[发明专利]液晶高光谱计算成像系统的三维数据重构方法

说明书

本发明提供一种液晶高光谱计算成像系统的三维数据重构方法，搭建了一个适用于液晶高光谱计算成像系统的卷积神经网络，将计算成像系统获取的压缩观测结果和系统响应共同作为网络输入，经过多个隐藏层，最终输出重构后的高分辨率三维数据；其中，系统响应包括系统的空间响应和光谱响应，分别表示系统对入射场景的空间和光谱编码作用。本发明在卷积神经网络的框架下进行压缩观测数据的计算重构，同时考虑压缩数据和系统响应，在训练数据足够多的情况下，该网络可以适应不同的编码模板和各种类型的计算光谱成像系统，快速准确地获取重构后的三维数据。

技术领域

本发明涉及三维数据重构领域，尤其涉及液晶高光谱计算成像系统的三维数据重构方法。

背景技术

在发明专利ZL201610920079.9中，提供了一种三维编码的液晶高光谱计算成像测量装置与测量方法，该装置能够同时实现高光谱数据的空间和光谱维的压缩编码，在数据采集阶段降低数据维度，避免数据冗余，提高信息利用率。该发明利用一个前置透镜将目标场景的光线汇聚到系统中，液晶可调滤光器作为该系统的波段选择与分光模块，将入射光线中被选定波段的信息透过，其余波段滤除，经过液晶可调滤光器的出射光在空间编码模块进行空间编码，编码的信息通过一个准直透镜在面阵探测器上混叠成像。液晶可调滤光器在该装置中的作用是对光谱维进行调制编码，包括波段选择和分光。系统对入射场景的空间编码是通过空间光调制器实现的。

在发明专利ZL201810752547.5中，提供一种基于液晶高光谱计算成像系统的三维数据重构方法。该方法将液晶高光谱计算成像系统中每个模块的功能进行了数学建模，将系统成像过程用数学语言表述出来，利用数据的离散化表示，将液晶高光谱计算成像系统的数据获取过程转化为矩阵形式，结合压缩感知原理，推导出了如何从系统获取的少量数据中重构高分辨率三维数据，并给出了重构算法。但由于高光谱数据的数据量大，利用通用重构方法进行三维数据的重构需要花费大量的时间。

近年来，深度学习方法广泛应用于图像处理领域，有学者将深度学习的思想应用到了压缩光谱成像系统的数据重构中。王立志等人针对编码孔径快照光谱成像系统，提出了一种基于卷积神经网络的成像方法，该方法利用神经网络的前向传播机制对编码模板进行优化，将压缩观测数据作为重构网络的输入，分别设计光谱重构和空间重构网络，最终得到重构后的光谱数据。该方法的优势在于能够同时进行编码优化和压缩重构，不足之处在于改变编码模板时需要重新训练整个网络，因此该网络对不同的编码模板和不同的压缩成像系统不具有可迁移性。

发明内容

有鉴于此，本发明提供一种液晶高光谱计算成像系统的三维数据重构方法。搭建了一个适用于液晶高光谱计算成像系统的卷积神经网络，将计算成像系统获取的压缩观测结果和系统响应共同作为系统输入，经过多个隐藏层，最终输出重构后的高分辨率三维数据。其中，系统响应包括系统的空间响应和光谱响应，分别表示系统对入射场景的空间和光谱编码作用。本发明在卷积神经网络的框架下进行压缩观测数据的计算重构，同时考虑压缩数据和系统响应，在训练数据足够多的情况下，该网络可以适应不同的编码模板和各种类型的计算光谱成像系统，快速准确地获取重构后的三维数据。

为解决上述技术问题，本发明提供一种液晶高光谱计算成像系统的三维数据重构方法，包括：

步骤S1：获取液晶高光谱计算成像系统的压缩观测结果；

步骤S2：获取所述液晶高光谱计算成像系统的空间响应和光谱响应；

步骤S3：基于所述压缩观测结果、所述空间响应与所述光谱响应，生成卷积神经网络的输入层数据；

步骤S4：将所述输入层数据输入至所述卷积神经网络中，输出为与所述压缩观测结果对应的高分辨率三维数据，训练所述卷积神经网络直至达到预设精度；

步骤S5：按照所述步骤S1-S3，获取待重构的输入层数据，输入到训练好的卷积神经网络中，输出得到重构后的高分辨率三维数据。

可选的，所述步骤S1包括：