的变化范围为1<x<5。具体范围和每个窄带滤光片单元之间的间隔可视情况而定,本实施例取间隔为0.025,x为1.60~2.40,窄带滤光片的对应带通峰位为785~816nm。在本实施例中,本实施例为32种等间距窄带滤光片,间隔层是条状的,每一条与一种窄带滤光片对应。
本实施例中,图像传感器2为CCD芯片。在CCD芯片采用真空镀膜或磁控反应溅射等方法镀制下层膜系和2.40L间隔层。然后中止镀膜,将已经镀好下层膜系和间隔层的样品取出,采用半导体工艺中常规的离子刻蚀方法分区域进行刻蚀,形成32个厚度不等的间隔层列阵。接着在此基础上进行上层膜系的镀制,虽然此时所镀的片子上间隔层厚度各不相同,但镀膜时各处沉积速率都一样,因此在不同间隔层厚度的区域上所镀的上层膜系都完全相同,于是在CCD芯片上就形成了只有间隔层厚度不同、其他膜系完全相同的集成窄带滤光片列阵。这样,就将一个集成窄带滤光片列阵有效地转移到了CCD芯片上。如图5所示,条形拼接图案表示集成窄带滤光片列阵,方格拼接图案表示CCD芯片,每个方格表示一个象元。按上述方法将集成窄带滤光片列阵转移到CCD芯片上后,CCD芯片的一列象元都对应了一种窄带滤光片,为此这一列象元所探测到信号之和就是该窄带滤光片透光量的大小。最终的光谱是由CCD芯片的各列器件信号大小组成的。根据目前CCD芯片的规模通常都大于256*256,一条窄带滤光片后将有8列CCD芯片中的象元与其对应。这样,CCD芯片的32个8*256块CCD芯片中的象元对应了32条窄带滤光片,最终的初始光谱信息是由256X256规模CCD芯片中32个象元块获得的信号大小按序排列组成。光谱计算部件3以光谱重构方法重构光谱信息,通过显示部件5以显示重构后的光谱信息。
本发明的保护内容不局限于以上实施例。在不背离发明构思的精神和范围下,本领域技术人员能够想到的变化和优点都被包括在本发明中,并且以所附的权利要求书为保护范围。
Claims (10)
1.一种光谱重构方法,其特征在于,包括:
滤光片初始化步骤,获取滤光片上每一个滤光片通道的透射光谱曲线;
光谱获取步骤,获取光线透过所述滤光片后的初始光谱信息;
光谱重构步骤,利用所述透射光谱曲线以非负矩阵满秩分解法重构所述初始光谱信息,获得重构后的光谱信息。
2.如权利要求1所述的光谱重构方法,其特征在于,所述光谱重构步骤包括:
重构参数设定步骤,设定最大循环数;
矩阵分解步骤,通过所述透射光谱曲线生成初始矩阵,采用非负矩阵满秩分解法依据所述最大循环数分解所述初始矩阵,生成基矩阵与系数矩阵;
矩阵计算步骤,根据所述基矩阵、系数矩阵与初始矩阵计算获得所述初始矩阵的伪逆矩阵;
重构结果计算步骤,根据所述伪逆矩阵与初始光谱信息计算重构结果,获得重构后的光谱信息。
3.如权利要求2所述的光谱重构方法,其特征在于,所述矩阵计算步骤中,伪逆矩阵的计算公式如下所述:
inv(T)=CT(BTTCT)-1BT;
式中,C表示系数矩阵,B表示基矩阵,T表示所述初始矩阵。
4.如权利要求2所述的光谱重构方法,其特征在于,所述重构结果计算步骤中,根据以下公式获得重构后的光谱信息:
X=inv(T)Y;
式中,X表示重构后的光谱信息,inv(T)表示初始矩阵的伪逆矩阵,Y表示初始光谱信息。
5.如权利要求1所述光谱重构方法,其特征在于,进一步包括:重复执行所述光谱重构方法获得多个光谱信息及其相对于真实光谱的差异值和错误率,选取所述差异值与所述错误率最小的光谱信息作为重构后的光谱信息。
6.一种光谱仪装置,其特征在于,包括:
滤光片部件(1),其对不同波长的光线具有不同的透射率;
图像传感器(2),其设置在所述滤光片部件(1)的后方,用于探测透过所述滤光片部件(1)的光线的初始光谱信息;
光谱计算部件(3),其接收所述图像传感器(2)的初始光谱信息并对重构,生成重构后的光谱信息。
7.如权利要求6所述的光谱仪装置,其特征在于,进一步包括:聚焦镜部件(4),其设置在所述滤光片部件(1)的前方,将光线聚焦之所述图像传感器(2)上。
8.如权利要求6所述的光谱仪装置,其特征在于,所述滤光片部件为集成窄带滤光片。
9.如权利要求6所述的光谱仪装置,其特征在于,所述图像传感器(2)为CCD芯片。
10.如权利要求6所述的光谱仪装置,其特征在于,进一步包括显示部件(6),其与所述光谱计算部件(3)连接,以显示所述重构后的光谱信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013101320290A CN103207015A (zh) | 2013-04-16 | 2013-04-16 | 一种光谱重构方法及其光谱仪装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013101320290A CN103207015A (zh) | 2013-04-16 | 2013-04-16 | 一种光谱重构方法及其光谱仪装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103207015A true CN103207015A (zh) | 2013-07-17 |
Family
ID=48754309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013101320290A Pending CN103207015A (zh) | 2013-04-16 | 2013-04-16 | 一种光谱重构方法及其光谱仪装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103207015A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104359555A (zh) * | 2014-10-16 | 2015-02-18 | 中国科学院上海技术物理研究所 | 一种基于数字微反射镜的便携式高光谱重构器 |
CN109557034A (zh) * | 2018-11-14 | 2019-04-02 | 南京工程学院 | 基于压缩感知的特定气体源成分光谱分析方法及装置 |
CN110031098A (zh) * | 2019-03-29 | 2019-07-19 | 中国科学院上海技术物理研究所 | 一种基于集成微腔的光谱探测芯片及重构方法 |
CN110658179A (zh) * | 2019-10-09 | 2020-01-07 | 上海理工大学 | 基于多信号叠加和伪逆法的激光拉曼气体浓度检测方法 |
CN111366573A (zh) * | 2020-03-27 | 2020-07-03 | 合肥金星机电科技发展有限公司 | 基于libs光谱成分分析结果的评价方法 |
CN112461366A (zh) * | 2020-12-16 | 2021-03-09 | 四川长虹电器股份有限公司 | 一种基于随机滤波器阵列的近红外光谱仪实现方法 |
CN113324920A (zh) * | 2021-05-27 | 2021-08-31 | 西安电子科技大学 | 基于微纳结构滤光片调制和稀疏矩阵变换的光谱重建方法 |
CN114779467A (zh) * | 2022-04-27 | 2022-07-22 | 吉林大学 | 一种基于探测器特性的新型光谱仪膜系组合的选择方法 |
CN115931130A (zh) * | 2022-12-09 | 2023-04-07 | 化学与精细化工广东省实验室 | 基于通带可调滤光片的算法重建窄带光谱探测方法及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005040739A2 (en) * | 2003-10-22 | 2005-05-06 | Softmax, Inc. | System and method for spectral analysis |
CN101441872A (zh) * | 2007-11-19 | 2009-05-27 | 三菱电机株式会社 | 利用受限非负矩阵分解对声学信号去噪 |
CN102466520A (zh) * | 2010-11-11 | 2012-05-23 | 香港纺织及成衣研发中心 | 多光谱成像颜色测量***及其成像信号处理方法 |
CN102759408A (zh) * | 2011-04-25 | 2012-10-31 | 中国科学院空间科学与应用研究中心 | 一种单光子计数成像***及其方法 |
-
2013
- 2013-04-16 CN CN2013101320290A patent/CN103207015A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005040739A2 (en) * | 2003-10-22 | 2005-05-06 | Softmax, Inc. | System and method for spectral analysis |
CN101441872A (zh) * | 2007-11-19 | 2009-05-27 | 三菱电机株式会社 | 利用受限非负矩阵分解对声学信号去噪 |
CN102466520A (zh) * | 2010-11-11 | 2012-05-23 | 香港纺织及成衣研发中心 | 多光谱成像颜色测量***及其成像信号处理方法 |
CN102759408A (zh) * | 2011-04-25 | 2012-10-31 | 中国科学院空间科学与应用研究中心 | 一种单光子计数成像***及其方法 |
Non-Patent Citations (2)
Title |
---|
周昌军等: "基于NMF图像重构的人脸识别", 《计算机工程》 * |
颜建军等: "基于NMF的多光谱图像和全色图像融合方法", 《计算机工程》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104359555A (zh) * | 2014-10-16 | 2015-02-18 | 中国科学院上海技术物理研究所 | 一种基于数字微反射镜的便携式高光谱重构器 |
CN109557034A (zh) * | 2018-11-14 | 2019-04-02 | 南京工程学院 | 基于压缩感知的特定气体源成分光谱分析方法及装置 |
CN110031098A (zh) * | 2019-03-29 | 2019-07-19 | 中国科学院上海技术物理研究所 | 一种基于集成微腔的光谱探测芯片及重构方法 |
CN110658179A (zh) * | 2019-10-09 | 2020-01-07 | 上海理工大学 | 基于多信号叠加和伪逆法的激光拉曼气体浓度检测方法 |
CN110658179B (zh) * | 2019-10-09 | 2021-11-19 | 上海理工大学 | 基于多信号叠加和伪逆法的激光拉曼气体浓度检测方法 |
CN111366573B (zh) * | 2020-03-27 | 2022-12-20 | 合肥金星智控科技股份有限公司 | 基于libs光谱成分分析结果的评价方法 |
CN111366573A (zh) * | 2020-03-27 | 2020-07-03 | 合肥金星机电科技发展有限公司 | 基于libs光谱成分分析结果的评价方法 |
CN112461366A (zh) * | 2020-12-16 | 2021-03-09 | 四川长虹电器股份有限公司 | 一种基于随机滤波器阵列的近红外光谱仪实现方法 |
CN112461366B (zh) * | 2020-12-16 | 2021-12-21 | 四川长虹电器股份有限公司 | 一种基于随机滤波器阵列的近红外光谱仪实现方法 |
CN113324920A (zh) * | 2021-05-27 | 2021-08-31 | 西安电子科技大学 | 基于微纳结构滤光片调制和稀疏矩阵变换的光谱重建方法 |
CN113324920B (zh) * | 2021-05-27 | 2022-05-17 | 西安电子科技大学 | 基于微纳结构滤光片调制和稀疏矩阵变换的光谱重建方法 |
CN114779467A (zh) * | 2022-04-27 | 2022-07-22 | 吉林大学 | 一种基于探测器特性的新型光谱仪膜系组合的选择方法 |
CN115931130A (zh) * | 2022-12-09 | 2023-04-07 | 化学与精细化工广东省实验室 | 基于通带可调滤光片的算法重建窄带光谱探测方法及设备 |
CN115931130B (zh) * | 2022-12-09 | 2023-10-24 | 化学与精细化工广东省实验室 | 基于通带可调滤光片的算法重建窄带光谱探测方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103207015A (zh) | 一种光谱重构方法及其光谱仪装置 | |
Choma et al. | Graph neural networks for icecube signal classification | |
Du et al. | Estimation of total phosphorus concentration using a water classification method in inland water | |
CN110308547B (zh) | 一种基于深度学习的稠密样本无透镜显微成像装置与方法 | |
Xu et al. | Deep Learning Application for Predicting Soil Organic Matter Content by VIS‐NIR Spectroscopy | |
Dierssen et al. | Ocean color remote sensing of seagrass and bathymetry in the Bahamas Banks by high‐resolution airborne imagery | |
Ma et al. | Absorption and scattering properties of water body in Taihu Lake, China: absorption | |
CN106788714B (zh) | 一种基于光学计算的稀疏解混方法 | |
CN108593569A (zh) | 基于光谱形态特征的高光谱水质参数定量反演方法 | |
CN109632693A (zh) | 一种基于blstm-rnn的太赫兹光谱识别方法 | |
CN107894288B (zh) | 部分相干光条件下的涡旋光束拓扑荷的测量方法及*** | |
CN113203694B (zh) | Msi的湖泊富营养指数遥感估算方法 | |
Kim et al. | Fabrication of 2D thin-film filter-array for compressive sensing spectroscopy | |
US10458843B2 (en) | Spectrometry apparatus and spectrometry method | |
Zhang et al. | Automatic classification of marine plankton with digital holography using convolutional neural network | |
Ermolli et al. | The prototype RISE-PSPT instrument operating in Rome | |
CN104142178B (zh) | 基于滤波膜阵列的光谱测量装置及方法 | |
CN115931123A (zh) | 基于自适应优化稀疏字典的光谱重建计算方法及光谱*** | |
Yu et al. | Secchi depth inversion and its temporal and spatial variation analysis—A case study of nine plateau lakes in Yunnan Province of China | |
CN116911183A (zh) | 岩溶湿地水体叶绿素a反演的方法、***、设备及介质 | |
Di Frischia et al. | Enhanced data augmentation using gans for Raman spectra classification | |
CN117233116B (zh) | 一种基于机器视觉的水质分析方法及*** | |
Zhang et al. | Advanced all-optical classification using orbital-angular-momentum-encoded diffractive networks | |
Fang et al. | Recent progress and applications of Raman spectrum denoising algorithms in chemical and biological analyses: A review | |
CN108827882A (zh) | 水质参数光谱分析*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130717 |