CN116164841B - 基于计算增强型像元分光光谱成像芯片的光谱重构方法 - Google Patents

基于计算增强型像元分光光谱成像芯片的光谱重构方法 Download PDF

Info

Publication number
CN116164841B
CN116164841B CN202310456976.9A CN202310456976A CN116164841B CN 116164841 B CN116164841 B CN 116164841B CN 202310456976 A CN202310456976 A CN 202310456976A CN 116164841 B CN116164841 B CN 116164841B
Authority
CN
China
Prior art keywords
spectrum
reconstruction
network
imaging chip
filters
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.)
Active
Application number
CN202310456976.9A
Other languages
English (en)
Other versions
CN116164841A (zh
Inventor
胡长虹
薛栋林
吕宝林
肖树林
哈清华
薛旭成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changchun Institute of Optics Fine Mechanics and Physics of CAS
Original Assignee
Changchun Institute of Optics Fine Mechanics and Physics of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changchun Institute of Optics Fine Mechanics and Physics of CAS filed Critical Changchun Institute of Optics Fine Mechanics and Physics of CAS
Priority to CN202310456976.9A priority Critical patent/CN116164841B/zh
Publication of CN116164841A publication Critical patent/CN116164841A/zh
Application granted granted Critical
Publication of CN116164841B publication Critical patent/CN116164841B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J3/2823—Imaging spectrometer
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/02—Details
    • G01J3/0205—Optical elements not provided otherwise, e.g. optical manifolds, diffusers, windows
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J2003/283—Investigating the spectrum computer-interfaced
    • G01J2003/284—Spectral construction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

基于计算增强型像元分光光谱成像芯片的光谱重构方法，涉及光谱成像探测器领域，本发明的计算增强型像元分光光谱成像芯片包括多个光谱探测单元，每个光谱探测单元均由多个窄带滤光片和多个随机滤光片组成，利用光刻工艺将多个窄带滤光片和多个随机滤光片刻蚀在探测器表面形成光谱探测单元。本发明的一种基于计算增强型像元分光光谱成像芯片的光谱重构方法，包括计算增强光谱重构模式和计算直通光谱重构模式，具有高信噪比、宽谱段范围、高光谱精度，具备科学计量级的准确度与精度。

Description

基于计算增强型像元分光光谱成像芯片的光谱重构方法
技术领域
本发明涉及光谱成像探测器技术领域，具体涉及一种基于计算增强型像元分光光谱成像芯片的光谱重构方法。
背景技术
用于光谱成像芯片的滤光片主要有像元窄带滤光片和像元随机滤光片，基于这两种滤光片的光谱成像芯片都具有结构简单、体积小以及光谱图像畸变小的特点。基于这两种滤光片的光谱成像芯片在使用时，分开来讲，基于像元窄带滤光片的光谱成像芯片在使用时，由于像元窄带滤光片本身的光能利用率较低，因此会导致基于像元窄带滤光片的光谱成像芯片在使用时存在信噪比低、覆盖谱段范围窄的问题；另外，基于像元随机滤光片的光谱成像芯片在使用时，首先利用宽带像元随机滤光片对入射光谱进行编码，然后再利用算法进行多谱段光谱重构，虽然该类基于像元随机滤光片的光谱成像芯片在使用时具有信噪比高、单芯片覆盖谱段范围宽的优点，但是在利用算法进行多谱段光谱重构时需要大量训练数据才能达到多谱段光谱重构精度，数据稳定性不足，方法可信度下降。
发明内容
为了解决现有技术存在的问题，本发明提供一种基于计算增强型像元分光光谱成像芯片的光谱重构方法。
本发明为解决技术问题所采用的技术方案如下：
本发明的计算增强型像元分光光谱成像芯片，包括多个光谱探测单元，每个光谱探测单元均由多个窄带滤光片和多个随机滤光片组成，利用光刻工艺将多个窄带滤光片和多个随机滤光片刻蚀在探测器表面形成光谱探测单元。
进一步的，每个光谱探测单元均由4个窄带滤光片和12个随机滤光片组成，将4个随机滤光片布置在中心，其***布置一圈共12个窄带滤光片。
本发明的基于计算增强型像元分光光谱成像芯片的光谱重构方法，该光谱重构方法采用上述的一种计算增强型像元分光光谱成像芯片实现，该光谱重构方法包括计算增强光谱重构模式，具体包括以下步骤：
利用计算增强型像元分光光谱成像芯片上的窄带滤光片和随机滤光片对原始光谱
Figure SMS_1
进行编码采集，由光强探测器感应编码后的光强，对光强进行模-数转换得到对应的光强数字量，将所有光强数字量输入至光谱重构网络中进行网络训练和优化，通过优化调整光谱重构网络的网络参数使得重构光谱/>
Figure SMS_2
不断逼近原始光谱/>
Figure SMS_3
，实现高精度、宽谱段、高信噪比的光谱信息重构。
进一步的，所述网络训练和优化的具体操作步骤如下：
首先正向传播得到重构光谱
Figure SMS_4
的预测值，计算损失项值及其对网络参数/>
Figure SMS_5
的梯度，根据该梯度由反向传播算法更新网络参数/>
Figure SMS_6
，重复这个过程使得损失项值下降收敛并接近零，从而实现光谱重构网络的最优化。
进一步的，所述光谱重构网络的网络参数优化表达式如下：
Figure SMS_7
式中，
Figure SMS_10
为正则化因子，/>
Figure SMS_14
为网络参数，/>
Figure SMS_17
为重构光谱，/>
Figure SMS_9
为正则项；光谱重构网络/>
Figure SMS_12
的网络参数优化表达式分为两项，/>
Figure SMS_15
为重构误差项，表示重构光谱/>
Figure SMS_18
与原始光谱/>
Figure SMS_8
的拟合程度；/>
Figure SMS_13
正则项为网络参数约束项，用于防止光谱重构网络/>
Figure SMS_16
过拟合，采用/>
Figure SMS_19
正则化约束，使得/>
Figure SMS_11
，两项相加构成损失项，优化使得损失项值接近零。
本发明的基于计算增强型像元分光光谱成像芯片的光谱重构方法，该光谱重构方法采用上述的一种计算增强型像元分光光谱成像芯片实现，该光谱重构方法包括计算直通光谱重构模式，具体包括以下步骤：
利用计算增强型像元分光光谱成像芯片上的窄带滤光片和随机滤光片对原始光谱
Figure SMS_20
进行编码采集，由光强探测器感应编码后的光强，对光强进行模-数转换得到对应的光强数字量；将窄带滤光片编码后的光强数字量输入至光谱复原函数，获得复原光谱；将随机滤光片编码后的光强数字量输入至光谱重构网络中进行网络训练和优化，通过优化调整光谱重构网络的网络参数使得重构光谱/>
Figure SMS_21
不断逼近原始光谱/>
Figure SMS_22
，最终得到高精度复原光谱和高信噪比重构光谱。
进一步的，所述光谱复原函数为S1=G([I1,I12])，G为高斯函数。
进一步的，所述网络训练和优化的具体操作步骤如下：
首先正向传播得到重构光谱
Figure SMS_23
的预测值，计算损失项值及其对网络参数/>
Figure SMS_24
的梯度，根据该梯度由反向传播算法更新网络参数/>
Figure SMS_25
，重复这个过程使得损失项值下降收敛并接近零，从而实现光谱重构网络的最优化。
进一步的，所述光谱重构网络的网络参数优化表达式如下：
Figure SMS_26
式中，
Figure SMS_28
为正则化因子，/>
Figure SMS_33
为网络参数，/>
Figure SMS_36
为重构光谱，/>
Figure SMS_30
为正则项；光谱重构网络/>
Figure SMS_31
的网络参数优化表达式分为两项，/>
Figure SMS_34
为重构误差项，表示重构光谱/>
Figure SMS_37
与原始光谱/>
Figure SMS_27
的拟合程度；/>
Figure SMS_32
正则项为网络参数约束项，用于防止光谱重构网络/>
Figure SMS_35
过拟合，采用/>
Figure SMS_38
正则化约束，使得/>
Figure SMS_29
，两项相加构成损失项，优化使得损失项值接近零。
本发明的有益效果是：
本发明的一种基于计算增强型像元分光光谱成像芯片的光谱重构方法，通过设计计算增强型像元分光光谱成像芯片以及光谱重构模式实现光谱重构，具有高信噪比、宽谱段范围、高光谱精度，具备科学计量级的准确度与精度。
本发明的一种基于计算增强型像元分光光谱成像芯片的光谱重构方法，具备两种光谱重构模式即计算增强光谱重构模式和计算直通光谱重构模式，通过以上两种光谱重构模式可以解决现有基于像元窄带滤光片的光谱成像芯片在使用时存在的光能利用率较低、信噪比低、覆盖谱段范围窄的问题；还可解决基于像元随机滤光片的光谱成像芯片在使用时存在的需要大量训练数据才能达到多谱段光谱重构精度、数据稳定性不足、方法可信度下降的问题。
附图说明
图1为光谱探测单元的结构示意图。
图2为计算增强型像元分光光谱成像芯片上的光谱探测单元面阵列示意图。
图3为计算增强光谱重构模式下的光谱采集与重构过程示意图。
图4为计算直通光谱重构模式下的光谱采集与重构过程示意图。
图中：1、窄带滤光片，2、随机滤光片。
具体实施方式
以下结合附图对本发明做进一步详细说明。
本发明的一种计算增强型像元分光光谱成像芯片，主要由多个光谱探测单元组成，光谱探测单元主要用于成像与光谱采集，每个光谱探测单元都相当于成像光谱仪的一个像素。
每个光谱探测单元的结构组成如图1所示，光谱探测单元主要由多个窄带滤光片1和多个随机滤光片2组成，这些窄带滤光片1和随机滤光片2按照一定的规则进行排布，在本实施方式中，优选的一种排布方式如图1所示，但不限于此，具体为，将4个随机滤光片2布置在中心，其***布置一圈共12个窄带滤光片1，制作时可以利用光刻工艺，将多个窄带滤光片1和多个随机滤光片2刻蚀在探测器表面形成光谱探测单元。
当光谱探测单元制作完毕后， 将这些光谱探测单元通过扫描或重复排列或周期性复制进而形成不同规模的一种计算增强型像元分光光谱成像芯片，如图2所示。通过上述制作方法可以使本发明的一种计算增强型像元分光光谱成像芯片遍历整个视场，实现全视场的光谱图像采集。
本发明的一种计算增强型像元分光光谱成像芯片中，光谱探测单元由窄带滤光片和随机滤光片两种分光结构组成，分光结构的组合不限于图1中的方式，从而使得计算增强型像元分光光谱成像芯片能够同时采集高精度窄带光谱信息与高信噪比宽带光谱信息。
本发明的一种基于计算增强型像元分光光谱成像芯片的光谱重构方法，主要包括两种光谱重构模式，其一为计算增强光谱重构模式，其二为计算直通光谱重构模式，下面分别对这两种光谱重构模式进行介绍。
一、计算增强光谱重构模式
计算增强光谱重构模式下光谱采集与重构的过程如图3所示。利用计算增强型像元分光光谱成像芯片上的窄带滤光片（FP1至FP12）和随机滤光片（RF1至RF4）对原始光谱S进行编码采集，由光强探测器感应编码后的光强i1至i16，然后对光强i1至i16分别进行模-数转换（ADC）得到对应的光强数字量I1至I16；将由窄带滤光片（FP1至FP12）和随机滤光片（RF1至RF4）编码后的光强数字量I1至I16一同输入至光谱重构网络
Figure SMS_39
（该光谱重构网络/>
Figure SMS_40
共由5层全连接层组成，分别为输入层、第一隐藏层、第二隐藏层、第三隐藏层、第四隐藏层、第五隐藏层和输出层；输入层的输入大小为16；第一隐藏层的输入大小为300，第一隐藏层的输出大小为500；第二隐藏层的输入大小为500，第二隐藏层的输出大小为800；第三隐藏层的输入大小为800，第三隐藏层的输出大小为500；输出层的输入大小为500，输出层的输出大小为100）中进行网络训练和优化，获得重构光谱/>
Figure SMS_41
，从而实现高精度、宽谱段、高信噪比的光谱信息重构。
其中，上述所说的光谱重构网络训练和优化的具体操作步骤如下：
将光强数字量I1至I16一同输入至光谱重构网络
Figure SMS_42
中得到重构光谱/>
Figure SMS_43
，通过优化调整光谱重构网络/>
Figure SMS_44
的网络参数使得重构光谱/>
Figure SMS_45
不断逼近原始光谱/>
Figure SMS_46
。光谱重构网络
Figure SMS_47
的网络参数优化表达式如下：
Figure SMS_48
式中，
Figure SMS_49
为正则化因子，/>
Figure SMS_50
为网络参数，/>
Figure SMS_51
为重构光谱，/>
Figure SMS_52
为正则项。
光谱重构网络
Figure SMS_54
的网络参数优化表达式可分为两项，前一项/>
Figure SMS_57
为重构误差项，表示重构光谱/>
Figure SMS_59
与原始光谱/>
Figure SMS_55
的拟合程度；后一项/>
Figure SMS_56
正则项为网络参数约束项，用于防止光谱重构网络/>
Figure SMS_58
过拟合，一般采用/>
Figure SMS_60
正则化约束，使得/>
Figure SMS_53
，两项相加构成损失项，优化使得损失项值接近零。
上述的具体优化过程为：首先是正向传播得到重构光谱
Figure SMS_61
的预测值，然后计算损失项值及其对网络参数/>
Figure SMS_62
的梯度，根据该梯度由反向传播算法更新网络参数/>
Figure SMS_63
，重复这个过程使得损失项值下降收敛并接近零，从而实现光谱重构网络/>
Figure SMS_64
的最优化。
二、计算直通光谱重构模式
计算直通光谱重构模式下光谱采集与重构的过程如图4所示，利用计算增强型像元分光光谱成像芯片上的窄带滤光片（FP1至FP12）和随机滤光片（RF1至RF4）对原始光谱S进行编码采集，由光强探测器感应编码后的光强i1至i16，然后对光强i1至i16分别进行模-数转换（ADC）得到对应的光强数字量I1至I16；将窄带滤光片（FP1至FP12）编码后的光强数字量I1至I12输入至光谱复原函数S1=G([I1,I12])，其中G为高斯函数，获得复原光谱S1；将随机滤光片（RF1至RF4）编码后的光强数字量I13至I16输入至光谱重构网络
Figure SMS_65
中进行网络训练和优化，获得重构光谱/>
Figure SMS_66
，最终得到高精度复原光谱和高信噪比重构光谱。
其中，上述所说的光谱重构网络训练和优化的具体操作步骤如下：
将光强数字量I13至I16一同输入至光谱重构网络
Figure SMS_67
中得到重构光谱/>
Figure SMS_68
，通过优化调整光谱重构网络/>
Figure SMS_69
的网络参数使得重构光谱/>
Figure SMS_70
不断逼近原始光谱/>
Figure SMS_71
。光谱重构网络
Figure SMS_72
的网络参数优化表达式如下：
Figure SMS_73
式中，
Figure SMS_74
为正则化因子，/>
Figure SMS_75
为网络参数，/>
Figure SMS_76
为重构光谱，/>
Figure SMS_77
为正则项。
光谱重构网络
Figure SMS_78
的网络参数优化表达式可分为两项，前一项/>
Figure SMS_82
为重构误差项，表示重构光谱/>
Figure SMS_84
与原始光谱/>
Figure SMS_80
的拟合程度；后一项/>
Figure SMS_81
正则项为网络参数约束项，用于防止光谱重构网络/>
Figure SMS_83
过拟合，一般采用/>
Figure SMS_85
正则化约束，使得/>
Figure SMS_79
，两项相加构成损失项，优化使得损失项值接近零。
上述的具体优化过程为：首先是正向传播得到重构光谱
Figure SMS_86
的预测值，然后计算损失项值及其对网络参数/>
Figure SMS_87
的梯度，根据该梯度由反向传播算法更新网络参数/>
Figure SMS_88
，重复这个过程使得损失项值下降收敛并接近零，从而实现光谱重构网络/>
Figure SMS_89
的最优化。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.基于计算增强型像元分光光谱成像芯片的光谱重构方法，其特征在于，该光谱重构方法采用计算增强型像元分光光谱成像芯片实现，所述计算增强型像元分光光谱成像芯片包括多个光谱探测单元，每个光谱探测单元均由多个窄带滤光片和多个随机滤光片组成，利用光刻工艺将多个窄带滤光片和多个随机滤光片刻蚀在探测器表面形成光谱探测单元；该光谱重构方法包括计算增强光谱重构模式，具体包括以下步骤：
利用计算增强型像元分光光谱成像芯片上的窄带滤光片和随机滤光片对原始光谱S进行编码采集，由光强探测器感应编码后的光强，对光强进行模-数转换得到对应的光强数字量，将所有光强数字量输入至光谱重构网络中进行网络训练和优化，通过优化调整光谱重构网络的网络参数使得重构光谱
Figure FDA0004268076820000015
不断逼近原始光谱S，实现高精度、宽谱段、高信噪比的光谱信息重构。
2.根据权利要求1所述的基于计算增强型像元分光光谱成像芯片的光谱重构方法，其特征在于，所述网络训练和优化的具体操作步骤如下：
首先正向传播得到重构光谱
Figure FDA0004268076820000011
的预测值，计算损失项值及其对网络参数ω的梯度，根据该梯度由反向传播算法更新网络参数ω，重复这个过程使得损失项值下降收敛并接近零，从而实现光谱重构网络的最优化。
3.根据权利要求1所述的基于计算增强型像元分光光谱成像芯片的光谱重构方法，其特征在于，所述光谱重构网络的网络参数优化表达式如下：
Figure FDA0004268076820000012
式中，γ为正则化因子，ω为网络参数，
Figure FDA0004268076820000013
为重构光谱，R(ω)为正则项；光谱重构网络RECω的网络参数优化表达式分为两项，||S-RECω(I)||2为重构误差项，表示重构光谱/>
Figure FDA0004268076820000014
与原始光谱S的拟合程度；R(ω)正则项为网络参数约束项，用于防止光谱重构网络RECω过拟合，采用l2正则化约束，使得||ω||2≤C(0≤C＜∞)，两项相加构成损失项，优化使得损失项值接近零。
4.根据权利要求1所述的基于计算增强型像元分光光谱成像芯片的光谱重构方法，其特征在于，每个光谱探测单元均由4个窄带滤光片和12个随机滤光片组成，将4个随机滤光片布置在中心，其***布置一圈共12个窄带滤光片。
5.基于计算增强型像元分光光谱成像芯片的光谱重构方法，其特征在于，该光谱重构方法采用计算增强型像元分光光谱成像芯片实现，所述计算增强型像元分光光谱成像芯片包括多个光谱探测单元，每个光谱探测单元均由多个窄带滤光片和多个随机滤光片组成，利用光刻工艺将多个窄带滤光片和多个随机滤光片刻蚀在探测器表面形成光谱探测单元；该光谱重构方法包括计算直通光谱重构模式，具体包括以下步骤：
利用计算增强型像元分光光谱成像芯片上的窄带滤光片和随机滤光片对原始光谱S进行编码采集，由光强探测器感应编码后的光强，对光强进行模-数转换得到对应的光强数字量；将窄带滤光片编码后的光强数字量输入至光谱复原函数，获得复原光谱；将随机滤光片编码后的光强数字量输入至光谱重构网络中进行网络训练和优化，通过优化调整光谱重构网络的网络参数使得重构光谱
Figure FDA0004268076820000022
不断逼近原始光谱S，最终得到高精度复原光谱和高信噪比重构光谱。
6.根据权利要求5所述的基于计算增强型像元分光光谱成像芯片的光谱重构方法，其特征在于，所述光谱复原函数为S1＝G([I1,I12])，G为高斯函数。
7.根据权利要求5所述的基于计算增强型像元分光光谱成像芯片的光谱重构方法，其特征在于，所述网络训练和优化的具体操作步骤如下：
首先正向传播得到重构光谱
Figure FDA0004268076820000021
的预测值，计算损失项值及其对网络参数ω的梯度，根据该梯度由反向传播算法更新网络参数ω，重复这个过程使得损失项值下降收敛并接近零，从而实现光谱重构网络的最优化。
8.根据权利要求5所述的基于计算增强型像元分光光谱成像芯片的光谱重构方法，其特征在于，所述光谱重构网络的网络参数优化表达式如下：
Figure FDA0004268076820000031
式中，γ为正则化因子，ω为网络参数，
Figure FDA0004268076820000032
为重构光谱，R(ω)为正则项；光谱重构网络RECω的网络参数优化表达式分为两项，||S-RECω(I)||2为重构误差项，表示重构光谱/>
Figure FDA0004268076820000033
与原始光谱S的拟合程度；R(ω)正则项为网络参数约束项，用于防止光谱重构网络RECω过拟合，采用l2正则化约束，使得||ω||2≤C(0≤C＜∞)，两项相加构成损失项，优化使得损失项值接近零。
9.根据权利要求5所述的基于计算增强型像元分光光谱成像芯片的光谱重构方法，其特征在于，每个光谱探测单元均由4个窄带滤光片和12个随机滤光片组成，将4个随机滤光片布置在中心，其***布置一圈共12个窄带滤光片。
CN202310456976.9A 2023-04-26 2023-04-26 基于计算增强型像元分光光谱成像芯片的光谱重构方法 Active CN116164841B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310456976.9A CN116164841B (zh) 2023-04-26 2023-04-26 基于计算增强型像元分光光谱成像芯片的光谱重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310456976.9A CN116164841B (zh) 2023-04-26 2023-04-26 基于计算增强型像元分光光谱成像芯片的光谱重构方法

Publications (2)

Publication Number Publication Date
CN116164841A CN116164841A (zh) 2023-05-26
CN116164841B true CN116164841B (zh) 2023-07-07

Family

ID=86418612

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310456976.9A Active CN116164841B (zh) 2023-04-26 2023-04-26 基于计算增强型像元分光光谱成像芯片的光谱重构方法

Country Status (1)

Country Link
CN (1) CN116164841B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110175971A (zh) * 2019-05-27 2019-08-27 大连海事大学 一种多光谱单像素成像的深度学习图像重构方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7349806B2 (ja) * 2018-03-28 2023-09-25 ブラックマジック デザイン ピーティーワイ リミテッド 画像処理方法及びフィルタアレイ
CN111999788B (zh) * 2020-09-28 2021-05-04 浙江大学 宽光谱编码全彩色滤光片阵列
CN112881308B (zh) * 2021-01-22 2022-04-08 浙江大学 一种基于宽光谱编码和深度学习的光谱相机
CN114912598A (zh) * 2021-02-08 2022-08-16 清华大学 光人工神经网络智能芯片及制备方法
CN115183870A (zh) * 2022-07-29 2022-10-14 同济大学 一种宽带编码滤光片阵列和快照式高光谱相机
CN115452735A (zh) * 2022-09-15 2022-12-09 国科大杭州高等研究院 一种超微区域光谱测试***及方法
CN115755257A (zh) * 2022-11-10 2023-03-07 国科大杭州高等研究院 一种宽谱编码阵列滤光片及其制备方法
CN115731191A (zh) * 2022-11-22 2023-03-03 国科大杭州高等研究院 一种基于神经网络的窄波段光谱成像方法
CN115855250A (zh) * 2022-12-21 2023-03-28 中国科学院长春光学精密机械与物理研究所 一种基于深度学习光谱编解码的光谱成像***

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110175971A (zh) * 2019-05-27 2019-08-27 大连海事大学 一种多光谱单像素成像的深度学习图像重构方法

Also Published As

Publication number Publication date
CN116164841A (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
Geman et al. Nonlinear image recovery with half-quadratic regularization
CN111932457B (zh) 遥感影像高时空融合处理算法及装置
US5912993A (en) Signal encoding and reconstruction using pixons
CN112881308B (zh) 一种基于宽光谱编码和深度学习的光谱相机
Ma et al. Extensions of compressed imaging: flying sensor, coded mask, and fast decoding
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***
CN116164841B (zh) 基于计算增强型像元分光光谱成像芯片的光谱重构方法
CN113222812A (zh) 一种基于信息流加强深度展开网络的图像重建方法
CN114998213B (zh) 一种基于径流权值模型的湖库群滞洪量计算方法
CN110751701B (zh) 一种基于深度学习的x射线吸收衬度计算机断层成像不完备数据重建方法
CN117571128B (zh) 一种高分辨率偏振光谱图像成像方法及***
CN114419463B (zh) 一种基于云平台的全球太阳能光伏板遥感自动识别方法
CN115855250A (zh) 一种基于深度学习光谱编解码的光谱成像***
Tamilselvan et al. Survey and analysis of various image fusion techniques for clinical CT and MRI images
Molnar et al. Spectral deconvolution with deep learning: removing the effects of spectral PSF broadening
CN116433548A (zh) 一种基于多级信息提取的高光谱与全色图像融合方法
CN117058009A (zh) 一种基于条件扩散模型的全色锐化方法
CN116612009A (zh) 一种多尺度连接生成对抗网络医学图像超分辨率重建方法
CN116242484B (zh) 一种光谱成像芯片与光谱重构算法协同设计方法
CN113066023B (zh) 一种基于自校准卷积神经网络的sar图像去斑方法
Guo et al. An improved generative adversarial network for remote sensing image super‐resolution
CN114418911A (zh) 一种对遥感影像统计回归降尺度并提高水体清晰度的方法
CN111223044B (zh) 基于密集连接网络的全色图像与多光谱图像融合的方法
CN108111759A (zh) 面向面阵ccd光电转换的仿真设计方法
CN108205514A (zh) 基于优化稀疏算法的多目标光纤光谱二维模型抽谱方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant