申请/专利权人：中国科学技术大学

申请日：2019-11-22

公开（公告）日：2023-03-10

公开（公告）号：CN110880162B

主分类号：G06T3/40

分类号：G06T3/40;G06T5/50;G06T7/593;G06T7/90;G06T17/00

优先权：

专利状态码：有效-授权

法律状态：2023.03.10#授权;2020.04.07#实质审查的生效;2020.03.13#公开

摘要：本发明公开了一种基于深度学习的快照光谱深度联合成像方法及系统，利用不同视角拍摄的低空间分辨率光谱图像和高空间分辨率RGB图像之间的互补性，在不牺牲时间分辨率的条件下，利用深度学习算法重建出场景的高空间分辨率光谱图像和深度图像。此外，获取光谱图像和深度图像，即获取了目标场景的反射特性和几何特性。由此特性可以建立场景的基本描述，进而可以对目标场景进行三维重建，光线渲染等操作。除此之外，本发明的成像系统体积紧凑，标定简单，为未来光谱深度成像在手机或无人机等小型设备上的应用提供了可行的解决思路。

主权项：1.一种基于深度学习的快照光谱深度联合成像方法，其特征在于，包括：通过呈双目配置的快照式光谱相机与RGB相机，各自捕获目标场景的光谱图像A1与RGB图像B1；通过训练好的光谱图像超分辨网络，将光谱图像A1转换为与RGB图像B1具有相同分辨率的光谱图像A2，再将光谱图像A2合成为RGB图像B2；然后，参照RGB图像B2对RGB图像B1进行颜色迁移，再将颜色迁移得到RGB图像B3与RGB图像B2进行立体匹配，得到目标场景的立体视差图，从而恢复出目标场景的深度信息；利用目标场景的立体视差图将RGB图像B3变换到快照式光谱相机的视角上，同时使用图像修复的方法修补变换过程中产生的空洞，得到变换后的RGB图像B4；再将RGB图像B4与光谱图像A2输入至训练好的光谱图像细节增强神经网络，利用RGB图像中的纹理辅助重建出光谱图像；该方法还包括：光谱图像超分辨网络的训练，方式如下：使用空间分辨率和光谱分辨率满足设定要求的光谱数据集，按照快照式光谱相机的光谱响应曲线合成光谱数据，并对合成的光谱数据进行空间下采样，来模拟实际光谱图像的空间降质过程；随后将通过空间下采样模拟得到的降质光谱图像与最初按照光谱曲线合成的光谱数据送入光谱图像超分辨网络进行有监督训练，采用最小均方误差作为目标损失函数，训练得到光谱图像超分辨网络的参数模型；光谱图像A2合成为RGB图像B2包括：通过RGB相机的响应曲线，将光谱图像A2合成为RGB图像B2，表示为： 其中，F表示合成的RGB图像B2，i∈{R,G,B}；I表示光谱图像A2，λ为光谱通道数目；c表示RGB相机的响应曲线，cik代表RGB响应曲线的第i个通道的曲线，在光谱相机第k个通道所在波长处的响应值；x,y表示空间坐标。

全文数据：

权利要求：

百度查询： 中国科学技术大学 基于深度学习的快照光谱深度联合成像方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD