一种基于光谱压缩采样的单光子高光谱成像方法和系统技术方案

本发明专利技术提出了一种基于光谱压缩采样的单光子高光谱成像方法和系统。针对高光谱压缩成像方法难以应用于光束扫描探测系统的问题，利用空间光调制器对色散后的光源进行高效和灵活的光谱调制，并通过逐点扫描获取空间信息，这使得该成像方法可以应用于光束扫描探测系统。然后，充分利用光谱信息的稀疏性构建高光谱重建模型，最后利用交替方向乘子法对高光谱重建模型进行迭代求解，从而利用压缩采样图像重建目标的高光谱数据。该方法可以实现利用少量的压缩采样观测数据重建高光谱数据，大大减少了成像时间和成像数据量，给光束扫描探测系统的高光谱成像提供了便利。统的高光谱成像提供了便利。统的高光谱成像提供了便利。

【技术实现步骤摘要】
一种基于光谱压缩采样的单光子高光谱成像方法和系统


[0001]本专利技术属于高光谱压缩成像领域，涉及一种基于液晶空间光调制器的光谱压缩采样方法和一种基于张量表征的高光谱图像重建方法，适用于光束扫描探测系统的高光谱成像应用场景。

技术介绍

[0002]与传统高光谱成像相比，高光谱压缩成像技术利用信号的稀疏性将高维信息投射到低维空间进行测量，可以大大降低光谱图像数据的采集、传输和存储所需的数据量，已在生物医学和遥感探测等领域得到了应用。
[0003]在传统的高光谱成像技术中，多谱段光谱信息的获取是至关重要的。传统的光谱仪通过光谱谱段分离来获取不同谱段的信息，但这种方法会导致巨大的数据量并严重限制的成像速度。基于光谱分离器的方法可以并行分离多个光谱来减少成像时间，但这种光谱成像方法的光谱分辨率有限。为了更有效地获取丰富的光谱信息，光谱调制薄膜和多段色轮被用于光谱强度调制，调高了光谱成像速度。然而，这些方法需要多次测量才能获得光谱信息，而且光谱调制薄膜和多段色轮对光谱信息的调制并不灵活。
[0004]近年来，基于压缩感知的高光谱成像技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于光谱压缩采样的单光子高光谱成像方法，其特征在于，包括：利用三棱镜将白色光源以空间水平方向进行光谱展开，然后利用空间光调制器对光谱进行随机采样，采样后的光束通过二维振镜对目标进行空间点扫描，同时利用单像素光子计数器进行信号采集；进一步地，构建高光谱重建模型，先根据光谱压缩采样过程建立基于张量表征建立的保真项，再根据信号特征引入先验约束，在张量展开的空间维度上，利用分块聚类的方法描述其空间相似性，在张量展开的光谱维度上，利用字典学习和稀疏约束描述光谱相似性；最后利用交替方向乘子法对高光谱重建模型进行迭代求解，从而利用压缩采样图像重建目标的高光谱数据。2.如权利要求1所述的一种基于光谱压缩采样的单光子高光谱成像方法，其特征在于，具体包括如下步骤：步骤1，搭建成像系统光路；白色光源通过三棱镜在空间水平方向进行光谱展开，展开后的光束通过透镜后，平行通过光谱调制模块，包括起偏器、空间光调制器和检偏器，空间光调制器的调制面上从右往左为380nm
‑
780nm谱段，然后再利用透镜将经过光谱调制后的光束汇聚在二维振镜上，光束通过振镜对目标进行扫描，目标表面的反射光被单像素光子计数器接收；步骤2，将空间光调制器导入光谱随机采样图，采样图沿水平方向进行λ等分，即λ个谱段，利用0
‑
1调制方法生成1
×
λ的随机采样矩阵，并根据随机采样矩阵生成光谱随机采样图对λ个谱段进行随机选通；在成像过程中，每次压缩采样对应一张光谱随机采样图，对于N次光谱压缩采样，总的光谱随机采样矩阵Ψ的大小为N
×
λ，由N个随机采样矩阵构成；步骤3，基于张量表征构建高光谱重建模型，根据光谱压缩采样过程建立基于张量表征建立的保真项，再基于信号特征引入先验约束，在张量展开的空间维度上，利用分块聚类的方法描述其空间相似性，在张量展开的光谱维度上，利用字典学习和稀疏约束描述光谱相似性；步骤4，以N次光谱压缩采样的观测数据作为输入，利用交替方向乘子法对高光谱重建模型进行迭代求解，从而获得重建的高光谱数据。3.如权利要求2所述的一种基于光谱压缩采样的单光子高光谱成像方法，其特征在于：步骤3的具体实现包括以下子步骤；步骤3.1，对于待恢复的高光谱数据，先将其表征为三阶张量形式其中，W
×
H表示空间分辨率，W指待恢复高光谱数据的水平分辨率，H指恢复高光谱数据的垂直分辨率，λ表示光谱数；同时，压缩观测数据也可以表征为三阶张量光谱压缩成像过程可以描述为以下保真项：其中，为的3
‑
mode展开矩阵，为的3
‑
mode展开矩阵，为光谱随机采样矩阵，为光谱模糊矩阵，表示Frobenius范数；步骤3.2，对高光谱数据进行空间维展开，得到1
‑
mode展开矩阵利用分块聚类的方法描述其空间相似性，定义f(H
()
)为对H
()
进行分块聚类操作：将H
()
分割为L个d
r
×
d
c
的小块，然后用k
‑
means聚类方法将所有小块分为K组，其中第k组表示为f
()
(H
()
)，利
用核范数来约束各个聚类组内的块间相似性，可以用以下的约束项表示：其中，λ1为平衡参数，‖
·
‖
*
表示核范数；步骤3.3，对高光谱数据进行光谱维展开，得到3
‑
mode展开矩阵H
()
，利用字典学习的方法约束光谱信息的稀疏性，将H
()
分解为字典矩阵和系数矩阵并利用L1范数约束系数矩阵的稀疏性，可以用以下约束项表示：其中，λ2和λ3为平衡参数，‖
·
‖1表示L1范数；步骤3.4，基于公式(1
‑
3)，得到高光谱重建模型：4.如权利要求3所述的一种基于光谱压缩采样的单光子高光谱成像方法，其特征在于：步骤4的具体实现包括以下子步骤；步骤4.1，利用交替方向乘子法对高光谱重建模型进行迭代求解，对于公式(4)，令U＝H
(3)
B，P
(k)
＝
(k)
(H
(1)
)，Q＝C，得到下式：其中，Y1、Y2和Y3为拉格朗日算子，μ1、μ2和μ3为平衡算子；步骤4.2，将公式(5)分解为7个子问题进行迭代求解；U子问题：从式(6)中求解U
t+1
可得其中，为单位矩阵，上标t表示第t次迭代；Q子问题：从式(8)中求解Q
t+1
利用阈值收缩算法，可得P
(k)
子问题：利用奇异值收缩法从式(10)中求解[P
(k)
]
t+1
D子问题：从式(11)中求解D
t+1
可得C子问题：从式(13)中求解C
t+1
可得其中，为单位矩阵；子问题：从式(15)中分别求解和和可得可得其中，为单位矩阵；可由和求得；最后，拉格朗日算子Y1、Y2和Y3可由式(19)更新经过t次迭代后的即为重...

【专利技术属性】
技术研发人员：刘芮，田昕，肖滢，
申请(专利权)人：武汉大学，
类型：发明
国别省市：