基于迭代Tikhonov正规化的三刺激值重建光谱方法研究

光谱图像中的反射率光谱数据维数高,且与光源、设备均无关,能够比较全面、真实、客观地描述图像中物体的颜色信息。针对三色相机的光谱图像获取系统中三维色度数据重建多维光谱数据产生的光谱信息丢失、以及伴随而生的颜色信息丢失问题,提出了迭代Tikhonov正规化的光谱重建方法。首先依据色度学理论中色度值与反射率光谱之间的关系,构建反射率光谱重建方程建立起相机所获三维色度数据与高维反射率光谱数据的映射关系;然后,通过反射率光谱重建方程的病态分析,在Moore-Penrose伪逆矩阵求解思想的基础上构建迭代Tikhonov正规化方法求解反射率光谱,并利用训练样本数据通过L-曲线方法训练获取迭代Tikhonov正规化的最优正规化参数,以有效控制并改善反射率光谱重建方程求解的病态、减少重建光谱的光谱信息丢失。实验通过选取样本数据对光谱重建方法进行验证。验证实验的结果表明所提出的光谱重建方法改善了三色相机的光谱图像获取系统中重建光谱的光谱信息丢失程度,使得重建光谱的光谱误差和色度误差较其他光谱重建方法均有明显降低。

一种离散点插值算法用于重建光谱反射率

提出了一种用离散点插值算法来重建光谱反射率的方法。首先建立数字相机响应值与典型反射样品表面光谱反射率之间的查找表,然后进行Delaullay分区、提取和插值,最后通过数字相机的输出数据来准确地重建物体表面的光谱反射率。实验结果表明,该方法能够重建典型反射样品的光谱反射率,能够实时获取被摄场景的多光谱图像,易于硬件的实现。

基于相机rawRGB通过加权多项式和维纳估计方法重建光谱反射率

基于相机RGB预测物体光谱反射率的研究一直备受研究者们的关注。传统方法都是通过单一光源下的信息进行光谱反射率恢复。最近,Zhang等在Color Research&Application报道了一种基于单光源相机RGB信息预测物体光谱反射率的两步方法。首先基于单个光源下的相机响应RGB值,挑选出一定量的训练数据,采用多项式模型和伪逆的方法预测出不同光源下的CIE XYZ值;然后根据预测的多光源下的CIE XYZ值及整体训练数据预估光谱反射率,再通过预估的光谱反射率挑选一定量训练样本,通过伪逆方法预测出物体光谱反射率。尽管仍然基于一个光源下的相机响应RGB,但通过映射到多光源下的色度值XYZ,提高输入信息的维度来优化光谱反射率的重建精度。受Zhang等工作的启发,提出新的基于单一光源下相机的raw RGB响应信息,通过三阶多项式模型扩展的加权最小二乘方法对多光源下的CIE XYZ值进行预测,然后根据预测出的多光源下的CIE XYZ值再通过维纳估计的方法进行光谱反射率重建,通过这样的两步方法实现从相机响应RGB到光谱反射率的重构。该新方法,采用全体训练数据,应用十分方便,避免了Zhang等的方法需要挑选一定量的局部训练样本的问题。同时Zhang等的方法挑选出的局部训练样本同等重要,而该方法在第1步中,根据训练样本与给定的测试样本的接近程度,赋予训练样本不同的权重,以提高预测精度。通过采用140色色卡作为训练样本,24色色卡和自制的44色印刷品样本进行测试,以判断预测和实测反射率接近程度的均方根误差(RMSE)和人感知色差为评价标准进行比较,结果表明,该方法明显优于Zhang等的方法,而且预测精度随着光源数量的增加而提高,当光源个数达到6时,表现最佳。

基于复合偏最小二乘法重建光谱反射率

本论文通过复合偏最小二乘法重建光谱反射率,将预测色块与训练集色块距离进行比较,对于不同距离的色块采用多主成分数偏最小二乘法和普通偏最小二乘法进行不同的运算,最终得到反射率预测结果,并且与普通偏最小二乘法(PLS)作比较。通过实验得到,复合偏最小二乘法的重建精度明显优于PLS方法,并且复合偏最小二乘法的平均GFC达到99.68%。

基于可重构硅光滤波器的计算重建片上光谱仪

相比于笨重的台式光谱仪,集成化的芯片级光谱仪可以应用于便携式的健康监测、环境检测等场景.我们设计了一个基于硅光子平台的片上光谱仪.该器件由一个透射光谱可重构的硅光滤波器构成.通过改变滤波器的透射光谱,可以实现对输入光谱的多次且不同的采样.再结合人工神经网络算法,从采样后的信号中重建出入射光谱.可重构的硅光滤波器由互相耦合的马赫曾德干涉仪和微环谐振腔组成.采用集成的热光相移器引入相位变化,能够对滤波器的透射光谱进行重构.通过这种方式,基于单个可重构滤波器可得到包含宽、窄光谱多样特征的响应函数.不需要滤波器阵列,就可以实现对入射光谱的多样化采样,能够显著地减小光谱检测器件的面积.仿真结果表明,所设计的器件在1500—1600 nm波长范围内可以实现连续光谱和稀疏光谱的重建,分辨率约为0.2 nm.该器件在可穿戴光学传感、便携式光谱仪等场景中具有巨大的应用潜力.

基于CW-MST++网络重建高光谱图像的高粱品种检测

为实现高粱品种的快速检测,建立了光谱重建技术结合机器学习分类模型的高粱品种检测方法。将软阈值(ST)函数与压缩激励(SE)模块结合嵌入到多级光谱智能自注意网络(MST++)深层结构中,构建通道自适应阈值模块(CW)-MST++,以MST++、分层回归网络(HRNet)、基于卷积的RGB图像高光谱恢复网络(HSCNN+)为对照,以平均相对绝对值误差(MRAE)、均方根误差(RMSE)比较重建模型性能。采用4种重建网络的高光谱数据建立支持向量机(SVM)模型,以平均精度(ACC)、平均召回率(Recall)和F1分数评价检测模型性能。结果表明,与MST++、HRNet及HSCNN+网络相比,CW-MST++重建的高光谱图像误差最小(验证集MRAE=0.0175、RMSE=0.0076),网络参数量及网络浮点运算数较低(Params为1.77 M、Flops为20.80 G);其重建的高光谱数据建立的SVM模型预测效果最佳(测试集ACC=94.52%、Recall=94.24%、F1分数=94.14%)。与原始高光谱数据相比,CW-MST++重建高光谱数据ACC、Recall、F1分数分别仅相差2.06%、2.54%、2.52%,实现了酿酒高粱的快速准确检测。

基于非负矩阵分解的中红外地表特性光谱重建方法

在中红外遥感领域,高光谱地表反射率/发射率等地表特性具有极高的应用价值和应用需求,但利用卫星遥感手段难以获取吸收波段的高光谱地表反射/发射特性,且通过光谱重建获取全波段的地表特性方法仍存在很多问题。为解决中红外全波段地表特性光谱重建所面临的难题,基于约翰霍普金斯大学(Johns Hopkins University,JHU)地物波谱库和中分辨率成像光谱仪(MODIS)短波红外和中红外地表多光谱卫星产品,提出了一种利用非负矩阵分解(NMF)重建高光谱地表反射率的方法,对2.5~5.0μm中红外光谱范围内的地表反射/发射率进行光谱重建,重建后的光谱分辨率可达10 nm。首先基于JHU地物波谱库选取4种典型地物类型(土壤、植被、人造材料和岩石),建立地物光谱库样本信息,再利用MODIS传感器光谱响应函数,根据等效计算公式将2.0~5.0μm波段范围反射率结果重采样到10 nm光谱间隔、共301个波段,得到JHU地表反射率光谱数据集。对光谱数据集进行非负矩阵分解处理,提取4条端元向量光谱曲线,结合MODIS短波红外和中红外4个波段(2.13、3.75、3.96和4.05μm)的全球月均地表反射率/发射率产品,可计算每个像元对应的权重系数向量,从而进行任意波段的光谱重建,得到全球范围内陆地5 km×5 km分辨率的月均地表反射率重建结果。同时为综合评价该光谱重建方法,从光谱数据集中提取MODIS短波红外和中红外4个波段(2.13、3.75、3.96和4.05μm)的子数据集,计算对应的权重系数向量,进行2.0~5.0μm光谱范围内的全波段的反射率光谱重建。重建结果对应的平均绝对误差优于0.01,平均相对误差优于10%,在只有MODIS卫星4个波段数据可用的低秩病态的情况下,可较好地满足光谱重建的精度要求。并且为满足重建结果可视化需求,基于网络地理信息系统(WebGIS)技术,利用Cesium框架,采用浏览器/服务器架构,搭建了二三维一体化可视化系统,将卫星底图、地形数据与光谱重建结果等集成展示,从而进行直观的多因素分析,为卫星产品的展示与验证提供支撑。

基于NSGA-Ⅱ算法选择光谱反射率重建样本的研究

为解决光谱反射率重建过程中训练样本数目庞大导致工作量大,重建精度不高等问题,提出一种基于NSGA-Ⅱ算法的光谱反射率重建样本选择方法。近日Liang等提出了一种从大量样本数据中选取具有代表性样本的新方法,定义光谱重建误差为均方根误差与拟合优度系数的乘积,以这一标准选择光谱重建误差最小的样本作为代表性样本进行光谱反射率重建。受Liang等人工作的启发结合NSGA-Ⅱ算法选择代表性样本,先对全体训练样本使用多项式回归算法和伪逆法进行光谱反射率重建,再使用NSGA-Ⅱ算法,设定两个目标函数,一个是所需代表性样本个数的光谱均方根误差的和,另一个是拟合优度系数倒数的和,令两个目标函数值最小。将经过NSGA-Ⅱ算法挑选出的Pareto等级为1的全部样本按照样本出现次数由高至低排序,以此顺序从高到低依次选为代表性样本,直至达到所需代表性样本个数。若从Pareto等级为1的样本集合中挑选的代表性样本数不足所需要的个数则选择下一等级出现次数最多且没有被选择过的样本直至代表性样本数达到需求。将1269块无光泽Munsell标准色卡按照样本下标划分为偶数色卡、奇数色卡,第一组实验用Munsell奇数色卡为全体训练样本,从Munsell偶数色卡中随机选择20个色块为测试样本。第二组实验选用Munsell偶数色卡为全体训练样本,从Munsell奇数色卡中随机选取20个色块为测试样本。第三组实验训练样本与第一组相同,RC24色卡为测试样本。将该方法与Mohammadi、Cao、Liang等提出的三种样本选择方法进行对比。通过实验得到使用NSGA-Ⅱ算法结合多项式回归与伪逆法选择的代表性样本重建的光谱反射率在均方根误差和色差两个指标上均优于现有的样本选择方法,并且该方法不限于特定系统,具有通用性。

基于逆方差加权的光谱反射率重建算法研究

为了能较大程度的满足图像复制的需求,避免同色异谱现象,研究光谱重建算法对光谱反射率重建精度和色度的影响。通过改进传统的主成分分析法,提出逆方差加权回归的光谱反射率重建算法。首先,引入逆方差加权模型,调整因子权重;其次,对光谱反射率训练样本集归一化处理,计算新的协方差矩阵;最后,对加权后的光谱反射率样本集奇异值分解,重建光谱反射率。实验表明,基于逆方差加权的光谱反射率重建算法的CIE DE2000颜色精度提高了3.3%,光谱重建精度提高了2%,能够实现良好的颜色再现效果。加权算法可以应用于光谱反射率重建过程,有助于提高光谱重建精度和色度。

基于多目标筛选堆叠回归的光谱反射率重建

物体的光谱反射率完全决定了其物体色,因此研究光谱反射率对于色彩信息要求较高的行业具有重大意义。直接获取光谱反射率需要精密且昂贵的设备,而通过建立模型,由低成本的数码相机等设备获取的RGB响应值去预测光谱反射率,可以大大降低成本。基于回归方法的光谱反射率重建算法受到广泛关注,其核心是建立RGB向量到光谱反射率向量间的映射关系。对于大多数物体而言,其表面的光谱反射率曲线具有平滑属性,因此,光谱反射率分量之间具有一定的相关性。而已有的算法都是对光谱反射率向量每一个维度独立地建立预测模型,没有将光谱反射率分量之间的相关性利用起来。与传统的单输出回归方法不同,多目标堆叠回归方法通过将首次预测输出值重新注入输入端来利用输出端之间的相关性。基于多目标堆叠回归的光谱反射率重建取得了重要的进展;然而,传统的多目标堆叠回归方法存在着易受首次预测输出值误差影响的问题。针对这一问题,提出一种新的多目标堆叠方法,对于首次预测输出值进行筛选,从中选出误差较小的部分作为输入,以此来保证下一步建立的模型精度。该筛选方法可以在不知道真实值的情况下,极大程度地保留误差较低的部分样本。实验数据集来源为ICVL高光谱图像数据库,评价指标为均方根误差与色度误差。实验结果表明,所提出的多目标筛选堆叠回归可以有效克服传统多目标堆叠回归所存在的问题,做到比无堆叠时的误差更小,说明提出的方法可以有效地利用光谱反射率分量之间的相关性。

重建高光谱图像的酿酒高粱品种识别方法研究

目的基于重建高光谱图像技术实现对酿酒高粱品种的实时快速识别。方法对分层回归网络(hierarchical regression network,HRNet)进行改进,得到残差注意力分层回归网络(residual attention-hierarchical regression network,RA-HRNet)。利用该网络进行重建高光谱图像,并在此基础上建立双向长短期记忆网络结合注意力机制(bi-directional long short-term memory-attention,BiLSTM-Attention)的酿酒高粱品种识别模型。以原始RGB数据作为重建高光谱图像网络的输入,将输出重建的光谱图像作为酿酒高粱品种识别模型的输入,以完成酿酒高粱品种识别。结果RA-HRNet相比HRNet,模型参数量[Params(M)]降低80.5%,模型计算量[floating point operations per second,FLOPS(G)]降低80.2%,峰值信噪比(peak signal-to-noise ratio,PSNR)提升16.9%,平均相对绝对误差值(mean relative absolute error,MRAE)降低31.8%,均方根误差值(root mean squared error,RMSE)降低19.1%;相比高光谱检测,重建高光谱检测效率提升95.8%;酿酒高粱品种识别模型的识别准确率最高可达95.1%。结论基于RA-HRNet重建高光谱图像网络结合BiLSTM-Attention模型可以实时快速识别酿酒高粱品种。

基于改进K均值聚类的光谱重建训练样本选择研究

光谱反射率重建过程中,训练样本的选择方法及样本容量与重建精度密切相关,寻找一种高效的训练样本选择方法是光谱重建的目标之一。K均值聚类计算复杂度小,计算效率高,但因聚类初始值选择的随机性,以及离群点的影响致使聚类结果不稳定,进而影响光谱重建的精度。基于此,提出了一种改进K均值聚类的训练样本选择方法。首先,将训练样本集的几何中心作为聚类中心的初始值;其次,基于高斯函数构建样本空间分布概率密度函数,并以欧几里德(欧式)距离作为其他聚类中心的度量依据;最后,在训练样本集中,基于簇内平方差度量光谱反射率样本间的相似度,将每个聚类子集中与中心距离最近的样本作为训练样本。为验证该方法的有效性,通过主成分分析法进行光谱重建。实验结果表明,所提的方法相较于传统的方法,光谱重建精度有一定的提高,重建光谱的平均均方根误差小于4%, CIE DE2000色差小于3.756 7。提出的改进的K均值聚类的训练样本选择方法,能够一定程度上提高了光谱重建精度,基本满足复制再现图像的要求。

基于宽带多通道的光谱反射率重建方法研究

复制的多光谱数据获取要求图像数据具有设备无关、场景无关特性,能够真实客观表征物体颜色信息。针对获取系统扰动、噪声误差以及光谱重建中训练样本典型代表性与相关性要求,提出了基于正交回归的光谱重建算法,并通过子空间跟踪的训练样本选择算法,选择重建样本与训练样本集中相关性与代表性最好的样本参与光谱重建。实验通过改造后的仙娜宽带多通道成像系统进行验证,数据表明本文提出的方法,所选训练样本能较好的表征样本空间并具有较好的正交性,在宽带多光谱成像方面,重建光谱平均色度误差为3.6,其光谱精度与色度精度较其他方法具有明显提高。

基于主成分分析的光谱重建训练样本选择方法研究

训练样本构成是影响光谱重建精度的一个重要因素,针对学习型光谱重建算法中训练样本选择问题,提出了一种基于主成分分析的训练样本选择方法。为了保证训练样本与重建样本的相似度,首先根据欧式距离最小原则从待选样本集中选择与重建样本相机响应值相似的样本,并去掉其中的重复样本;然后进行主成分分析;设定阈值筛选各主成分系数较大的样本作为训练样本,最后得到与主成分个数相同的训练样本子集。为验证该方法的有效性,通过在镜头前加载宽带滤色片搭建多通道图像获取系统采集多通道图像信息,将得到的各样本子集用作训练样本,利用伪逆法重建光谱信息,最后将重建的光谱精度与常用的训练样本及训练样本选择方法得到的重建光谱精度进行比较。实验结果表明:提出的方法显著提高了光谱重建的色度精度和光谱精度,优于常用的样本选择方法,能较大程度满足高精度颜色复制要求。

基于独立成分分析法ICA的多光谱重建

构造了一个6通道,8-bit多光谱相机(MSC)模型作为图像采集装置(包括一个三色数码相机和一个滤光片),在多光谱成像技术基础上,通过模拟相机的数码响应,对物体表面的反射光谱进行重建。由数码相机的响应值得到物体的光谱反射比。使用独立成分分析法来进行数据压缩,光谱重建结果分别用CIE1976色差,光谱反射比RMS误差和反射比相对误差进行评价。20例训练样本的平均CIE1976色差为0.1579,平均反射比均方差为0.0099,平均反射比相对误差为0.0107;12例待测样品的平均CIE1976色差为0.7150,平均反射比均方差为0.0309,平均反射比相对误差为0.0312。结果说明,基于独立成分分析法的光谱重建是一种有效的光谱重建方法。

基于样本优化选取的光谱重建方法研究

针对光谱反射率重建中已有样本选取方法的不足,提出了一种基于核模糊C聚类的样本优化选取方法。该方法综合考虑了光谱反射率空间的广泛性和色度空间的相似性,较大程度满足了光谱重建的精度。首先采用已有样本选取法在光谱反射率空间选取C个样本作为聚类初始点,再将原光谱转化到色度空间进行聚类,同时引入核函数将二维色度空间映射到三维特征空间,使得特征数据线性可分,从而达到更好的划分效果。实验结果表明,使用该方法选取训练样本进行光谱反射率重建能够进一步提高光谱重建精度,色度评价和光谱评价结果均好于已有方法。

光谱重建与光谱真实性检验中地物光谱的作用

将地物光谱与高光谱重建、影像光谱真实性检验相结合,重点阐述地物光谱在高光谱数据预处理中的主要作用。以新疆东天山航空HyMap数据为例,在光谱重建过程中导入数据区特征地物(白云母和高岭石)光谱,以对利用大气模型校正的视反射率影像光谱进行平滑、去"伪"或增强处理。进一步利用2种矿物的特征光谱评价重建光谱的真实性,从数据源头确保高光谱遥感数据光谱特性的准确与可靠。

成像光谱遥感数据的光谱重建研究

成像光谱遥感数据处理中的一个重要环节是大气辐射纠正，它是成像光谱遥感定量化的重要部分。本文推导出一种简单的方法，对高光谱分辨率航空遥感图象进行大气纠正、反射率图像转换及光谱重建，并在地质资源遥感调查中应用，取得很好的效果。同时，对重建的地物光谱中出现的误差。

基于光谱重建的高光谱特征参数选择方法——以苏北地区Hyperion数据为例

高光谱遥感能提供数十至数百个窄波段的光谱信息,从而能够依据地物的诊断性光谱特征进行地物识别。然而,高光谱遥感在提供丰富光谱信息的同时,波段间的相关性和冗余性制约着高光谱遥感的应用。因此,特征参数选择是高光谱遥感分类中最关键的环节之一。首先讨论EO-1/Hyperion的传感器特征,并对其L1R数据进行辐射校正、去条纹、Smile效应纠正等预处理工作。其次利用从图像中提取的典型地物的光谱曲线,采用光谱重建理论获得用于逼近光谱曲线的基函数及其对应的光谱区间。然后采用逐步增加光谱区间,并调整波段中心位置和宽度的方法,得到稳定的光谱区间。最后将光谱区间内的几个原始高光谱波段合成一个宽的波段,得到几个较宽波段的仿真图像,并对其进行分类。结果表明,基于光谱重建的特征参数选择方法获得的分类,总体精度高达92%,充分说明了该方法的有效性。

基于模型的钨靶X射线球管光谱重建

X射线光谱信息是进行X射线曝光剂量控制、X射线成像质量评估、X射线双能量成像等必不可少的,为此本文提出一种基于模型的钨靶X射线球管光谱重建方法.该方法首先建立一个具有物理意义的7参数球管光谱模型,再通过测量的光谱衰减数据求解模型参数进而重建光谱.实验中,对若干球管电压分别选择不同厚度的铝板和铜板作为衰减器测量衰减数据,结合模型由衰减数据重建光谱.实验表明,该方法可利用较少的衰减数据重建包含特征辐射的球管光谱,算法简单易行.与原始光谱获得的衰减数据相比,重建光谱获得的衰减数据误差低于0.3%;与修正的手册光谱相比,重建光谱误差低于5%.