【技术实现步骤摘要】
一种基于卷积神经网络的光谱成像系统的高质量重构方法
本专利技术专利涉及一种用于光谱成像的高光谱图像高质量重构方法,尤其涉及能够快速获取高质量高光谱图像的方法,属于计算摄像学领域。
技术介绍
高光谱成像技术是一种将空间成像技术与光谱成像技术相结合的技术,能够密集的采集场景中每一个点的光谱信号。该技术采集得到的数据立方体即为高光谱图像,包含目标场景的二维空间信息和一维光谱信息。该技术已经被应用于地质勘探、农业生产和生物医学等多个领域。由于目前存在的二维成像传感器的限制,不能简单的通过一次曝光获取三维的高光谱图像。传统的高光谱成像技术选择牺牲时间维,沿着空间维或者光谱维扫描采集整张高光谱图像,所以基于扫描的技术不能够用于采集动态的场景。目前,基于多种光学设计和精细重构算法的计算光谱成像技术已经成为该领域的研究热点并有广泛应用。基于压缩感知理论,AshwinWagadarikar等人提出的编码孔径快照光谱成像仪(CodedApertureSnapshotSpectralImager,CASSI)利用二值化的编码孔径和色散介质对三维高光谱图像进行调制,使用探测器获取三维高光谱数据的二维压缩图像。再使用优化算法从二维的图像重构潜在的三维高光谱图像。计算重建算法在压缩高光谱成像系统中占有重要地位。后续的重构问题是如何从二维压缩测量中得到底层的三维高光谱图像。这种推导是病态的,图像先验对重建起着至关重要的作用。在CASSI的早期开发中,采用了稀疏重建(GPSR)算法的梯度投影,将整个三维高光谱图像的稀疏性约束强加于正交基之上。随后,采用两步迭代收缩/阈值(TwIST)算法 ...
【技术保护点】
1.一种基于卷积神经网络的光谱成像系统的高质量重构方法,其特征在于:包括以下步骤,步骤101:建立光谱成像仪的前向传播模型,基于块计算将整张高光谱图像S分块,依据光谱成像仪中光路的前向传播过程对所述高光谱图像块进行调制编码,构建编码模板,将编码后的立方体还原成平行六面体,在将其沿着光谱维相加得到二维的压缩图像;步骤102:考虑垂直和水平方向的空间相关性构建空间网络,考虑光谱间的光谱相关性构建光谱网络,通过构建的空间网络和光谱网络构建重构网络;步骤103:将每张训练图像划分为多个P×P的平行六面体块,设置步长保证块与块之间有重叠部分;将所有图像块汇总成训练所需的数据集,即实现制作训练集;步骤104:对步骤101构建的编码网络和步骤102构建的重建网络,设置学习率、批处理大小、权值初始化方式、权值衰减系数、优化方法、迭代次数;步骤105:使用步骤103制作完成的训练集联合训练步骤104设置后的重建网络;步骤106:利用编码模板,调制高光谱数据生成压缩二维图像,使用重构网络逐块重构目标高光谱图像。
【技术特征摘要】
1.一种基于卷积神经网络的光谱成像系统的高质量重构方法,其特征在于:包括以下步骤,步骤101:建立光谱成像仪的前向传播模型,基于块计算将整张高光谱图像S分块,依据光谱成像仪中光路的前向传播过程对所述高光谱图像块进行调制编码,构建编码模板,将编码后的立方体还原成平行六面体,在将其沿着光谱维相加得到二维的压缩图像;步骤102:考虑垂直和水平方向的空间相关性构建空间网络,考虑光谱间的光谱相关性构建光谱网络,通过构建的空间网络和光谱网络构建重构网络;步骤103:将每张训练图像划分为多个P×P的平行六面体块,设置步长保证块与块之间有重叠部分;将所有图像块汇总成训练所需的数据集,即实现制作训练集;步骤104:对步骤101构建的编码网络和步骤102构建的重建网络,设置学习率、批处理大小、权值初始化方式、权值衰减系数、优化方法、迭代次数;步骤105:使用步骤103制作完成的训练集联合训练步骤104设置后的重建网络;步骤106:利用编码模板,调制高光谱数据生成压缩二维图像,使用重构网络逐块重构目标高光谱图像。2.如权利要求1所述的一种基于卷积神经网络的光谱成像系统的高质量重构方法,其特征在于:步骤101中所述光谱成像仪为编码孔径快照光谱成像仪(CodedApertureSnapshotSpectralImager,CASSI);编码孔径光谱成像仪主要由物镜、编码模板、中继镜、色散棱镜和探测器等部件构成;目标场景的高光谱图像S大小为M×N×K,高光谱图像S上任意一点的像素值为s(m,n,k),1≤m≤M,1≤n≤N,1≤k≤K;其中,M×N表示高光谱图像的空间分辨率,K表示高光谱图像的频谱数;入射光进入编码孔径快照光谱成像仪CASSI会到达编码模板进行0-1编码;经编码后的光到达色散棱镜后,不同频谱的光会沿着竖直方向偏移;最后所有频谱的光在探测器处混合叠加,得到压缩的二维混叠光谱图像;编码孔径快照光谱成像仪CASSI的数学模型为:公式(1)中y(m,n)表示二维压缩光谱采样图像,s(m,n,k)表示目标场景的三维高光谱图像,T(m,n)表示0-1编码模板;将公式(1)写成矩阵形式为:Y=ΦS(2)公式(2)中Y表示二维压缩光谱采样图像,Φ表示CASSI系统的观测矩阵,S表示目标场景的三维高光谱图像;将使用基于块计算代替基于整张图计算;将整张高光谱图像S划分为多个P×P×K(P<M,P<N)的块,在高光谱图像块通过编码模板和色散棱镜调制后将得到大小为(P+K-1)×P的图像块;将压缩图像分为若干个P×P大小的图像块,反推可得K个偏移光谱的平行六面体;将P×P的实体作为模板的基本单元,其余为该基本单元的复制,基本单元表示为:在B1中的每个bp=0or1(p=1,…,P2);其余的Bk为B1的循环偏移,表示为:针对每个平行六面体si,将下面部分移至上面形成立方体编码公式为:通过编码公式(5)构建编码模板,将编码后的立方体还原成平行六面体,在将其沿着光谱维相加得到二维的压缩图像。3.如权利要求2所述的一种基于卷积神经网络的光谱成像系统的高质量重...
【专利技术属性】
技术研发人员:王立志,张涛,付莹,黄华,
申请(专利权)人:北京理工大学,
类型:发明
国别省市:北京,11
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。