本发明专利技术公开了一种基于快照式编码成像系统的医药高光谱重构方法，采集医药高光谱原始图像并处理，得到增强后的医药高光谱图像，经过模拟空间编码，获得编码后的测量图像，对编码后的测量图像进行光谱反移位后作反向编码处理，得到反向编码后的三维高光谱图像，将增强后的医药高光谱图像作为目标图像，根据反编码后的测量图像和目标图像构建训练集和测试集；搭建深度对称神经重构网络，并通过训练集和测试集进行训练和测试；将测试后的深度对称神经重构网络部署到快照式编码成像系统，利用快照式编码成像系统实时采集得到医药测量图像，经过计算重构，得到重构的三维高光谱图像。该方法能够实现对快照式成像系统医药高光谱的高质量重构。的高质量重构。的高质量重构。
【技术实现步骤摘要】
一种基于快照式编码成像系统的医药高光谱重构方法
[0001]本专利技术属于高光谱图像重构领域，具体涉及一种基于快照式编码成像系统的医药高光谱重构方法。
技术介绍
[0002]目前，对于医药流水线生产工艺生产的医药产品的质量检测，国内外大都采用化学滴定和以RGB相机组成的视觉检测。化学滴定不仅需要培训专业的实验人员，浪费大量财力物力，还在很大程度上增加了企业生产成本，而且检测时间长，极大影响生产效率。虽然RGB视觉检测解放了劳动力，能在一定程度上满足部分医药安全质量检测，但是RGB相机只能拍摄由R、G、B三个通道组成的包含空间信息的RGB图像，缺乏光谱维度的特征，不能满足成分、含量等检测分析的需求，这极大地限制了检测能力。而高光谱成像是一种将传统二维成像技术和光谱技术有机结合的前沿新兴技术，它利用物质特有的反射特征，采样场景的光谱反射率，捕捉场景的详细光谱分布，获取同时融合空间信息和光谱信息的三维数据立方体，也就是三维高光谱图像。能够实现对医药的质量、成分、含量、可见异物、澄清度、均匀度、溶出度等多个检测项的集成、快速、无损和精准测量。
[0003]快照压缩光谱成像通过多路复用技术将三维高光谱数据调制到2D探测器，能在单次的采样中同时捕获空间信息和光谱信息，有效地避免了运动伪影，使得高速高光谱成像成为可能。因此，研究如何把二维测量图像计算重构成三维高光谱图像是一个极需解决的难题。
[0004]由于快照式编码成像系统的观测值是原始数据的投影，从采集的二维测量图像重建三维高光谱数据的方程未知数大于方程个数，解并不唯一，是一个高度不适定问题。目前，众所周知的传统算法有贪婪迭代算法、凸优化算法、进化算法等，然而，这些根据经验制作的手工先验难以描述真实场景的复杂光谱特征，降低了成像的质量。
[0005]基于深度学习的算法能够借助外部数据库隐式地学习得到先验以及光谱空间相似性和结构相似性去增强初解得到终解。目前，基于学习的算法已经应用到遥感、植物光谱、医学影像等领域，但在医药产品的图像重构领域还鲜有研究，如何通过快照式编码成像系统对医药高光谱数据进行高效重构，成了本领域技术人员致力研究的问题。
技术实现思路
[0006]为了避免现有技术中的不足，本专利技术提供了一种基于快照式编码成像系统的医药高光谱重构方法，具体包括如下步骤：S1、通过高光谱相机采集医药高光谱原始图像并预处理，得到预处理后的医药高光谱图像，对预处理后的医药高光谱图像进行数据增强处理，得到增强后的医药高光谱图像；S2、对增强后的医药高光谱图像进行模拟空间编码，获得编码后的测量图像；S3、对编码后的测量图像进行光谱反移位后再作反向编码处理，得到反向编码后
的三维高光谱图像，将增强后的医药高光谱图像作为目标图像，将反向编码后的三维高光谱图像和目标图像共同作为用于监督训练的数据集，根据数据集构建训练集和测试集；S4、搭建深度对称神经重构网络，通过训练集对深度对称神经重构网络进行训练，调整网络损失，反向传播并更新网络参数，得到训练后的深度对称神经重构网络，通过测试集对训练后的深度对称神经重构网络进行测试，得到测试后的深度对称神经重构网络；S5、将测试后的深度对称神经重构网络部署到快照式编码成像系统，利用快照式编码成像系统实时采集得到医药测量图像，经过计算重构，得到重构的三维高光谱图像。
[0007]优选地，S1中通过高光谱相机采集医药高光谱原始图像并进行预处理，得到预处理后的医药高光谱图像，具体包括：S11、预设波段、波段间隔和高光谱图像尺寸；S12、通过高光谱相机采集医药高光谱原始图像，根据预设波段和波段间隔从每个医药高光谱原始图像中选出若干个图像并组合，相应得到组合后医药高光谱图像，根据预设高光谱图像尺寸对组合后医药高光谱图像进行裁剪，得到裁剪后医药高光谱图像；S13、计算每个裁剪后医药高光谱图像的平均清晰度；S14、根据平均清晰度对裁剪后医药高光谱图像进行降序排序，选出前80%作为预处理后的医药高光谱图像。
[0008]优选地，S13中计算每个裁剪后医药高光谱图像的平均清晰度，具体公式为：
[0009]式中，为第个裁剪后医药高光谱图像的平均清晰度，为第个裁剪后医药高光谱图像中第个波段图像对应像素点的灰度值，为第个裁剪后医药高光谱图像中第个波段图像对应像素点的灰度值，为裁剪后医药高光谱图像的波段数，。
[0010]优选地，S1中对预处理后的医药高光谱图像进行数据增强处理，得到增强后的医药高光谱图像，具体包括：S15、对预处理后的医药高光谱图像中每个通道的二维图像均以预设的旋转角度进行旋转，得到旋转后高光谱图像；S16、将预处理后的医药高光谱图像和对应的旋转后高光谱图像进行拼接，得到混合高光谱图像；S17、对混合高光谱图像进行多次随机裁剪，得到多张裁剪后的混合高光谱图像，将多张裁剪后的混合高光谱图像作为增强后的医药高光谱图像。
[0011]优选地，S2中对增强后的医药高光谱图像进行模拟空间编码，获得编码后的测量图像，具体包括：S21、随机建立包含0和1的二维物理掩码；S22、根据CASSI的数学模型和二维物理掩码，对增强后的医药高光谱图像进行模拟空间编码，得到空间编码后的医药高光谱图像；S23、对空间编码后的医药高光谱图像进行光谱偏移，得到倾斜数据立方体；S24、对倾斜数据立方体进行波段融合，并添加椒盐噪声，得到编码后的测量图像。
[0012]优选地，S3具体包括；S31、对编码后的测量图像进行光谱反移位，得到反移位后的测量图像；S32、对反移位后的测量图像进行反向编码，得到反向编码后的三维高光谱图像；S33、将增强后的医药高光谱图像作为目标图像，将反向编码后的三维高光谱图像和目标图像共同作为用于监督训练的数据集；S34、将数据集中80%的数据作为训练集，用于对深度对称神经重构网络进行训练，将数据集中20%的数据作为测试集，用于对深度对称神经重构网络进行测试。
[0013]优选地，S31中对编码后的测量图像进行光谱反移位，得到反移位后的测量图像，具体公式为：
[0014]其中，为反移位步长，是反移位后的测量图像，H为高光谱图像高度，为高光谱图像的波段数，W为高光谱图像宽度，为实数，表示第n个波段，。
[0015]优选地，S32中对反移位后的测量图像进行反向编码，得到反向编码后的三维高光谱图像，具体公式为：
[0016]其中，
[0017]式中，为二维物理掩码，为二维反向物理掩码，为反向编码后的三维高光谱图像。
[0018]优选地，S4中的深度对称神经重构网络包括依次连接的第一残差网络、第一空谱注意力机制重构模块、特征细化模块、第二空谱注意力机制重构模块、第二残差网络，第一残差网络用于对反向编码后的三维高光谱图像进行特征提取，第一空谱注意力机制重构模块用于捕获反向编码后的三维高光谱图像全局非局部的空间
‑
光谱相似性，特征细化模块用于捕获反向编码后的三维高光谱图像的上下文特征图，第二空谱注意力机制重构模块用于对上下文特征图的每个条目进行加权，重构空谱信息，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于快照式编码成像系统的医药高光谱重构方法，其特征在于，所述方法包括：S1、通过高光谱相机采集医药高光谱原始图像并预处理，得到预处理后的医药高光谱图像，对所述预处理后的医药高光谱图像进行数据增强处理，得到增强后的医药高光谱图像；S2、对所述增强后的医药高光谱图像进行模拟空间编码，获得编码后的测量图像；S3、对所述编码后的测量图像进行光谱反移位后再作反向编码处理，得到反向编码后的三维高光谱图像，将所述增强后的医药高光谱图像作为目标图像，将所述反向编码后的三维高光谱图像和所述目标图像共同作为用于监督训练的数据集，根据所述数据集构建训练集和测试集；S4、搭建深度对称神经重构网络，通过所述训练集对所述深度对称神经重构网络进行训练，调整网络损失，反向传播并更新网络参数，得到训练后的深度对称神经重构网络，通过所述测试集对所述训练后的深度对称神经重构网络进行测试，得到测试后的深度对称神经重构网络；S5、将所述测试后的深度对称神经重构网络部署到快照式编码成像系统，利用快照式编码成像系统实时采集得到医药测量图像，经过计算重构，得到重构的三维高光谱图像。2.如权利要求1所述的基于快照式编码成像系统的医药高光谱重构方法，其特征在于，所述S1中通过高光谱相机采集医药高光谱原始图像并进行预处理，得到预处理后的医药高光谱图像，具体包括：S11、预设波段、波段间隔和高光谱图像尺寸；S12、通过高光谱相机采集医药高光谱原始图像，根据所述预设波段和波段间隔从每个医药高光谱原始图像中选出若干个图像并组合，相应得到组合后医药高光谱图像，根据所述预设高光谱图像尺寸对所述组合后医药高光谱图像进行裁剪，得到裁剪后医药高光谱图像；S13、计算每个裁剪后医药高光谱图像的平均清晰度；S14、根据平均清晰度对裁剪后医药高光谱图像进行降序排序，选出前80%作为预处理后的医药高光谱图像。3.如权利要求2所述的基于快照式编码成像系统的医药高光谱重构方法，其特征在于，所述S13中计算每个裁剪后医药高光谱图像的平均清晰度，具体公式为：式中，为第个裁剪后医药高光谱图像的平均清晰度，为第个裁剪后医药高光谱图像中第个波段图像对应像素点的灰度值，为第个裁剪后医药高光谱图像中第个波段图像对应像素点的灰度值，为裁剪后医药高光谱图像的波段数，。4.如权利要求3所述的基于快照式编码成像系统的医药高光谱重构方法，其特征在于，所述S1中对所述预处理后的医药高光谱图像进行数据增强处理，得到增强后的医药高光谱图像，具体包括：S15、对所述预处理后的医药高光谱图像中每个通道的二维图像均以预设的旋转角度进行旋转，得到旋转后高光谱图像；
S16、将所述预处理后的医药高光谱图像和对应的旋转后高光谱图像进行拼接，得到混合高光谱图像；S17、对所述混合高光谱图像进行多次随机裁剪，得到多张裁剪后的混合高光谱图像，将多张所述裁剪后的混合高光谱图像作为增强后...
【专利技术属性】
技术研发人员：王耀南，陈忠伟，毛建旭，张辉，刘彩苹，苏学叁，苗绘，陈煜嵘，尹阿婷，赵禀睿，
申请(专利权)人：湖南大学，
类型：发明
国别省市：
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。