CN116630148B - 光谱图像处理方法、装置、电子设备及存储介质 - Google Patents
光谱图像处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116630148B CN116630148B CN202310912398.5A CN202310912398A CN116630148B CN 116630148 B CN116630148 B CN 116630148B CN 202310912398 A CN202310912398 A CN 202310912398A CN 116630148 B CN116630148 B CN 116630148B
- Authority
- CN
- China
- Prior art keywords
- spot
- binary image
- spectrum
- image
- spots
- 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
Links
- 230000003595 spectral effect Effects 0.000 title claims abstract description 101
- 238000003860 storage Methods 0.000 title claims abstract description 28
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 238000001228 spectrum Methods 0.000 claims abstract description 206
- 238000003384 imaging method Methods 0.000 claims abstract description 172
- 238000000034 method Methods 0.000 claims abstract description 66
- 238000000701 chemical imaging Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 27
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 90
- 238000001914 filtration Methods 0.000 claims description 54
- 239000002096 quantum dot Substances 0.000 claims description 36
- 238000001514 detection method Methods 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 26
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 239000000463 material Substances 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 23
- 230000000694 effects Effects 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000005855 radiation Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000011897 real-time detection Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 241000192700 Cyanobacteria Species 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010034972 Photosensitivity reaction Diseases 0.000 description 1
- 206010070834 Sensitisation Diseases 0.000 description 1
- 239000011358 absorbing material Substances 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229930002868 chlorophyll a Natural products 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000009615 fourier-transform spectroscopy Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000036211 photosensitivity Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000008313 sensitization Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本公开涉及光谱图像处理技术领域，尤其涉及光谱图像处理方法、装置、电子设备及存储介质，所述方法包括：获取光谱成像装置对目标对象采集的马赛克面阵光谱图像，马赛克面阵光谱图像包括A×B个马赛克单元，每个马赛克单元包括n×n个通道，每个通道包括k×k个像素点，同一马赛克单元中的n×n个通道表征同一空间位置的n×n个光谱波段内的光谱；根据预先对光谱成像装置标定的成像规则信息，将马赛克面阵光谱图像转换成空间维度为(A×k)×(B×k)×n2的高光谱数据，成像规则信息包括光谱成像装置采集的马赛克面阵光谱图像中各个通道的通道信息。由此，能够将光谱成像装置采集的马赛克面阵光谱图像转换为数据精度更高的高光谱数据。
Description
技术领域
本公开涉及光谱图像处理技术领域，尤其涉及一种光谱图像处理方法、装置、电子设备及存储介质。
背景技术
遥感光谱技术可以获取目标辐射的二维空间分布（x,y）和一维光谱信息λ，进而得到感兴趣目标的几何影像及其特征光谱，可有效提高目标探测与识别能力。光谱成像技术是将目标辐射的三维数据立方体f(x,y,λ)降维于面阵或线阵成像探测器上，传统的数据立方体获取主要有两种模式：一种是对空间维度进行一维或者二维的光机扫描，如棱镜色散成像光谱仪，光栅衍射成像光谱仪和空间调制干涉成像光谱仪等；另外一种是进行光谱扫描，如滤光片型成像光谱仪和时间调制干涉成像光谱仪等。这两种模式均无法实现目标辐射的三维数据立方体的实时探测，并且在f(x,y,λ)获取过程中，要求成像光谱仪与目标保持严格的空间位置或姿态关系，否则将影响光谱成像探测效果，限制光谱成像技术的应用范围。快照式光谱成像技术则是通过将目标辐射f(x,y,λ)进行空谱调制，单次成像曝光即可获得目标辐射光谱的二维光谱图像，依据后期对二维光谱图像解调处理，重构目标辐射的三维数据立方体，无需与目标保持严格的空间位置或姿态关系，应用范围更广、成像速度更快，实时探测能力更强。
然而，由于采用快照式光谱成像技术的光谱成像装置的制造工艺、硬件结构等因素影响，使得不同光谱成像装置的实际成像效果与标准成像效果存在误差，也即实际成像效果存在空间投影误差，从而影响数据重构精度。
发明内容
有鉴于此，本公开提出了一种光谱图像处理方法、装置、电子设备及存储介质，能够将光谱成像装置采集的马赛克面阵光谱图像转换为数据精度更高的高光谱数据。
根据本公开的一方面，提供了一种光谱图像处理方法，包括：获取光谱成像装置对目标对象采集的马赛克面阵光谱图像，所述马赛克面阵光谱图像包括A×B个马赛克单元，每个马赛克单元包括n×n个通道，每个通道包括k×k个像素点，同一马赛克单元中的n×n个通道表征同一空间位置的n×n个光谱波段内的光谱，其中：A≥1，B≥1，n≥1，k≥1且A、B、n、k为整数；根据预先对所述光谱成像装置标定的成像规则信息，将所述马赛克面阵光谱图像转换成空间维度为(A×k)×(B×k)×n2的高光谱数据，所述成像规则信息包括所述光谱成像装置采集的马赛克面阵光谱图像中各个通道的通道信息。
在一种可能的实现方式中，所述成像规则信息的标定过程包括：获取所述光谱成像装置采集的样本马赛克面阵光谱图像，并将所述样本马赛克面阵光谱图像转换为初始二值图像；对所述初始二值图像进行斑点检测，得到所述初始二值图像中各个斑点的斑点信息，所述斑点信息包括斑点范围和斑点位置；基于所述斑点信息，过滤掉所述初始二值图像中的噪声斑点，得到过滤后的目标二值图像；根据所述目标二值图像中斑点对应的斑点信息，确定所述成像规则信息。
在一种可能的实现方式中，所述基于所述斑点信息，过滤掉所述初始二值图像中的噪声斑点，得到过滤后的目标二值图像，包括：基于所述初始二值图像中各个斑点的斑点范围，过滤掉斑点范围不符合预设斑点范围的噪声斑点，得到过滤后的目标二值图像；和/或，基于所述初始二值图像中各个斑点的斑点位置，过滤掉斑点位置离群的噪声斑点，得到过滤后的目标二值图像。
在一种可能的实现方式中，所述斑点位置包括斑点的中心位置，所述基于所述初始二值图像中各个斑点的斑点位置，过滤掉斑点位置离群的噪声斑点，得到过滤后的目标二值图像，包括：以所述初始二值图像中每个斑点的中心位置为原点建立横轴和/或纵轴，并检测每个斑点对应的横轴经过的斑点数量和/或纵轴经过的斑点数量；根据每个斑点对应的横轴经过的斑点数量和/或纵轴经过的斑点数量，确定斑点位置离群的噪声斑点；过滤掉所述初始二值图像中斑点位置离群的噪声斑点，得到目标二值图像。
在一种可能的实现方式中，所述根据所述目标二值图像中斑点对应的斑点信息，确定所述成像规则信息，包括：根据所述目标二值图像中斑点对应的斑点信息，生成初始规则格网，所述初始规则格网中包括：所述目标二值图像中各个斑点的斑点信息，以及标识信息，所述标识信息用于指示所述目标二值图像中缺少的斑点；基于所述初始规则格网中的标识信息与斑点信息，在所述初始规则格网中补全所述目标二值图像中缺少的斑点的斑点信息，得到目标规则格网，所述目标规则格网包括A×B个单元，所述目标规则格网中的每个单元包括n×n个斑点信息；其中，所述成像规则信息中的通道信息包括所述目标规则格网指示的斑点位置和/或斑点范围。
在一种可能的实现方式中，所述方法还包括：根据所述目标规则格网，生成掩膜图像，所述掩膜图像包括A×B个像素单元，所述掩膜图像中每个像素单元包括n×n个通道，所述掩膜图像中各个像素单元内的各个通道用于指示所述光谱成像装置采集的马赛克面阵光谱图像中各个马赛克单元内各个通道对应的光谱波段。
在一种可能的实现方式中，所述将所述样本马赛克面阵光谱图像转换为初始二值图像，包括：将所述样本马赛克面阵光谱图像转换为灰度图像；基于预设阈值，将所述灰度图像转换为原始二值图像；对所述原始二值图像进行图像预处理，得到初始二值图像，所述图像预处理包括：滤波处理、形态学处理中的至少一种。
在一种可能的实现方式中，所述方法还包括：定期校准所述光谱成像装置对应的成像规则信息，并且/或者，所述光谱成像装置包括快照式光谱成像装置，所述快照式光谱成像装置中采用量子点光谱传感器采集n×n个光谱波段内的光谱，所述量子点光谱传感器采用n×n种量子点材料，不同量子点材料具有不同光谱波段响应特性。
在一种可能的实现方式中，所述目标对象包括目标水域，所述方法还包括：根据所述目标水域对应的高光谱数据以及预设的水质反演模型进行水质参数反演，得到所述目标水域的水质参数反演结果，所述水质参数反演结果用于评估所述目标水域的水质。
根据本公开的另一方面，提供了一种光谱图像处理装置，包括：获取模块，用于获取光谱成像装置对目标对象采集的马赛克面阵光谱图像，所述马赛克面阵光谱图像包括A×B个马赛克单元，每个马赛克单元包括n×n个通道，每个通道包括k×k个像素点，同一马赛克单元中的n×n个通道表征同一空间位置的n×n个光谱波段内的光谱，其中：A≥1，B≥1，n≥1，k≥1且A、B、n、k为整数；转换模块，用于根据预先对所述光谱成像装置标定的成像规则信息，将所述马赛克面阵光谱图像转换成空间维度为(A×k)×(B×k)×n2的高光谱数据，所述成像规则信息包括所述光谱成像装置采集的马赛克面阵光谱图像中各个通道的通道信息。
在一种可能的实现方式中，所述成像规则信息的标定过程包括：获取所述光谱成像装置采集的样本马赛克面阵光谱图像，并将所述样本马赛克面阵光谱图像转换为初始二值图像；对所述初始二值图像进行斑点检测，得到所述初始二值图像中各个斑点的斑点信息，所述斑点信息包括斑点范围和斑点位置；基于所述斑点信息，过滤掉所述初始二值图像中的噪声斑点，得到过滤后的目标二值图像；根据所述目标二值图像中斑点对应的斑点信息，确定所述成像规则信息。
在一种可能的实现方式中，所述基于所述斑点信息，过滤掉所述初始二值图像中的噪声斑点，得到过滤后的目标二值图像，包括：基于所述初始二值图像中各个斑点的斑点范围，过滤掉斑点范围不符合预设斑点范围的噪声斑点，得到过滤后的目标二值图像；和/或，基于所述初始二值图像中各个斑点的斑点位置，过滤掉斑点位置离群的噪声斑点，得到过滤后的目标二值图像。
在一种可能的实现方式中，所述斑点位置包括斑点的中心位置，所述基于所述初始二值图像中各个斑点的斑点位置，过滤掉斑点位置离群的噪声斑点，得到过滤后的目标二值图像，包括：以所述初始二值图像中每个斑点的中心位置为原点建立横轴和/或纵轴，并检测每个斑点对应的横轴经过的斑点数量和/或纵轴经过的斑点数量；根据每个斑点对应的横轴经过的斑点数量和/或纵轴经过的斑点数量，确定斑点位置离群的噪声斑点；过滤掉所述初始二值图像中斑点位置离群的噪声斑点，得到目标二值图像。
在一种可能的实现方式中，所述根据所述目标二值图像中斑点对应的斑点信息，确定所述成像规则信息，包括：根据所述目标二值图像中斑点对应的斑点信息，生成初始规则格网，所述初始规则格网中包括：所述目标二值图像中各个斑点的斑点信息，以及标识信息，所述标识信息用于指示所述目标二值图像中缺少的斑点；基于所述初始规则格网中的标识信息与斑点信息，在所述初始规则格网中补全所述目标二值图像中缺少的斑点的斑点信息，得到目标规则格网，所述目标规则格网包括A×B个单元，所述目标规则格网中的每个单元包括n×n个斑点信息；其中，所述成像规则信息中的通道信息包括所述目标规则格网指示的斑点位置和/或斑点范围。
在一种可能的实现方式中，所述装置还包括：掩膜图像生成模块，用于根据所述目标规则格网，生成掩膜图像，所述掩膜图像包括A×B个像素单元，所述掩膜图像中每个像素单元包括n×n个通道，所述掩膜图像中各个像素单元内的各个通道用于指示所述光谱成像装置采集的马赛克面阵光谱图像中各个马赛克单元内各个通道对应的光谱波段。
在一种可能的实现方式中，所述将所述样本马赛克面阵光谱图像转换为初始二值图像，包括：将所述样本马赛克面阵光谱图像转换为灰度图像；基于预设阈值，将所述灰度图像转换为原始二值图像；对所述原始二值图像进行图像预处理，得到初始二值图像，所述图像预处理包括：滤波处理、形态学处理中的至少一种。
在一种可能的实现方式中，所述装置还包括：校准模块，用于定期校准所述光谱成像装置对应的成像规则信息。
在一种可能的实现方式中，所述光谱成像装置包括快照式光谱成像装置，所述快照式光谱成像装置中采用量子点光谱传感器采集n×n个光谱波段内的光谱，所述量子点光谱传感器采用n×n种量子点材料，不同量子点材料具有不同光谱波段响应特性。
在一种可能的实现方式中，所述目标对象包括目标水域，所述装置还包括：水质参数反演模块，用于根据所述目标水域对应的高光谱数据以及预设的水质反演模型进行水质参数反演，得到所述目标水域的水质参数反演结果，所述水质参数反演结果用于评估所述目标水域的水质。
根据本公开的另一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为在执行所述存储器存储的指令时，实现上述方法。
根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
根据本公开的各方面，利用光谱成像装置预先标定的成像规则信息，能够将光谱成像装置采集的二维马赛克面阵光谱图像转换成精度更高的三维高光谱数据，也即生成精度更高的三维数据立方体，降低由于制造工艺等因素导致不同光谱成像装置的实际成像效果存在的空间投影误差而对数据转换精度的影响，有利于提高利用该高光谱数据执行下游任务时（如水质检测、食品质量检测等）的准确性。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开一实施例的光谱图像处理方法的流程图。
图2示出根据本公开一实施例的一种马赛克面阵光谱图像的示意图。
图3示出根据本公开一实施例的一种成像规则信息的标定过程的流程图。
图4示出根据本公开一实施例的一种初始二值图像的示意图。
图5示出根据本公开一实施例的一种初始二值图像的示意图。
图6示出根据本公开一实施例的一种目标二值图像的示意图。
图7示出根据本公开一实施例的一种目标二值图像的示意图。
图8示出根据本公开一实施例的一种目标二值图像的示意图。
图9示出根据本公开一实施例的一种目标二值图像的示意图。
图10示出根据本公开一实施例的光谱图像处理装置的框图。
图11示出根据本公开一实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开一实施例的光谱图像处理方法的流程图。如图1所示，该光谱图像处理方法包括：
步骤S11，获取光谱成像装置对目标对象采集的马赛克面阵光谱图像，马赛克面阵光谱图像包括A×B个马赛克单元，每个通道包括k×k个像素点，同一马赛克单元中的n×n个像素点通道表征同一空间位置的n×n个光谱波段内的光谱，其中：A≥1，B≥1，n≥1，k≥1且A、B、n、k为整数；
步骤S12，根据预先对光谱成像装置标定的成像规则信息，将马赛克面阵光谱图像转换成空间维度为(A×k)×(B×k)×n2的高光谱数据，成像规则信息用于指示光谱成像装置采集的马赛克面阵光谱图像中各个通道的通道信息。
其中，光谱成像装置可以包括快照式光谱成像装置，或其它能够生成马赛克面阵光谱图像的光谱成像装置，例如扫描式光谱成像装置等。应理解，本公开实施例对于光谱成像装置的类型、结构等均不做限制。在一种可能的实现方式中，快照式光谱成像装置中可以采用量子点光谱传感器采集n×n个光谱波段内的光谱，该量子点光谱传感器可以采用n×n种量子点材料，不同量子点材料具有不同光谱波段响应特性。其中，量子点是一种纳米级的半导体晶体材料，可以用作图像传感器中的光线吸收材料，“量子点光谱传感技术”可以根据不同尺寸、不同种类的量子点对特定光谱波段敏感的响应特性，将多种量子点集成到微型芯片上，得到量子点光谱传感器，不仅突破了以往减小尺寸将导致光谱仪分辨率、使用范围和效率显著下降的缺陷，更提升了光通量、通道数和适应性，可以实现大型光谱分析仪器的微小型化，能够用于能量收集、照明、显示器、相机、传感器、通信和信息技术、生物学和医学等多个领域。
可知晓，快照式光谱成像装置可以包括直接测量型、间接测量型；直接测量型是将数据立方体f(x，y，λ)的二维切片在面阵探测器上进行投影排布，建立目标光谱辐射与投影像素的灰度映射，得到二维光谱图像，例如，基于像面分割投影的光谱成像（Image MappingSpectroscopy，IMS）、基于像素滤光的探测器阵列（Multispectral Sensor with Per-pixel Filters，MS-PPF）等；间接测量型是将数据立方体f(x，y，λ)调制编码，投影映射为探测器的像元响应，得到二维光谱图像，例如，计算层析光谱成像（Computed TomographyImaging Spectroscopy，CTIS）、快照式傅里叶变换光谱成像（Snapshot HyperspectralImaging Fourier Transform spectroscopy，SHIFT）等。
在实际应用中，上述光谱成像装置可以应用于各种需要进行光谱成像的场景中，例如，水质检测、食品质量检测、医疗、农业、军事侦察、智慧城市、无人机遥感等；针对不同的应用场景，目标对象也是不同的，例如，水质检测场景中的目标对象可以是待检测水质的水域，食品检测场景中的目标对象可以是待检测的食品，医疗场景中可以是人体组织、器官等。应理解，本公开实施例对目标对象的类型不作限制。
其中，马赛克面阵光谱图像是一种二维光谱图像，马赛克面阵光谱图像的分辨率（也即长度和高度）、马赛克面阵光谱图像中马赛克单元的数量每个马赛克单元中通道数量以及每个通道的像素大小通常取决于光谱成像装置中感光器件（如量子点光谱传感器）的结构设计，其中，一个通道中可以包括至少一个像素点，应理解，本公开实施例对于上述A、B、n、k的具体数值不作限制，例如，n可以是2、3或5等，k可以等于3。
示例性地，图2示出一种马赛克面阵光谱图像的示意图，该马赛克面阵光谱图像的分辨率可以是1280×1024（也即共有1280×1024通道），单个马赛克单元包括2×2个通道，也即该面阵光谱图像包括640×512个马赛克单元，每个马赛克单元中的2×2个通道表征同一空间位置的2×2个光谱波段内的光谱，如图2中每个马赛克单元中的2×2个通道可以表征中心波段分别为450nm、550nm、630nm以及720nm的光谱波段的光谱。
应理解，本领域技术人员可以根据不同应用场景对光谱波段的需求，设计光谱成像装置所能响应的光谱波段，例如，在水质检测场景中，可以设计光谱成像装置能够采集红光R、绿光G、蓝光B以及近红外光NIR的四种光谱波段内的光谱，具体地，可以从450nm-750nm之间选取需要的4种光谱波段，例如可以选取中心波段分别为450nm、550nm、630nm以及720nm的光谱波段。
在实际应用中，图2示出的马赛克面阵光谱图像可以理解为光谱成像装置生成的一种理想化、标准化的成像效果。但由于光谱成像装置的制造工艺、硬件结构等因素影响，光谱成像装置生成的马赛克面阵光谱图像的实际成像效果与标准成像效果之间存在误差，例如，马赛克单元在排列上存在偏移、马赛克单元中的通道在排列存在偏移、通道的大小与标准大小不同等空间投影误差。基于此，若直接将光谱成像装置采集的马赛克面阵光谱图像按照标准成像效果转换成三维的高光谱数据，会降低高光谱数据的数据精度，从而影响后续利用高光谱数据进行水质检测、食品检测等下游任务的准确性。
基于此，本公开实施例通过预先标定光谱成像装置的成像规则信息，也即预先确定光谱成像装置采集的马赛克面阵光谱图像中各个通道的通道信息，进而可以利用预先标定的成像规则信息将马赛克面阵光谱图像转换成高精度的高光谱数据，也即重构成高精度的三维数据立方体。应理解，同一光谱成像装置生成的马赛克面阵光谱图像中各个通道的通道信息是相同的，因此可以将该预先标定的成像规则信息作为该光谱成像装置的预设参数，以便于将该光谱成像装置采集的任意马赛克面阵光谱图像转换成高光谱数据。其中，通道信息可以包括通道覆盖的像素范围和/或通道的像素中心位置。
应理解，通过预先标定光谱成像装置的成像规则信息，能够知晓该光谱成像装置生成的马赛克面阵光谱图像中各个马赛克单元中各个通道实际的通道信息，也即各个通道实际覆盖的像素范围和/或通道的像素中心位置，这样可以基于该实际的通道信息，可以将马赛克面阵光谱图像转换成精度更高的高光谱数据。其中，由于同一马赛克单元中的n×n个通道表征同一空间位置的n×n个光谱波段内的光谱，每个通道包括k×k个像素点，因此，可以以横向的马赛克单元数A作为x轴，以纵向的马赛克单元数B作为y轴，以单个马赛克单元中通道数量n2作为λ轴，将马赛克面阵光谱图像转换成空间维度为(A×k)×(B×k)×n2的高光谱数据，该(A×k)×(B×k)×n2的高光谱数据是一种三维数据立方体，例如，图2示出的马赛克面阵光谱图像包括640×512个马赛克单元，也即A=640，B=512，每个马赛克单元包括2×2个通道，也即n=2，若每个通道包括2×2个像素点，也即k=2，则该马赛克面阵光谱图像可以转换成(A×k)×(B×k)×n2=（640×2）×（512×2）×4的高光谱数据，其中，高光谱数据在λ轴上（也即通道维）的数据可以指示n2个光谱波段内的光谱信息，在x轴和y轴上的数据可以指示目标对象的空间位置。
在实际应用中，上述成像规则信息中除了通道信息还可以包括通道标签ch，通道标签可以指示不同的通道，成像规则信息还可以隐含有马赛克面阵光谱图像中每个通道的索引信息i,j，基于该些成像规则信息可以计算出马赛克面阵光谱图像中每个通道的通道位置对应于三维数据立方体中的空间位置，具体地，假设马赛克面阵光谱图像中马赛克单元为A行、B列，每个马赛克单元内的通道数为n2，每个通道包含k×k个像素单元，通道位置表示为（cx，cy），上述根据预先对光谱成像装置标定的成像规则信息，将马赛克面阵光谱图像转换成空间维度为(A×k)×(B×k)×n2的高光谱数据，可以包括：
实例化空的三维数组arr，三维数组arr的形状shape=(A×k)，(B×k)，n2；通道维上每一层将保存同一通道的光谱数据；再根据每个通道的索引信息i和j，计算出每个通道所在的马赛克单元的索引信息i`和j`，例如可以通过式i`= i // n和j`=j// n计算每个通道所在的马赛克单元的索引信息i`和j`，其中，“//”代表整除；然后基于上述索引信息i`和j`，逐行、逐列遍历成像规则信息，获取每个马赛克单元内通道的通道位置（cx，cy），并基于通道位置（cx，cy）从马赛克面阵光谱图像img中截取通道信息中指定的像素范围的通道数据并赋值到上述空的三维数组arr中，遍历完成后即得到非空的三维数据立方体，也即得到高光谱数据，具体地可以表示为：
arr[ch - 1, i`×k:(i`+1)×k, j`×k:(j`+1)×k] = img[cy - r:cy + r +1, cx - r:cx + r + 1]， r=k//2。
其中，“×”代表相乘，“:”代表从左侧数据到右侧数据，左闭右开，例如，i`×k:(i`+1)×k代表从i`×k到(i`+1)×k。
应理解，以上二维马赛克面阵光谱图像转换成三维高光谱数据的数据转换过程是本公开实施例提供的一种可能的实现方式，实际上，本领域技术人员可以根据实际需求自定义设计二维图像到三维数据立方体的数据转换过程，对此本公开实施例不作限制。
根据本公开实施例，利用光谱成像装置预先标定的成像规则信息，能够将光谱成像装置采集的二维马赛克面阵光谱图像转换成精度更高的三维高光谱数据，也即生成精度更高的三维数据立方体，降低由于制造工艺等因素导致不同光谱成像装置的实际成像效果存在的误差而对数据转换精度的影响，有利于提高利用该高光谱数据执行下游任务时（如水质检测、食品质量检测等）的准确性。
如上所述，可以预先标定光谱成像装置的成像规则信息，本公开实施例还提供一种成像规则信息的标定过程，如图3所示，该成像规则信息的标定过程包括：
步骤S31，获取光谱成像装置采集的样本马赛克面阵光谱图像，并将样本马赛克面阵光谱图像转换为初始二值图像。
其中，样本马赛克面阵光谱图像可以理解为光谱成像装置在标定过程中对任意样本对象采集的马赛克面阵光谱图像。在一种可能的实现方式中，将样本马赛克面阵光谱图像转换为初始二值图像，可以包括：
将样本马赛克面阵光谱图像转换为灰度图像；
基于预设阈值，将灰度图像转换为原始二值图像；
对原始二值图像进行图像预处理，得到初始二值图像，图像预处理包括：滤波处理、形态学处理中的至少一种。
其中，可以采用本领域已知的图像处理技术，例如OpenCV技术，实现将样本马赛克面阵光谱图像转换为灰度图像，基于预设阈值将灰度图像转换为原始二值图像，以及对原始二值图像进行图像预处理，得到初始二值图像，对此本公开实施例不作限制。
示例性地，可以对样本马赛克面阵光谱图像进行去马赛克(demosaicing)运算，得到灰度图像；可以采用OTSU算法（又称大律法）、三角形算法等图像二值化算法，确定预设阈值并对灰度图像进行二值化，得到原始二值图像。
应理解，原始二值图像主要提取出灰度图像中深色区域，其它区域可能包含噪声点，进而可以对原始二值图像进行滤波处理、形态学处理等预处理，以实现对原始二值图像的去噪、特征增强等效果。示例性地，滤波处理例如可以包括均值滤波、高斯滤波、双边滤波等，形态学处理例如可以包括膨胀、腐蚀、开运算和闭运算等。本公开实施例对于原始二值图像的图像预处理手段不作限制。
步骤S32，对初始二值图像进行斑点检测，得到初始二值图像中各个斑点的斑点信息，斑点信息包括斑点范围和斑点位置。
在实际应用中，本领域技术人员可以采用本领域已知的斑点检测技术，例如，连通域提取算法，实现对初始二值图像进行斑点检测，得到初始二值图像中各个斑点的斑点信息，对此本公开实施例不作限制。其中，通过对初始二值图像进行斑点检测，得到初始二值图像中各个斑点的斑点信息，得到斑点信息中的斑点位置相当于得到样本马赛克面阵图像中不同光谱波段（也即不同光谱通道）的的通道信息，得到斑点信息中的斑点范围得到样本马赛克面阵图像中各个通道的覆盖像素范围，或者说斑点的像素范围。
其中，可以利用连通域提取算法对初始二值图像进行按列扫描或按行扫描，将相邻的属于相同像素值的区域作为同一连通区域，得到初始二值图像中的斑点，初始二值图像中的斑点可以理解为像素值为1或0的连通区域，同时还可以得到各个斑点的斑点范围和斑点位置，斑点范围可以理解为斑点的大小，也即斑点所占区域的范围，斑点位置可以理解为斑点在初始二值图像中的位置坐标，具体地，可以是斑点的中心位置的坐标。
示例性地，图4示出一种斑点检测结果的示意图，如图4所示，深色区域可以是通过对初始二值图像进行斑点检测所得到的斑点，由图4可见，初始二值图像中除了大小正常且分布正常的正常斑点（也即所有1号斑点），还会存在一些噪声斑点，例如斑点范围（也即斑点的面积）过小的2号斑点、面积狭长的3号斑点、面积过大的4号斑点、位置离群的5号斑点等，这些噪声斑点可能不是真实的斑点，或者说，该些噪声斑点不表征真实准确的光谱信息，因此可以进一步通过步骤S33对该些噪声斑点进行过滤。
步骤S33，基于斑点信息，过滤掉初始二值图像中的噪声斑点，得到过滤后的目标二值图像。
在一种可能的实现方式中，基于斑点信息，过滤掉初始二值图像中的噪声斑点，得到过滤后的目标二值图像，可以包括：基于初始二值图像中各个斑点的斑点范围，过滤掉斑点范围不符合预设斑点范围的噪声斑点，得到过滤后的目标二值图像。该方式可以理解为，将初始二值图像中斑点范围不符合预设斑点范围的斑点作为噪声斑点并进行过滤；通过该方式，可以有效过滤掉斑点范围过小的、狭长的以及过大的噪声斑点。
应理解，初始二值图像中的噪声斑点是少数的，或者说，正常斑点的数量大于噪声斑点的数量，因此可以通过统计全部斑点的斑点范围并基于统计结果确定预设斑点范围，例如可以将最多斑点数量的斑点范围作为预设斑点范围；当然，也可以根据历史经验设置该预设斑点范围，对此本公开实施例不作限制。
在一种可能的实现方式中，基于斑点信息，过滤掉初始二值图像中的噪声斑点，得到过滤后的目标二值图像，还可以包括：基于初始二值图像中各个斑点的斑点位置，过滤掉斑点位置离群的噪声斑点，得到过滤后的目标二值图像。通过该方式，可以有效过滤掉斑点位置偏离正常分布的噪声斑点。
其中，斑点位置离群的噪声斑点可理解为偏离正常位置分布的噪声斑点，由于这些斑点位置离群的噪声斑点的斑点范围可能符合预设斑点范围，所以通过预设斑点范围可能无法过滤掉该些斑点位置离群的噪声斑点，因此可以基于初始二值图像中各个斑点的斑点位置，确定出斑点位置离群的噪声斑点并进行过滤。例如，图4中的各个1号斑点可以是正常斑点，该些1号斑点呈现规则化的正常位置分布且符合预设斑点范围，而5号斑点虽然也符合预设斑点范围，但该5号斑点的位置明显偏离正常位置分布，因此5号斑点是位置离群的噪声斑点。
如上所述，斑点位置包括斑点的中心位置，上述基于初始二值图像中各个斑点的斑点位置，过滤掉斑点位置离群的噪声斑点，得到过滤后的目标二值图像，可以包括：
以初始二值图像中每个斑点的中心位置为原点建立横轴和/或纵轴，并检测每个斑点对应的横轴经过的斑点数量和/或纵轴经过的斑点数量；
根据每个斑点对应的横轴经过的斑点数量和/或纵轴经过的斑点数量，确定斑点位置离群的噪声斑点；
过滤掉初始二值图像中斑点位置离群的噪声斑点，得到目标二值图像。
应理解，对于初始二值图像中的正常斑点（如图5中任一1号斑点），以正常斑点的中心位置为原点所建立的横轴和/或纵轴会分别经过一定数量的其它斑点，而对于斑点位置离群的噪声斑点对应的横轴和纵轴所经过的斑点数量通常会明显少于正常斑点的横轴和纵轴所经过的斑点数量，因此可以基于每个斑点的横轴和/或纵轴经过的斑点数量，确定出斑点位置离群的噪声斑点。例如，图5中左上角的正常斑点的横轴X1和纵轴Y1分别经过3个和4个其它斑点，而5号斑点仅横轴X5经过1个其它斑点，纵轴Y5经过0个其它斑点，由于该5号斑点的横轴和纵轴所经过的斑点数量明显少于1号斑点的横轴和纵轴所经过的斑点数量，或者由于该5号斑点的横轴经过的斑点数量明显少于1号斑点横轴经过的斑点数量，或者由于该5号斑点的纵轴经过的斑点数量明显少于1号斑点纵轴经过的斑点数量，因此可以确定为该5号斑点为斑点位置离群的噪声斑点。
其中，可以通过设置离群判定阈值并将每个斑点的横轴和/或纵轴所经过的斑点数量与该离群判定阈值进行比较，来确定斑点位置离群的噪声斑点，例如，可以判断每个斑点对应的横轴经过的斑点数量以及纵轴经过的斑点数量中的最小值是否小于该离群判定阈值，或者还可以判断每个斑点对应的横轴经过的斑点数量是否小于该离群判断阈值，或者还可以判断每个斑点对应的纵轴经过的斑点数量小于该离群判断阈值，若小于该离群判定阈值，则认为该斑点是斑点位置离群的噪声斑点。应理解，本领域技术人员可以自定义设置上述离群判定阈值的具体数值，对此本公开实施例不作限制。
考虑到人工设置的离群判定阈值不够精准，在一种可能的实现方式，可以根据初始二值图像中每行斑点数（也即每行斑点的总数量）以及每列斑点数（也即每列斑点的总数量）来自动确定离群判定阈值，具体地，上述根据每个斑点对应的横轴经过的斑点数量以及纵轴经过的斑点数量，确定斑点位置离群的噪声斑点，例如可以包括：统计初始二值图像中每行斑点数以及每列斑点数，并确定各行斑点数中的最大斑点数(row_max)及各列斑点数中的最大斑点数（col_max）；根据各行斑点数中的最大斑点数(row_max)及各列斑点数中的最大斑点数（col_max）中的最小值min(row_max, col_max)，确定离群判定阈值（n_thresh）；然后，判断每个斑点对应的横轴经过的斑点数量Nx以及纵轴经过的斑点数量Ny中的最小值min(Nx, Ny) 是否小于上述离群判定阈值（n_thresh）；若小于离群判定阈值（n_thresh），则确定该斑点是斑点位置离群的噪声斑点。其中，每个斑点对应的横轴经过的斑点数量可以包括每个斑点对应的横轴经过的其它斑点的斑点数量，相应的，纵轴经过的斑点数量可以包括每个斑点对应的纵轴经过的其它斑点的斑点数量。
可选地，可以将各行斑点数中的最大斑点数(row_max)及各列斑点数中的最大斑点数（col_max）中的最小值min(row_max, col_max)的一半，确定为离群判定阈值（n_thresh），也即，离群判定阈值（n_thresh）可以表示为：n_thresh = min(row_max, col_max) / 2；进而若某一斑点对应的min(Nx, Ny) < n_thresh，则判定该斑点是需要移除的斑点位置离群的噪声斑点。应理解，也可以将上述最小值min(row_max, col_max)的三分之一、三分之二等作为离群判定阈值（n_thresh），对此本公开实施例不作限制。
在实际应用中，可以先执行过滤掉斑点范围不符合预设斑点范围的噪声斑点，再对已过滤掉斑点范围不符合预设斑点范围的噪声斑点的初始二值图像执行过滤掉斑点位置离群的噪声斑点；或者，也可以先过滤掉斑点位置离群的噪声斑点，再对已过滤掉斑点位置离群的噪声斑点的初始二值图像执行过滤掉斑点范围不符合预设斑点范围的噪声斑点；当然，也可以仅执行过滤掉斑点范围不符合预设斑点范围的噪声斑点，或过滤掉斑点位置离群的噪声斑点，对此本公开实施例不作限制。
步骤S34，根据目标二值图像中斑点对应的斑点信息，确定成像规则信息。
如上所述，光谱成像装置生成的马赛克面阵光谱图像包括A×B个马赛克单元，每个马赛克单元包括n×n个通道，而通过上述步骤S31至步骤S33得到的目标二值图像中可能会缺少部分斑点以及缺少斑点对应的斑点信息，因此可以根据目标二值图像中斑点对应的斑点信息，对目标二值图像中缺少的斑点的斑点信息进行补全，以得到成像规则信息。其中，成像规则信息中的通道信息可以对应斑点信息中的斑点位置和/或斑点范围，具体地，通道信息中通道覆盖的像素范围对应斑点范围，通道信息中通道的像素中心位置对应斑点位置。
示例性地，通过对图4示出的初始二值图像进行噪声斑点的过滤，可以得到图6示出一种目标二值图像，假设样本马赛克面阵光谱图像中包含4×4个马赛克单元，每个马赛克单元包含3×3个通道，相较于该样本马赛克面阵光谱图像，图6所示的目标二值图像中明显缺少了部分斑点，基于上述样本马赛克面阵光谱图像，图7中白色方框所指示的区域可以代表图6示出的目标二值图像中缺少斑点。可理解，仅基于图6示出的目标二值图像中斑点对应的斑点信息无法得到完整的成像规则信息。在一种可能的实现方式中，上述根据目标二值图像中斑点对应的斑点信息，确定成像规则信息，包括：
根据目标二值图像中斑点对应的斑点信息，生成初始规则格网，初始规则格网中包括：目标二值图像中各个斑点的斑点信息，以及标识信息，标识信息用于指示目标二值图像中缺少的斑点；
基于初始规则格网中的标识信息与斑点信息，在初始规则格网中补全目标二值图像中缺少的斑点的斑点信息，得到目标规则格网，目标规则格网包括A×B个单元，目标规则格网中的每个单元包括n×n个斑点信息；其中，成像规则信息中的通道信息包括目标规则格网指示的斑点位置和/或斑点范围。
在实际应用中，初始规则格网例如可以表示为矩阵形式，例如下述式（1）或式（2）示出的矩阵形式的初始规则格网。其中，（xu,yv）可以代表斑点位置，luv代表（xu,yv）处斑点的斑点范围，u∈[1,4]，v∈[1,4]，在式（1）和式（2）中采用“0”作为标识信息代表此处缺少斑点的斑点信息，也即用“0”指示目标二值图像中该对应位置处缺少斑点。其中，采用式（1）的形式可以默认各个斑点的斑点范围相同，因此可以在矩阵中省略斑点范围；采用式（2）的形式可以具体指示各个斑点各自的斑点范围，应理解，采用式（2）中指示的斑点范围可以相同也可以不同。
（1）
（2）
应理解，上述在初始规则网格中采用“0”作为标识信息是本公开实施例提供的一种可能的实现方式，实际上，本领域技术人员可以根据实际需求采用已知的数字、字符等作为标识信息。
其中，本领域技术人员可以采用本领域已知的插值计算方式，例如，最近邻近算法、线性插值算法、双线性插值算法等，实现基于初始规则格网中的标识信息与斑点信息，插值计算出目标二值图像中缺少的斑点的斑点信息；具体地，例如可以先基于初始规则格网中已有斑点的斑点信息插值计算出目标二值图像中缺少的定位斑点的斑点信息，其中，定位斑点例如可以是马赛克单元对应到目标二值图像中的左上角斑点、中心斑点、右上角斑点、左下角斑点等；然后，再根据初始规则格网中已有的斑点信息和/或插值计算出的定位斑点的斑点信息，插值计算出目标二值图像中缺少的全部斑点的斑点信息，相当于针对每个马赛克单元中已有斑点的斑点信息，插值计算出每个马赛克单元中缺少的全部斑点的斑点信息，从而整体实现在初始规则格网中补全目标二值图像中缺少的斑点的斑点信息，得到目标规则格网。
示例性地，假设样本马赛克面阵光谱图像包含4×4个马赛克单元，每个马赛克单元包含3×3个通道，该样本马赛克面阵光谱图像可以得到图6示出的目标二值图像，利用图6中灰色方框指示的已有斑点的斑点信息，可以先插值计算出图6中缺少的定位斑点的斑点信息，得到如图8中白色方框指示的定位斑点的斑点信息，然后再根据图8中已有斑点的斑点信息（包括灰色方框和白色方框指示的斑点的斑点信息），插值计算出图8中缺少的全部斑点的斑点信息，例如，通过对图8中左上角1号斑点的斑点信息进行插值计算，可得到图9中示出的左上角1号斑点所在单元中其它8个斑点（也即图9中2号斑点到9号斑点）的斑点信息，以此类推，可以对图8中每个斑点所在单元内缺少的全部斑点的斑点信息进行补全，从而得到与样本马赛克面阵光谱图像匹配的目标规则格网，也即可以得到包含4×4个单元且每个单元中包括3×3个斑点信息的目标规则格网。应理解，该目标规则格网可以采用与初始规则格网相同的矩阵形式，当然也可以采用其它表示形式，对此本公开实施例不作限制。
应理解，同一光谱成像装置采集的样本马赛克面阵光谱图像与实际应用中采集的马赛克面阵光谱图像的分辨率是相同的，或者说，马赛克单元的数量以及马赛克单元中通道的数量是相同，因此可以将基于样本马赛克面阵光谱图像生成的目标规则格网中的斑点信息作为该光谱成像装置所标定的成像规则信息，其中，成像规则信息中的通道信息包括目标规则格网指示的斑点位置和/或斑点范围，目标规则格网中的斑点范围通常均是符合预设斑点范围，因此可以默认同一光谱成像装置采集的马赛克面阵光谱图像中各个通道的大小相同，也即通道的像素大小相同。
在实际应用中，为了更直观地展示成像规则信息，还可以基于目标规则格网生成掩膜图像，掩膜图像中通道的通道信息对应于目标规则格网中的斑点位置和斑点范围，掩膜图像中可以采用不同像素值（或者说不同颜色）指示样本马赛克面阵图像中各个马赛克单元内各个通道对应的光谱波段，其中，由于光谱成像装置中可以采用量子点光谱传感器，因此掩膜图像中各个通道的像素值还可以指示光谱波段所对应的量子点材料。在实际应用中，可以根据下游任务（如水质检测）中所需的光谱波段结合上述掩膜图像，从高光谱数据中获取所需光谱波段对应的光谱信息。
在一种可能的实现方式中，所述方法还包括：根据目标规则格网，生成掩膜图像，掩膜图像包括A×B个像素单元，掩膜图像中每个像素单元包括n×n个通道，掩膜图像中各个像素单元内的各个通道用于指示光谱成像装置采集的马赛克面阵光谱图像中各个马赛克单元内各个通道对应的光谱波段。其中，在掩膜图像中可以采用相同的像素值指示同一光谱波段，不同光谱波段对应不同像素值。通过该方式，可以利用掩膜图像更直观地获取到成像规则信息以及各通道各自对应的光谱波段。
考虑到光谱成像装置在实际应用中还可能存在老化、磨损等情况，也会影响光谱成像装置的实际成像效果，为了确保利用成像规则信息进行数据转换后的高光谱数据的数据精度，在一种可能的实现方式中，所述方法还包括：定期校准光谱成像装置对应的成像规则信息。通过该方式，可以使成像规则信息与光谱成像装置的实际成像效果保持一致，有利于提升数据转换后的高光谱数据的数据精度。
其中，可以定期校验成像规则信息对应的数据转换精度，在数据转换精度不符合指定要求的情况下，按照上述步骤S31至步骤S34重新对光谱成像装置的成像规则信息进行标定，得到新的成像规则信息，也即实现对成像规则信息的校准。
根据本公开实施例的成像规则信息的标定过程，可以高效准确地得到任意光谱成像装置的成像规则信息，从而有利于利用成像规则信息将光谱成像装置采集的马赛克面阵光谱图像转换成高精度的高光谱数据。
如上所述，上述光谱成像装置可以应用于水质检测场景中，在该场景中， 上述目标对象包括目标水域，所述方法还可以包括：
根据目标水域对应的高光谱数据以及预设的水质反演模型进行水质参数反演，得到所述目标水域的水质参数反演结果，水质参数反演结果用于评估目标水域的水质。
其中，可以根据实际检测需求从目标水域的高光谱数据中选取所需的光谱信息，然后将该光谱信息输入至水质反演模型中进行水质参数反演，得到水质参数反演结果。其中，水质参数例如可以包括：浊度、水体透明度、叶绿素a浓度、悬浮物浓度、蓝绿藻含量等，对此本公开实施例不作限制。在得到水质参数反演结果后，可以基于水质参数反演结果对目标水域进行营养状态分级、蓝藻水华识别、黑臭水体识别等处理，以评估目标水域的水质。其中，水质反演模型例如可以采用神经网络模型、机器学习模型等，本公开实施例对于水质反演模型的类型、结构以及训练方式等均不作限制。
其中，可以采用快照式光谱成像装置对目标水域进行光谱成像，该快照式光谱成像装置中可以采用量子点光谱传感器进行感光，在实际应用中，可以通过理论分析或数据驱动等方式选择对于待反演的水质参数合适的光谱波段，例如，基于水色遥感原理，可以设计红光R、绿光G、蓝光B以及近红外光NIR的四光谱波段，进而可以在量子点光谱传感器中采用该四种光谱波段对应的量子材料，可以使量子点光谱传感器的空间分辨率更高、投影误差更小。这样基于量子点光谱传感技术结合快照式光谱成像方式，针对待反演的不同水质参数，可以自主选择量子点材料的种类、尺寸等，从而能够在保证量子点光谱传感器的稳定性、一致性的同时，对待检测的目标水域进行快照式光谱成像，并对二维光谱成像数据进行解调重构，以得到三维数据立方体，然后根据待反演的水质参数，选择相匹配的水质反演模型进行水质参数反演。
本公开实施例还提供一种水质检测设备，该水质检测设备中可以包括快照式光谱成像装置以及光谱图像处理装置；其中，快照式光谱成像装置可以对待检测的目标水域进行快照式光谱成像，得到目标水域的马赛克面阵光谱图像，并将该马赛克面阵光谱图像发送给光谱图像处理装置；光谱图像处理装置可以基于该目标水域的马赛克面阵光谱图像执行上述本公开实施例的光谱图像处理方法，以实现对目标水域的水质参数反演。其中，该水质检测设备中的快照式光谱成像装置可以采用量子点光谱传感器，这样通过结合量子点光谱传感技术与快照式光谱成像技术，不仅可自主选择具有不同波段响应特性的量子点材料，还能够使水质检测设备具备微小型化与动态探测能力强的特点，有利于实现多种水质参数的非接触式实时检测。
需要说明的是，本公开实施例的光谱图像处理方法还可以由终端设备或服务器等电子设备执行，终端设备可以为水质检测设备、食品检测设备、用户设备（User Equipment，UE）、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理（Personal DigitalAssistant，PDA）设备、手持设备、计算设备、车载设备、可穿戴设备等，所述光谱图像处理方法可以通过终端设备的处理器调用存储器中存储的计算机可读指令的方式来实现，或者，可通过服务器执行所述光谱图像处理方法。
图10示出根据本公开一实施例的光谱图像处理装置的框图，如图10所示，该装置包括：
获取模块101，用于获取光谱成像装置对目标对象采集的马赛克面阵光谱图像，所述马赛克面阵光谱图像包括A×B个马赛克单元，每个马赛克单元包括n×n个通道，每个通道包括k×k个像素点，同一马赛克单元中的n×n个通道表征同一空间位置的n×n个光谱波段内的光谱，其中：A≥1，B≥1，n≥1，k≥1且A、B、n、k为整数；
转换模块102，用于根据预先对所述光谱成像装置标定的成像规则信息，将所述马赛克面阵光谱图像转换成空间维度为(A×k)×(B×k)×n2的高光谱数据，所述成像规则信息包括所述光谱成像装置采集的马赛克面阵光谱图像中各个通道的通道信息。
在一种可能的实现方式中，所述成像规则信息的标定过程包括：获取所述光谱成像装置采集的样本马赛克面阵光谱图像，并将所述样本马赛克面阵光谱图像转换为初始二值图像；对所述初始二值图像进行斑点检测，得到所述初始二值图像中各个斑点的斑点信息，所述斑点信息包括斑点范围和斑点位置；基于所述斑点信息，过滤掉所述初始二值图像中的噪声斑点，得到过滤后的目标二值图像；根据所述目标二值图像中斑点对应的斑点信息，确定所述成像规则信息。
在一种可能的实现方式中，所述基于所述斑点信息，过滤掉所述初始二值图像中的噪声斑点，得到过滤后的目标二值图像，包括：基于所述初始二值图像中各个斑点的斑点范围，过滤掉斑点范围不符合预设斑点范围的噪声斑点，得到过滤后的目标二值图像；和/或，基于所述初始二值图像中各个斑点的斑点位置，过滤掉斑点位置离群的噪声斑点，得到过滤后的目标二值图像。
在一种可能的实现方式中，所述斑点位置包括斑点的中心位置，所述基于所述初始二值图像中各个斑点的斑点位置，过滤掉斑点位置离群的噪声斑点，得到过滤后的目标二值图像，包括：以所述初始二值图像中每个斑点的中心位置为原点建立横轴和/或纵轴，并检测每个斑点对应的横轴经过的斑点数量和/或纵轴经过的斑点数量；根据每个斑点对应的横轴经过的斑点数量和/或纵轴经过的斑点数量，确定斑点位置离群的噪声斑点；过滤掉所述初始二值图像中斑点位置离群的噪声斑点，得到目标二值图像。
在一种可能的实现方式中，所述根据所述目标二值图像中斑点对应的斑点信息，确定所述成像规则信息，包括：根据所述目标二值图像中斑点对应的斑点信息，生成初始规则格网，所述初始规则格网中包括：所述目标二值图像中各个斑点的斑点信息，以及标识信息，所述标识信息用于指示所述目标二值图像中缺少的斑点；基于所述初始规则格网中的标识信息与斑点信息，在所述初始规则格网中补全所述目标二值图像中缺少的斑点的斑点信息，得到目标规则格网，所述目标规则格网包括A×B个单元，所述目标规则格网中的每个单元包括n×n个斑点信息；其中，所述成像规则信息中的通道位置包括所述目标规则格网指示的斑点位置和/或斑点范围。
在一种可能的实现方式中，所述装置还包括：掩膜图像生成模块，用于根据所述目标规则格网，生成掩膜图像，所述掩膜图像包括A×B个像素单元，掩膜图像中每个像素单元包括n×n个通道，所述掩膜图像中各个像素单元内的各个通道用于指示所述光谱成像装置采集的马赛克面阵光谱图像中各个马赛克单元内各个通道对应的光谱波段。
在一种可能的实现方式中，所述将所述样本马赛克面阵光谱图像转换为初始二值图像，包括：将所述样本马赛克面阵光谱图像转换为灰度图像；基于预设阈值，将所述灰度图像转换为原始二值图像；对所述原始二值图像进行图像预处理，得到初始二值图像，所述图像预处理包括：滤波处理、形态学处理中的至少一种。
在一种可能的实现方式中，所述装置还包括：校准模块，用于定期校准所述光谱成像装置对应的成像规则信息。
在一种可能的实现方式中，所述光谱成像装置包括快照式光谱成像装置，该快照式光谱成像装置中采用量子点光谱传感器采集n×n个光谱波段内的光谱，所述量子点光谱传感器采用n×n种量子点材料，不同量子点材料具有不同光谱波段响应特性。
在一种可能的实现方式中，所述目标对象包括目标水域，所述装置还包括：水质参数反演模块，用于根据所述目标水域对应的高光谱数据以及预设的水质反演模型进行水质参数反演，得到所述目标水域的水质参数反演结果，所述水质参数反演结果用于评估所述目标水域的水质。
应理解的是，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
根据本公开实施例，利用光谱成像装置预先标定的成像规则信息，能够将光谱成像装置采集的二维马赛克面阵光谱图像转换成精度更高的三维高光谱数据，也即生成精度更高的三维数据立方体，降低由于制造工艺等因素导致不同光谱成像装置的实际成像效果存在的误差而对数据转换精度的影响，进而有利于提高利用该高光谱数据执行下游任务时的准确性。其中，可以具体采用快照式光谱成像装置对目标对象进行光谱成像，快照式光谱成像装置具有小型化、低成本、易调制（波段数、波长）、成像范围广、感光性能出色等特点，且快照式成像相比扫描成像速度更快，动态实时探测能力强；再结合上述光谱图像处理装置对马赛克面阵光谱图像进行数据转换（也即数据解调），具备方便快捷，准确性高的特点，便于与各种终端设备集成（智能化），应用场景广泛。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为在执行所述存储器存储的指令时，实现上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
图11示出根据本公开一实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器或终端设备。参照图11，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出接口1958（I/O接口）。电子设备1900可以操作基于存储在存储器1932的操作***，例如Windows ServerTM，Mac OS XTM，UnixTM, LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置（***）和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (9)
1.一种光谱图像处理方法，其特征在于，包括：
获取光谱成像装置对目标对象采集的马赛克面阵光谱图像，所述马赛克面阵光谱图像包括A×B个马赛克单元，每个马赛克单元包括n×n个通道，每个通道包括k×k个像素点，同一马赛克单元中的n×n个通道表征同一空间位置的n×n个光谱波段内的光谱，其中：A≥1，B≥1，n≥1，k≥1且A、 B、n、k为整数；
根据预先对所述光谱成像装置标定的成像规则信息，将所述马赛克面阵光谱图像转换成空间维度为(A×k)×(B×k)×n2的高光谱数据，所述成像规则信息包括所述光谱成像装置采集的马赛克面阵光谱图像中各个通道的通道信息；
其中，所述成像规则信息的标定过程包括：
获取所述光谱成像装置采集的样本马赛克面阵光谱图像，并将所述样本马赛克面阵光谱图像转换为初始二值图像；
对所述初始二值图像进行斑点检测，得到所述初始二值图像中各个斑点的斑点信息，所述斑点信息包括斑点范围和斑点位置；
基于所述斑点信息，过滤掉所述初始二值图像中的噪声斑点，得到过滤后的目标二值图像；
根据所述目标二值图像中斑点对应的斑点信息，确定所述成像规则信息；
其中，所述基于所述斑点信息，过滤掉所述初始二值图像中的噪声斑点，得到过滤后的目标二值图像，包括：
基于所述初始二值图像中各个斑点的斑点范围，过滤掉斑点范围不符合预设斑点范围的噪声斑点，得到过滤后的目标二值图像；和/或，
基于所述初始二值图像中各个斑点的斑点位置，过滤掉斑点位置离群的噪声斑点，得到过滤后的目标二值图像；
其中，所述根据所述目标二值图像中斑点对应的斑点信息，确定所述成像规则信息，包括：
根据所述目标二值图像中斑点对应的斑点信息，生成初始规则格网，所述初始规则格网中包括：所述目标二值图像中各个斑点的斑点信息，以及标识信息，所述标识信息用于指示所述目标二值图像中缺少的斑点；
基于所述初始规则格网中的标识信息与斑点信息，在所述初始规则格网中补全所述目标二值图像中缺少的斑点的斑点信息，得到目标规则格网，所述目标规则格网包括A×B个单元，所述目标规则格网中的每个单元包括n×n个斑点信息；
其中，所述成像规则信息中的通道信息包括所述目标规则格网指示的斑点位置和/或斑点范围。
2.根据权利要求1所述的方法，其特征在于，所述斑点位置包括斑点的中心位置，所述基于所述初始二值图像中各个斑点的斑点位置，过滤掉斑点位置离群的噪声斑点，得到过滤后的目标二值图像，包括：
以所述初始二值图像中每个斑点的中心位置为原点建立横轴和/或纵轴，并检测每个斑点对应的横轴经过的斑点数量和/或纵轴经过的斑点数量；
根据每个斑点对应的横轴经过的斑点数量和/或纵轴经过的斑点数量，确定斑点位置离群的噪声斑点；
过滤掉所述初始二值图像中斑点位置离群的噪声斑点，得到目标二值图像。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述目标规则格网，生成掩膜图像，所述掩膜图像包括A×B个像素单元，所述掩膜图像中每个像素单元包括n×n个通道，所述掩膜图像中各个像素单元内的各个通道用于指示所述光谱成像装置采集的马赛克面阵光谱图像中各个马赛克单元内各个通道对应的光谱波段。
4.根据权利要求1所述的方法，其特征在于，所述将所述样本马赛克面阵光谱图像转换为初始二值图像，包括：
将所述样本马赛克面阵光谱图像转换为灰度图像；
基于预设阈值，将所述灰度图像转换为原始二值图像；
对所述原始二值图像进行图像预处理，得到初始二值图像，所述图像预处理包括：滤波处理、形态学处理中的至少一种。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述方法还包括：
定期校准所述光谱成像装置对应的成像规则信息；并且/或者，
所述光谱成像装置包括快照式光谱成像装置，所述快照式光谱成像装置中采用量子点光谱传感器采集n×n个光谱波段内的光谱，所述量子点光谱传感器采用n×n种量子点材料，不同量子点材料具有不同光谱波段响应特性。
6.根据权利要求1至4任一项所述的方法，其特征在于，所述目标对象包括目标水域，所述方法还包括：
根据所述目标水域对应的高光谱数据以及预设的水质反演模型进行水质参数反演，得到所述目标水域的水质参数反演结果，所述水质参数反演结果用于评估所述目标水域的水质。
7.一种光谱图像处理装置，其特征在于，包括：
获取模块，用于获取光谱成像装置对目标对象采集的马赛克面阵光谱图像，所述马赛克面阵光谱图像包括A×B个马赛克单元，每个马赛克单元包括n×n个通道，每个通道包括k×k个像素点，同一马赛克单元中的n×n个通道表征同一空间位置的n×n个光谱波段内的光谱，其中：A≥1，B≥1，n≥1，k≥1且A、B、n、k为整数；
转换模块，用于根据预先对所述光谱成像装置标定的成像规则信息，将所述马赛克面阵光谱图像转换成空间维度为(A×k)×(B×k)×n2的高光谱数据，所述成像规则信息包括所述光谱成像装置采集的马赛克面阵光谱图像中各个通道的通道信息；
其中，所述成像规则信息的标定过程包括：
获取所述光谱成像装置采集的样本马赛克面阵光谱图像，并将所述样本马赛克面阵光谱图像转换为初始二值图像；
对所述初始二值图像进行斑点检测，得到所述初始二值图像中各个斑点的斑点信息，所述斑点信息包括斑点范围和斑点位置；
基于所述斑点信息，过滤掉所述初始二值图像中的噪声斑点，得到过滤后的目标二值图像；
根据所述目标二值图像中斑点对应的斑点信息，确定所述成像规则信息；
其中，所述基于所述斑点信息，过滤掉所述初始二值图像中的噪声斑点，得到过滤后的目标二值图像，包括：
基于所述初始二值图像中各个斑点的斑点范围，过滤掉斑点范围不符合预设斑点范围的噪声斑点，得到过滤后的目标二值图像；和/或，
基于所述初始二值图像中各个斑点的斑点位置，过滤掉斑点位置离群的噪声斑点，得到过滤后的目标二值图像；
其中，所述根据所述目标二值图像中斑点对应的斑点信息，确定所述成像规则信息，包括：
根据所述目标二值图像中斑点对应的斑点信息，生成初始规则格网，所述初始规则格网中包括：所述目标二值图像中各个斑点的斑点信息，以及标识信息，所述标识信息用于指示所述目标二值图像中缺少的斑点；
基于所述初始规则格网中的标识信息与斑点信息，在所述初始规则格网中补全所述目标二值图像中缺少的斑点的斑点信息，得到目标规则格网，所述目标规则格网包括A×B个单元，所述目标规则格网中的每个单元包括n×n个斑点信息；
其中，所述成像规则信息中的通道信息包括所述目标规则格网指示的斑点位置和/或斑点范围。
8.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为在执行所述存储器存储的指令时，实现权利要求1至6中任意一项所述的方法。
9.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310912398.5A CN116630148B (zh) | 2023-07-25 | 2023-07-25 | 光谱图像处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310912398.5A CN116630148B (zh) | 2023-07-25 | 2023-07-25 | 光谱图像处理方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116630148A CN116630148A (zh) | 2023-08-22 |
| CN116630148B true CN116630148B (zh) | 2023-09-26 |
Family
ID=87603091
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310912398.5A Active CN116630148B (zh) | 2023-07-25 | 2023-07-25 | 光谱图像处理方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116630148B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117173580B (zh) * | 2023-11-03 | 2024-01-30 | 芯视界（北京）科技有限公司 | 水质参数的获取方法及装置、图像处理方法、介质 |
| CN117745754B (zh) * | 2023-12-18 | 2024-07-19 | 中国科学院空天信息创新研究院 | 一种蓝藻水华自动化监测方法和*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103453993A (zh) * | 2013-09-13 | 2013-12-18 | 中国科学院空间科学与应用研究中心 | 基于稀疏孔径压缩计算关联的主动高光谱成像***及方法 |
| WO2017086788A1 (en) * | 2015-11-17 | 2017-05-26 | Quest Photonic Devices B.V. | Hyperspectral 2d imaging device |
| CN108151880A (zh) * | 2017-12-20 | 2018-06-12 | 中国科学院长春光学精密机械与物理研究所 | 基于阵列相位反射镜快照成像光谱仪及制作方法 |
| CN115561182A (zh) * | 2022-11-09 | 2023-01-03 | 湖南大学 | 一种基于先验图像引导的快照式光谱成像***重构方法 |
| CN116448246A (zh) * | 2023-02-22 | 2023-07-18 | 苏州大学 | 一种高光谱视频成像*** |
-
2023
- 2023-07-25 CN CN202310912398.5A patent/CN116630148B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103453993A (zh) * | 2013-09-13 | 2013-12-18 | 中国科学院空间科学与应用研究中心 | 基于稀疏孔径压缩计算关联的主动高光谱成像***及方法 |
| WO2017086788A1 (en) * | 2015-11-17 | 2017-05-26 | Quest Photonic Devices B.V. | Hyperspectral 2d imaging device |
| CN108151880A (zh) * | 2017-12-20 | 2018-06-12 | 中国科学院长春光学精密机械与物理研究所 | 基于阵列相位反射镜快照成像光谱仪及制作方法 |
| CN115561182A (zh) * | 2022-11-09 | 2023-01-03 | 湖南大学 | 一种基于先验图像引导的快照式光谱成像***重构方法 |
| CN116448246A (zh) * | 2023-02-22 | 2023-07-18 | 苏州大学 | 一种高光谱视频成像*** |
Non-Patent Citations (1)
| Title |
|---|
| 计算光学成像：何来，何处，何去，何从？;左超, 陈钱;红外与激光工程;第51卷(第2期);158-341 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116630148A (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116630148B (zh) | 光谱图像处理方法、装置、电子设备及存储介质 | |
| Krig | Computer vision metrics | |
| Monno et al. | Single-sensor RGB-NIR imaging: High-quality system design and prototype implementation | |
| US10719958B2 (en) | Methods and systems for fusion display of thermal infrared and visible image | |
| Zheng et al. | Qualitative and quantitative comparisons of multispectral night vision colorization techniques | |
| Xiong et al. | Snapshot hyperspectral light field imaging | |
| Ma et al. | Acquisition of high spatial and spectral resolution video with a hybrid camera system | |
| Kaya et al. | Towards spectral estimation from a single RGB image in the wild | |
| Rabatel et al. | Getting simultaneous red and near-infrared band data from a single digital camera for plant monitoring applications: Theoretical and practical study | |
| Tao et al. | Hyperspectral image recovery based on fusion of coded aperture snapshot spectral imaging and RGB images by guided filtering | |
| CN112258579A (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
| Park et al. | Color restoration of RGBN multispectral filter array sensor images based on spectral decomposition | |
| US8810658B2 (en) | Estimating a visible vector representation for pixels in an infrared image | |
| CN110487737B (zh) | 用于智能手机光谱检测的图像信息提取与计算方法及*** | |
| Zheng et al. | Joint image and depth estimation with mask-based lensless cameras | |
| US20230146924A1 (en) | Neural network analysis of lfa test strips | |
| Besheer et al. | Modified invariant colour model for shadow detection | |
| Webb et al. | Spectral and 3D cultural heritage documentation using a modified camera | |
| Fortuna et al. | Multivariate image fusion: A pipeline for hyperspectral data enhancement | |
| CN117173580A (zh) | 水质参数的获取方法及装置、图像处理方法、介质 | |
| Son et al. | Visible and near infrared image fusion using base tone compression and detail transform fusion | |
| US20180061004A1 (en) | Determining multispectral or hyperspectral image data | |
| Pan et al. | Fast multispectral imaging by spatial pixel-binning and spectral unmixing | |
| CN108267426A (zh) | 基于多光谱成像的绘画颜料识别***及方法 | |
| Jabari et al. | Improving UAV imaging quality by optical sensor fusion: an initial study |
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 |