申请/专利权人:南京大学
申请日:2021-03-05
公开(公告)日:2024-04-09
公开(公告)号:CN112950736B
主分类号:G06T11/00
分类号:G06T11/00;G06T7/90
优先权:
专利状态码:有效-授权
法律状态:2024.04.09#授权;2021.07.02#实质审查的生效;2021.06.11#公开
摘要:本发明公开了一种基于无监督网络解色散模糊的高光谱成像方法。该方法的步骤是:S1,采集色散模糊的RGB图像;S2,构建无监督学习的卷积神经网络,该网络的输入为色散RGB图像,其输出为重建高光谱图像;S3,将步骤S1采集的单张色散RGB图像输入步骤S2的卷积神经网络,使用在线训练的方法重建图像的光谱信息;S4,根据成像系统生成的色散图像的物理关系驱动所述卷积神经网络的参数优化,利用反向传播算法训练所述卷积神经网络从色散RGB图像中重建出高光谱数据的能力;S5,重复迭代多次,得到逐渐逼近真实高光谱图像的重建结果。本发明的高光谱成像方法利用无监督网络解色散模糊,使用模型驱动替代数据驱动,保证重建精度同时使得系统更简单且成本降低。
主权项:1.一种基于无监督网络解色散模糊的高光谱成像方法,其特征在于,包括如下步骤:S1,采集色散模糊的RGB图像;S2,构建无监督学习的卷积神经网络,该网络的输入为色散RGB图像,网络的输出为重建的高光谱图像;S3,将步骤S1采集的单张色散RGB图像输入步骤S2的卷积神经网络中,使用在线训练的方法重建图像的光谱信息;S4,根据成像系统生成的色散图像的物理关系驱动所述卷积神经网络的参数优化,利用反向传播算法训练所述卷积神经网络从色散RGB图像中重建出高光谱数据的能力;具体为:将所述卷积神经网络输出的重建高光谱图像由采集系统形成色散的物理关系重新计算得到色散RGB图像,并通过反向传播使其接近输入的色散RGB图像,网络优化目标为:Loss=min‖MS′-D‖=min‖D′-D‖其中S′代表网络输出的重建高光谱图像,大小为h×w×c,w、h分别表示图像的横向尺寸和纵向尺寸,c为光谱通道数;D代表网络输入的色散RGB图像,大小为h×w×3;M代表高光谱图像和色散RGB图像之间的物理关系;D′代表重新计算得到的色散RGB图像,其大小和输入的色散RGB图像D相同;S5,重复迭代多次,得到逐渐逼近真实高光谱图像的重建结果。
全文数据:
权利要求:
百度查询: 南京大学 一种基于无监督网络解色散模糊的高光谱成像方法
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。