基于光谱分解和PSOBP组合模型的光谱重构研究

针对R矩阵光谱重构法面临的问题,提出了一种基于相机响应特性的光谱分解方法,对分解出的同色异谱黑的反演建立粒子群优化BP神经网络模型(PSOBP)以实现网络训练权重的优化,并利用全局训练样本和局部训练样本的二次光谱重构方式进行了仿真实验。结果表明,在D65光源下,利用所提出的方法, RGB相机观测下重构两种测试集均方误差平均值分别至少降低了1.71%和0.51%,色差最大值分别为3.5579和2.3776,满足人眼辨别颜色阈值要求;WorldView3观测下光谱重构精度均方误差在410~510、555~565、590~685、705~740 nm波段内不超过2%,适应度系数表示的可接受样本占比均为91.667%,色差最大值分别为1.6002和1.1177,其光谱重构精度以及色度精度较其他方法均有所提高,且6通道多光谱相机已能满足较高精度光谱重构的要求。

基于机器学习和移动终端彩色图像的光谱重构研究

文章以移动终端设备为媒介获取彩色图像,利用基于机器学习的光谱重构算法将彩色图像重构为光谱图像。利用色卡的RGB值和光谱反射比作为训练样本并建立光谱重构模型,进而将彩色图像逐像素转换为光谱图像。测试了基于机器学习的PI算法和Kernel算法对彩色图像的光谱重构精度,并检验了跨设备的光谱重构精度。同时,建立了两台移动终端设备的相机响应值转换关系,在一台设备下建立光谱重构模型,将另一设备下的相机响应值转换到第一台设备下,从而利用第一台设备下建立的光谱重构模型重构光谱。实验结果表明,不同移动终端的光谱重构性能不同,且Kernel算法的精度优于PI算法,同时,利用跨设备相机响应值转换,可提高跨移动终端的光谱重构精度。

基于不同色块数量的光谱重构对比

分别对24色块、140色块、1 269色块3种不同颜色数量的哑光色卡光谱反射率进行主成分分析(PCA),利用分析所提取的最大6个特征向量重构光谱,并使用均方根误差值(RMSE)和CIE1976色差值对结果进行评价。实验结果表明:同等条件重构后,140色卡在累计贡献率和色差方面均优于另外2种数量的色卡,均方根误差也仅次于1 269色卡,表明不同色块数量的训练样本会影响光谱重构精度;重构后的光谱反射率均在对应黄色、绿色、蓝色等的中间波段,再现效果最好,蓝紫色相对较弱,橙色-红色表现最差。

不同算法模型对光谱重构精度的影响

目的研究光谱颜色复制中原稿图像的光谱信息,并对目标色的光谱反射率进行重构,探究影响重构光谱精度的因素。方法通过选取Munsell Color Matt(1269色块)和Color Checker Classic(24色块)2种色卡作为光谱反射率数据样本,建立不同的主成分分析线性重构模型,选取不同的基向量个数分别重构光谱,并对其精度进行评价,取Classic色卡模拟多光谱图像中重建光谱反射率的目标色,研究比较光谱重构模型和基向量数目对重构精度的影响。结果实验表明,降维模型1最终恢复的数据在RMSE,GFC和色差上均优于模型2,随着基向量数目的增加,2种降维模型差距在减小,当基向量数目达到13以后,2种模型基本没差异。结论文中提到光谱重建模型1和7个基向量是重构光谱图像的最佳方案。

基于光谱连接空间的彩色相机光谱重构研究

针对彩色相机三通道响应值重构光谱反射率精度低的问题,提出了基于光谱连接空间的彩色相机光谱反射率重构方法。首先通过光谱反射率已知的训练样本集和多项式拟合方法建立相机响应值到光谱连接空间的转换矩阵,然后利用该矩阵将待重构样本的相机响应值映射到光谱连接空间,最后选用合适的光谱重构算法在光谱连接空间内实现光谱反射率重构,并利用色度误差和光谱误差两个指标对重构结果进行评价。在上述过程中,鉴于转换矩阵的重要性,采用了基于反距离加权的最小二乘法计算转换矩阵以提高相机响应值到光谱连接空间的转换精度。实验结果表明:本文方法切实可行且精度可靠,与基于彩色相机三通道响应值的光谱重构方法相比,色度重构精度和光谱重构精度均显著提高,平均色差和谱差分别为1.145 2和0.010 3,可在较大程度上满足数字典藏、高保真颜色复制等的需要。

光谱重构油菜叶绿素含量快速检测方法及设备研制

为了实现油菜叶片中叶绿素含量的快速无损检测,开发了手持式多光谱成像系统用于采集油菜叶片在460,520,660,740,840和940 nm六个波段的光谱图像。将一台能够采集可见光/近红外(380~1023 nm)512个波段光谱图像但是价格高昂且体积大的室内高光谱成像系统作为参考仪器,将手持式多光谱成像系统作为目标仪器后,采用伪逆法(pseudo-inverse method)求得高光谱成像系统和多光谱成像系统两台仪器之间的转换矩阵F,从而实现6个波段的多光谱图像向512个波段的高光谱图像的重构,提高了手持式设备的光谱分辨率。运用偏最小二乘回归算法(PLSR)建立了重构的光谱与油菜叶片的叶绿素含量之间的关系模型。结果表明,重构的可见光范围内的光谱反射率与叶绿素浓度之间具有很强的相关性,PLSR回归模型建模集的决定系数Rc^2为0.82,建模集均方根误差RMESC为1.98,预测集的决定系数Rp^2为0.78,预测集均方根误差RMESP为1.50,RPD为2.14。虽然应用本文开发的手持式成像系统结合PLSR模型实现油菜叶绿素含量快速无损预测的精度低于基于室内高光谱成像系统获得的高光谱图像建立的PLSR模型(Rc^2,RMESC,Rp^2,RMESP和RPD分别为0.90,1.41,0.82,1.36和2.37),但是明显优于基于原始多光谱成像系统4个波段(460,520,660和740 nm)反射率建立的PLSR模型得到的结果(Rc^2,RMESC,Rp^2,RMESP和R PD分别为0.78,2.06,0.72,1.85和1.88)。表明光谱重构技术可提高多光谱成像预测油菜叶绿素含量的精度,并且与室内高光谱成像系统相比,开发的手持式设备具有体积小、成本低廉和操作简便等优点,可为田间油菜叶片的生理状态和养分检测及可视化表达提供技术支持。

快照成像光谱仪快速光谱重构算法

为实现对光谱数据的快速实时处理,针对快照式傅里叶成像光谱仪,提出一种基于GPU的并行化光谱重构算法.通过分析快照式成像光谱仪的工作原理和数据特性,结合CUDA并行计算架构,对光谱重构算法可并行部分最大程度并行化,并针对并行计算中的内存分配等方面进行优化处理,实现并行化的光谱重构算法.实验结果表明:基于GPU的并行化光谱重构算法,相对CPU串行化算法,精度相同的情况下,计算效率提升了约25倍.利用GPU加速程序的并行部分,可以极大地提高光谱重构的效率,使得快照式成像光谱仪更加适用于实时测量当中.

水中矿物油三维荧光谱的特征提取与光谱重构

基于荧光激发-发射矩阵的奇异值分解方法,提取矿物油三维荧光谱的特征序列并进行光谱重构研究。对数十个水中污染油的三维荧光谱进行了奇异值分解和参数计算,表明奇异值参数具有明显的能量聚拢特性;在适当截取奇异值特征参数后,将奇异值与相应的伴随特征向量组合构成三维荧光谱泛基因序列,实现了三维光谱反演重构。作为比较典型的示例,给出了水中柴油的原始三维荧光谱和重构三维荧光谱的对照图。重构的三维荧光谱与原始三维荧光谱基本相同。研究表明,矿物油三维荧光谱的奇异值特征谱能够代表三维荧光谱主能量的分布特征,有限的奇异值泛基因序列具有三维光谱反演重构能力。该结论对于水环境中的污染油模式识别以及矿物油荧光信息文库的建设有重要意义。

基于基函数的多通道光谱重构

随着人们对颜色复制准确性的要求越来越高,为达到颜色复制"所见即所得"的效果,本研究采用基于基函数的多通道光谱重构方法,建立了以三色相机为基础的多通道多光谱图像的重构系统。通过实验找到了建立重构系统可能存在的问题,实验结果表明:三色相机重构光谱的均方根误差最小可以达到0.01,色差最小可达到1.03。证明本研究建立的重构系统具有较好的实际应用性能。

基于光谱可调谐光谱重构方法研究

针对光谱重构领域中光谱数据量较大与重构精度较低的问题,提出了一种光谱可调谐的光谱重构方法。在此之前国内外相关研究均是在数百条膜系的基础上进行,并且计算过程比较复杂,该方法利用10条膜系针对不同的单色光源进行实验并进行光谱重构。光谱重构数学模型可以用线性方程组AX=B表示,在实验过程中会受到多种误差源的干扰,如膜系加工与设计间的误差、探测器量子效率拟合误差、杂散光干扰误差以及灰度值选取的误差等。这些误差源造成了线性方程组变为病态方程,造成了目标光谱信息解算的不准确。在解算目标光谱信息的过程中,首先在400~900 nm波长范围内利用凸优化算法解出含有误差的目标光谱信息的初始值,并进行初次拟合,得出含有误差的光谱曲线。然后利用已知的光谱曲线信息判断目标光谱的有效波长范围,对目标光谱范围进行伸缩,在此范围内进行二次局部解算,得出局部波长内的光谱信息,然后对局部光谱信息进行局部拟合,结合初次拟合结果,得出新的目标光谱拟合曲线,进一步提高了光谱重构精度,以此类推,得出精度较高的目标光谱曲线。针对重构精度的评价指标不仅采用了国内外广泛使用的ARE,MSE与RQE,还首次提出了一种新的评价光谱重构精度的指标,即计算目标有效波长范围内每隔10 nm的MSE值,若每10 nm的MSE值小于0.1,则认为光谱重构精度达到了10 nm,该方法不仅有效避免了在求解出现严重偏离真实值的情况,还在凸优化解算过程中提供了约束条件,有利于提高重构精度。实验结果表明该方法在保证MSE,ARE与RQE高精度的条件下,每隔10 nm的MSE最小值达到了0.0023。基于光谱可调谐光谱重构方法不仅达到了对目标光谱达到高精度重构的效果,而且实现了数据降维。此方法为光谱重构领域的工作方向提供了新的思路,在工程上具有较大的应用价值。

光谱参数对基于光谱重构的高光谱数据模拟的影响

遥感数据模拟已广泛应用于遥感研究中,遥感模拟对于新型传感器的设计,新算法的检测等都有积极的意义。然而传感器系统参数的变化会影响数据模拟的精度。实验采用卷积宽视场多光谱成像仪蓝、绿、红和近红外四个波段的光谱响应函数,基于光谱重构的方法对多光谱数据进行了高光谱的数据模拟。研究分析了多光谱数据中心波长和带宽的变化对高光谱重构精度的影响。结果表明,中心波长和带宽的变化对于光谱重构精度有一定的影响,但总体来说模拟结果有很好的精度。中心波长的变化所引起的RMSE小于0.025,带宽变化引起的RMSE小于0.012。因而基于中心波长和带宽变化的高光谱数据重构有助于用户更好的了解高光谱成像系统,找到系统性能的主要影响者,以便更好的模拟高光谱数据,扩展遥感数据的应用范围。

基于压缩感知的反射光谱重构算法研究

光谱反射率描述物体的表面颜色特征,为了能够获取物体自身更加精确的颜色信息,在图像处理领域光谱反射率重构成为了关注的话题。反射光谱重构算法是对实验物体表面在可见光范围内每一波长处的光谱反射率进行重构,以达到提高物体自身颜色准确复制的精度,最后建立相应的反射光谱。尝试将压缩感知(CS)理论应用到光谱实验中,对光谱反射率进行重构。首先是介绍了压缩感知理论知识,然后把压缩感知理论与光谱反射率原理相结合,根据基于压缩感知的光谱反射率重构的理论框架,选取合适的采样值,压缩感知的采样值即压缩值,小波基作为正交矩阵,高斯随机矩阵作为测量矩阵,正交矩阵与测量矩阵需要保证具有不相关性,将原始光谱反射率从高维到低维进行线性投影,得到低维的观测信号,运行简单的正交匹配追踪算法(OMP)对低维的观测信号进行由低维到高维的高精度重构,重构得到的光谱反射率与原始光谱反射率具有相同的维度,最后将压缩感知重构算法与传统的光谱反射率重构算法伪逆法与多项式回归法进行比较。经过压缩感知重构算法得到的色差值与均方根误差值都小于伪逆法和多项式回归法重构的结果,经压缩感知的重构精度明显提高;经压缩感知重构的光谱曲线可以达到或者更接近原始光谱曲线的峰值,整体效果更接近原始光谱曲线;经多项式回归法和伪逆法重构的光谱曲线达不到原始峰值,整体上存在偏差。可以认为压缩感知用低采样的数据达到了全采样的效果,提高了光谱反射率重构的精度。基于压缩感知的光谱反射率重构算法效果明显优于传统的多项式回归法和伪逆法,可以将压缩感知理论应用到实际的多光谱成像系统中。

基于自适应分块的高光谱图像压缩感知重构方法

在对高光谱图像采样重构的研究中,整体采样和固定分块采样没有考虑到高光谱图像复杂的纹理特征分布,使用了相同的测量矩阵导致图像的重构质量较差。针对此问题,该文提出基于2维图像熵自适应分块压缩感知重构方法(ABCS-IE),该方法以图像2维熵作为高光谱图像纹理细节的度量,根据图像的纹理细节分布自适应改变图像子块的大小,然后为不同的图像块分配特定的采样值,根据分配的采样值设计专有的测量矩阵对图像块进行压缩测量,将采样测量值代入重构算法中进行重构。实验结果表明,与整体采样重构和固定分块采样重构相比,将该方法应用到压缩感知重构算法中对高光谱图像进行采样重构后,重构的图像在视觉效果上有明显的提高,取得的峰值信噪比(PSNR)和结构相似度(SSIM)最大,采样率为0.4时,PSNR提高了2~4 dB,SSIM最大提高了0.27,均方根误差(RMSE)和信息熵差值(ΔH)也有所降低,说明重构的图像更加接近原始图像。而且运算时间也减少了1~1.5 s。可见,该方法能充分利用高光谱图像的纹理特征,有效提高图像的重构质量,同时减少重构的运算时间。

基于数码相机的光谱重构研究

由数码相机信号直接重构物体表面的光谱信息对不同照明条件下颜色的复现十分重要。基于普通商用数码相机分别摄取两种CIE标准光源D65和A下颜色样品的RGB信号,采用主元分析法(PCA)和多项式模型的结合算法进行物体表面色光谱反射比的重构研究。实验结果表明,同时应用两种光源下的RGB信号可有效提高光谱重构精度,并能较好地再现色样的同色异谱特性。

压缩感知光谱重构中的字典原子选取优化方法

针对常用的迭代追踪类算法难以保证低采样下光谱重构的成功率与精度的问题,提出了一种在低采样下光谱重构中字典原子选取的优化方法。利用AVIRIS和ROSIS高光谱数据构建光谱稀疏字典并进行压缩感知光谱重构实验,分别从光谱重构精度、稀疏成分提取能力、光谱重构的成功率和光谱识别的准确率等不同角度进行了分析。实验结果表明,本文方法不仅优于传统的匹配追踪算法,同时也优于公认的精度较高的FOCUSS、MSBL等其他类型的算法。

样本特征对光谱图像重构影响的研究

目的以光谱图像作为检测样本讨论不同训练样本数量、分布对光谱图像重构的影响。方法选择ColorCheckerSG(140色)和ColorCheckerColorRenditionChart(24色)以及Munsell(1269色)等3种色卡作为训练样本,对其光谱反射率进行主成分分析,利用提取的主成分对光谱图像进行重构。结果采用ColorChecker Color Rendition Chart(24色)色卡的7个主成分重构光谱图像对图像的再现精度最高,其色差比其他2种色卡小,且最大色差小于3。结论在同一重构条件下,光谱图像的重构精度并不随着训练样本数量增多以及分布范围增大而提高,3种训练样本对红紫色的重构精度相对较低。

基于彩色扫描仪的图像光谱重构

针对彩色扫描仪的特点,采用主元分析法(PCA)和反向传播(BP)人工神经网络(ANN)相结合的方法对图像光谱重构进行研究。选择IT8.7/2标准色卡作为训练样本,将该色卡中的另一组色靶作为检验样本以讨论不同网络结构以及不同主元数和训练样本数对光谱重构的影响,再以自然色系统(NCS)色卡为检验样本来分析不同种类的训练和检验样本与光谱重构性能的关系。实验结果表明,采用3-14-6网络结构和6个主元数是最佳选择,训练样本和扫描目标之间的一致性是基于彩色扫描仪图像光谱重构的关键所在。

使用基函数理论的单色相机多通道光谱重构

提出并实现了一套完整的基于基函数理论的单色相机多通道光谱重构系统。该系统对数码响应值进行了线性校正,提高了光谱重构精度。实验重构光谱的最小均方根误差可以达到0.006 87,色差最小可达到0.02,平均色差只有2.25。

基于光谱再现的颜色印刷重构方法

在分析光谱颜色再现方法和特点的基础上,结合最小二乘支持向量机小样本、非线性和高维数的特点,提出基于最小二乘支持向量机的颜色光谱重构方法。针对最小二乘支持向量回归机中参数选择的盲目性,结合和声搜索算法具有良好寻优能力和易实现的特点,引入粒子群算法中个体调整参考群体最优值的思想,提出一种全局和声搜索算法,并利用该算法对最小二乘支持向量机中参数进行寻优。实验仿真表明:提出的全局和声搜索算法具有较高的寻优性能,所建立的全局和声搜索优化的最小二乘支持向量机印刷颜色光谱重构方法具有较高的精度。

基于稀疏表达的水体遥感反射率高光谱重构及其应用

高光谱重构技术可以有效地突破多光谱卫星传感器波段设置的限制,获得更多更有效的地物光谱信息.本研究基于稀疏表达方法提出了一种针对水体遥感反射率的高光谱重构算法,以太湖、杭州湾的原位水体光谱数据为数据源,在5种常用水色传感器(Sentinel-2A MSI、MERIS、MODIS Aqua、GOCI以及ⅦRS)上进行了高光谱重构实验,最后将该算法应用于GOCI数据,进行了算法适用性验证.结果表明:(1)基于稀疏表达的高光谱重构算法可以在不利用实测光谱数据的情况下实现高光谱重构,光谱重构精度高于多元回归光谱重构算法;(2)基于稀疏表达的高光谱重构算法在5种水色传感器上都取得了较好的效果,平均相对误差均在10%以下,均方根误差均在0.005 sr-1以下;(3)相比于原始GOCI多光谱数据,经稀疏表达高光谱重构后的GOCI数据在叶绿素a浓度和总悬浮物浓度估算精度上有不同程度提升.其中对叶绿素a浓度估算而言,平均相对误差从80.6%减少至51.5%,均方根误差从12.175μg·L^(-1)减少至7.125μg·L^(-1);对悬浮物浓度估算而言,平均相对误差从19.1%减少至18.8%,均方根误差从29.048 mg·L^(-1)减少至28.596 mg·L^(-1).