【技术实现步骤摘要】
本专利技术涉及光电子，尤其涉及一种基于衍射编码的红外高光谱压缩采集芯片参数训练、采集方法及系统。
技术介绍
1、高光谱成像技术提供了被采集目标的光谱信息，在光的波长维度解释了场景的基本信息组成。近红外、中红外高光谱成像有可能提供物体或表面化学成分，主要应用于农业、医疗和艺术品鉴定，长波红外在遥感监测等方面具有明显优势。
2、受到硬件系统设备的限制，红外高光谱成像大多需要通过色散元件分光并扫描，而非扫描式的红外高光谱成像系统通常存在噪声较大、成本较高的问题。图像传感器和算法重建的重大发展为单次曝光即可获得高分辨率和高精度的多个波段的红外光谱信息提供了可能。
3、基于衍射光学元件(diffractive optical elements，doe)的快照高光谱成像方法是现有的一种较好的高光谱快照成像方法，它可以通过单次曝光同时捕获自然场景的空间和光谱信息。基于衍射光学元件的快照高光谱成像方法的基本原理是捕获包含点扩散函数(point spread function，psf)调制光谱和空间信息的压缩测量数据，并通过重构算法重建三维高光谱立方体。
技术实现思路
1、鉴于此，本专利技术实施例提供了一种基于衍射编码的红外高光谱压缩采集芯片参数训练、采集方法及系统，以消除或改善现有技术中存在的一个或更多个缺陷，解决现有红外高光谱成像方法需要多次复杂扫描，效率低、精度低的问题，以及非扫描式的红外高光谱成像系统噪声较大、成本较高的问题。
2、一方面，本专利技术提供了
3、构建训练数据集，所述训练数据集包含不同波段的自然光及其真实红外高光谱；
4、构建初始光学模块，所述光学模块包括衍射光学元件和红外传感器；将所述衍射光学元件作为红外高光谱压缩采集芯片；将所述自然光经由所述衍射光学元件投射至所述红外传感器，根据预设的不同的衍射光学元件高度图在所述红外传感器上形成不同的点扩散函数；采用所述点扩散函数对所述自然光的真实红外高光谱进行调制，结合所述红外传感器的光谱响应，生成红外高光谱灰度图；
5、构建初始神经网络，所述神经网络包括编码器和解码器；将所述红外高光谱灰度图输入所述神经网络，在所述编码器中，对所述红外高光谱灰度图进行特征提取并降采样，生成特征图，在所述解码器中，对所述特征图进行上采样，并与所述特征图进行级联，最终输出重构红外高光谱；其中，将所述衍射光学元件的高度图矩阵作为可学习的参数放入所述神经网络进行训练；
6、采用所述训练数据集对所述光学模块和所述神经网络进行训练，构建所述真实红外高光谱和所述重构红外高光谱的损失，根据所述损失对所述光学模块和所述神经网络进行优化，将训练好的光学模块和神经网络组合得到红外高光谱采集模型。
7、在本专利技术的一些实施例中，所述方法还包括：
8、根据菲涅尔定理，对所述自然光进行建模，计算式为：
9、
10、其中，(x，y)表示所述衍射光学元件上的位置坐标；λ表示所述自然光的波长；i为虚数；z表示所述自然光深度；
11、将所述自然光经过所述衍射光学元件，对所述自然光进行编码，并得到相位延迟，计算过程为：
12、
13、
14、其中，u1(x，y，λ)表示编码后的自然光；δφh表示相位延迟；δηλ表示材料折射率和空气之差；δh(r)表示所述衍射光学元件的高度图分布。
15、在本专利技术的一些实施例中，所述方法还包括：
16、根据编码后的自然光以及所述红外传感器与所述衍射光学元件之间的距离，基于所述菲涅尔定理，对到达所述红外传感器上的自然光进行建模，计算式为：
17、
18、其中，u2(x，y，λ)表示到达所述红外传感器上的自然光；f表示傅里叶变换；u1表示编码后的自然光；λ表示所述自然光的波长；z表示所述自然光深度；表示x的频率变量；表示y的频率变量；
19、根据到达所述红外传感器上的自然光，计算所述红外传感器上形成点扩散函数，计算式为：
20、p(x，y，λ)∝|u2(x，y，λ)|2；
21、其中，p(x，y，λ)表示所述点扩散函数；u2(x，y，λ)表示到达所述红外传感器上的自然光。
22、在本专利技术的一些实施例中，采用所述点扩散函数对所述自然光的真实红外高光谱进行调制，结合所述红外传感器的光谱响应，生成红外高光谱灰度图，计算过程为：
23、
24、
25、其中，i′(x，y，λ)表示经由所述点扩散函数调制后的真实红外高光谱；p(x，y，λ)表示所述点扩散函数；i(x，y，λ)表示所述真实红外高光谱；表示卷积；i(x，y)表示所述红外高光谱灰度图；λ0表示需要采集的高光谱波长下限；λ1表示需要采集的高光谱波长上限；r(λ)表示所述红外传感器对不同波长的响应曲线；d(λ)表示对波长的微分；η表示噪声。
26、在本专利技术的一些实施例中，将所述衍射光学元件的高度图矩阵作为可学习的参数放入所述神经网络进行训练，还包括：
27、对于短波红外高光谱，在所述衍射光学元件的高度图矩阵的中心位置设定极坐标，将2π角度范围的衍射光学元件分为8瓣，并根据所述高度图矩阵中的点到中心位置的距离设定多个均匀区间，以根据所述高度图矩阵生成预设大小的衍射光学元件；
28、对于中波或长波红外高光谱，在所述衍射光学元件的高度图矩阵的中心位置设定极坐标，将2π角度范围的衍射光学元件分为6瓣，并根据所述高度图矩阵中的点到中心位置的距离设定多个均匀区间，以根据所述高度图矩阵生成预设大小的衍射光学元件。
29、在本专利技术的一些实施例中，所述神经网络采用编码器-解码器结构，还包括：
30、所述结构在所述神经网络中使用残差块进行特征提取，所述残差块由2d卷积核、指数线性单元激活函数和批量归一化层组成；
31、在所述编码器中，使用所述残差块进行特征提取，并使用最大池化层进行降采样，生成所述特征图；在所述解码器中，使用上采样层和卷积层对所述特征图进行上采样，并与所述特征图进行级联。
32、另一方面，本专利技术提供一种红外高光谱采集方法，所述方法包括：
33、获取待采集红外高光谱的自然光；
34、将所述自然光射入基于上文中提及的任一项所述基于衍射编码的红外高光谱压缩采集芯片和采集模型参数训练方法训练得到的红外高光谱采集模型，以生成所述自然光的红外高光谱。
35、另一方面，本专利技术提供一种红外高光谱采集系统，所述系统基于上文中提及的任一项所述基于衍射编码的红外高光谱压缩采集芯片和采集模型参数训练方法训练得到，用于实现如上文所述红外高光谱采集方法的步骤，所述系统包括：
36、滤波器，用于通过和/或滤除特定波段的自然光；
37、光学模块，包括衍射光学元件本文档来自技高网...
【技术保护点】
1.一种基于衍射编码的红外高光谱压缩采集芯片和采集模型参数训练方法基于衍射编码的红外高光谱压缩采集芯片和采集模型参数训练方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于衍射编码的红外高光谱压缩采集芯片和采集模型参数训练方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的基于衍射编码的红外高光谱压缩采集芯片和采集模型参数训练方法，其特征在于，所述方法还包括：
4.根据权利要求3所述的基于衍射编码的红外高光谱压缩采集芯片和采集模型参数训练方法，其特征在于，采用所述点扩散函数对所述自然光的真实红外高光谱进行调制，结合所述红外传感器的光谱响应，生成红外高光谱灰度图，计算过程为：
5.根据权利要求1所述的基于衍射编码的红外高光谱压缩采集芯片和采集模型参数训练方法，其特征在于，将所述衍射光学元件的高度图矩阵作为可学习的参数放入所述神经网络进行训练，还包括：
6.根据权利要求1所述的基于衍射编码的红外高光谱压缩采集芯片和采集模型参数训练方法，其特征在于，所述神经网络采用编码器-解码器结构，还包括：
...【技术特征摘要】
1.一种基于衍射编码的红外高光谱压缩采集芯片和采集模型参数训练方法基于衍射编码的红外高光谱压缩采集芯片和采集模型参数训练方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于衍射编码的红外高光谱压缩采集芯片和采集模型参数训练方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的基于衍射编码的红外高光谱压缩采集芯片和采集模型参数训练方法，其特征在于，所述方法还包括：
4.根据权利要求3所述的基于衍射编码的红外高光谱压缩采集芯片和采集模型参数训练方法，其特征在于，采用所述点扩散函数对所述自然光的真实红外高光谱进行调制，结合所述红外传感器的光谱响应，生成红外高光谱灰度图，计算过程为：
5.根据权利要求1所述的基于衍射编码的红外高光谱压缩采集芯片和采集模型参数训练方法，其特征在于，将所述衍射光学元件的高度图矩阵作为可学习的参数放入所述神经网络进行训练...
【专利技术属性】
技术研发人员：于振明，马靖越，程黎明，狄珈羽，林亮，徐坤，
申请(专利权)人：北京邮电大学，
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。