一种多光谱采集的高光谱计算成像方法、系统及相关设备.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114218857A(43)申请公布日2022.03.22(21)申请号202111514323.9(22)申请日2021.12.09(71)申请人深圳市中达瑞和科技有限公司地址518000广东省深圳市南山区西丽街道西丽社区打石一路深圳国际创新谷六栋A座3202(72)发明人不公告发明人(74)专利代理机构深圳君信诚知识产权代理事务所(普通合伙)44636代理人刘伟(51)Int.Cl.G06F30/27(2020.01)G06N3/04(2006.01)G06N3/08(2006.01)G06F111/06(2020.01)权利要求书3页说明书12页附图8页(54)发明名称一种多光谱采集的高光谱计算成像方法、系统及相关设备(57)摘要本发明适用于计算光学成像领域，提供了一种多光谱采集的高光谱计算成像方法、系统及相关设备，所述方法包括：获取滤光片的参数；构建光谱仿真重建网络；设定最小重建误差，并以滤光片的参数设置退火算法的变量，构建仿真透过率曲线对光谱仿真重建网络进行训练，计算误差，直到退火算法计算出最优解，得到最优参数；根据最优参数训练光谱重建网络，同时选择对应的滤光片组成光谱采样单元，并对目标光谱进行采样，得到混合光谱图片；对混合光谱图片配准，得到配准光谱图片；将配准光谱图片输入光谱重建网络，得到重建光谱图像。本发明提高了光谱采集速度，解决了快照式光谱采集的配准问题，进一步提高了高光谱计算成像的精确度。CN114218857ACN114218857A权利要求书1/3页1.一种多光谱采集的高光谱计算成像方法，其特征在于，所述方法包括以下步骤：获取至少8块滤光片的参数；构建光谱仿真重建网络；设定最小重建误差，并以至少8块所述滤光片的参数为一组设置退火算法控制的变量，通过所述滤光片的参数构建仿真透过率曲线，并对所述光谱仿真重建网络进行迭代训练，计算每一次迭代的误差，直到所述退火算法计算出最优解，得到所述最优解对应的至少8块所述滤光片的参数，并记为最优参数；根据所述最优参数选择对应的所述滤光片，并根据所述滤光片的实际透过率曲线训练与所述光谱仿真重建网络相同结构的光谱重建网络，同时将选择的所述滤光片组成光谱采样单元，并通过所述光谱采样单元对目标光谱进行采样，得到混合光谱图片；对所述混合光谱图片进行配准，得到配准光谱图片；将所述配准光谱图片输入所述光谱重建网络，得到重建光谱图像。2.如权利要求1所述的多光谱采集的高光谱计算成像方法，其特征在于，所述光谱仿真重建网络包括输入层、网络卷积层、降维层、全连接层、输出层，其中，所述网络卷积层包括三组跨层连接的特征提取结构，所述全连接层包括三组全连接结构，所述输出层的维度与所述目标光谱的维度相同。3.如权利要求1所述的多光谱采集的高光谱计算成像方法，其特征在于，所述设定最小重建误差，并以至少8块所述滤光片的参数为一组设置退火算法控制的变量，通过所述滤光片的参数构建仿真透过率曲线，并对所述光谱仿真重建网络进行迭代训练，计算每一次迭代的误差，直到所述退火算法计算出最优解，得到所述最优解对应的至少8块所述滤光片的参数，并记为最优参数的步骤，包括以下子步骤：设定所述最小重建误差，进入迭代训练流程，以至少8块所述滤光片的参数为一组为变量设定退火算法；根据所述滤光片的参数设定所述仿真透过率曲线，并通过所述仿真透过率曲线构建仿真采样矩阵；将所述仿真采样矩阵以及预设的相对光谱与所述目标光谱进行矩阵乘法计算，得到仿真采样光谱；将所述仿真采样光谱输入所述光谱仿真重建网络进行训练，得到仿真重建光谱；计算所述仿真重建光谱与所述目标光谱之间的重建误差，从而完成一次所述迭代训练流程，此时，将所述重建误差与所述最小重建误差进行对比，其中：若所述重建误差不小于所述最小重建误差，则调整所述退火算法控制的所述滤光片的参数，并开始下一轮所述迭代训练流程；若所述重建误差小于所述最小重建误差，则将所述重建误差的值赋予所述最小重建误差，并保存对应的所述退火算法控制的所述滤光片的参数。4.如权利要求3所述的多光谱采集的高光谱计算成像方法，其特征在于，若所述重建误差小于所述最小重建误差，则将所述重建误差的值赋予所述最小重建误差，并保存对应的所述退火算法控制的所述滤光片的参数的步骤后，还包括：根据所述退火算法计算当前的变量是否达到最优解，其中：若所述退火算法未得到最优解，则调整所述退火算法控制的所述滤光片的参数，并开2CN114218857A权利要求书2/3页始下一轮所述迭代训练流程；若所述退火算法得到最优解，则停止所述迭代训练流程，并得到所述最优解对应的至少8块所述滤光片的参数，记为所述最优参数。5.如权利要求4所述的多光谱采集的高光谱计算成像方法，其特征在于，所述