[发明专利]一种基于卷积神经网络的光谱成像系统的编码优化方法

说明书

本发明公开的一种基于卷积神经网络的光谱成像系统的编码优化方法，属于计算摄像学领域。本发明应用于基于编码孔径快照光谱成像系统，将高光谱图像成像过程与重建过程一起考虑，优化重建网络的同时优化编码网络，并使用GPU完成对整个网络的优化求解：使用cuDNN库加速网络运行速度；使用随机梯度下降法更新网络参数；逐块处理完成高光谱图像的重建。本发明能够高质量地完成CASSI光谱成像系统的高光谱图像重建，在保证重建结果具备高空间分辨率和高光谱保真性的同时，大幅度提高高光谱图像重建的效率，扩展高光谱图像的应用范围。本发明可用于载人航天、地质勘测和植被研究等多个领域。

技术领域

本发明专利涉及一种用于光谱成像的高光谱图像编码优化方法，尤其涉及能够快速获取高质量高光谱图像的方法，属于计算摄像学领域。

背景技术

高光谱成像技术是一种将空间成像技术与光谱成像技术相结合的技术，能够密集的采集场景中每一个点的光谱信号。采集得到的高光谱图像被称为数据立方体，包含场景的大量光照和材料信息。该技术已经被应用于遥感、计算机视觉、医疗诊断等多个领域。目前存在的二维成像传感器不能简单的通过一次曝光获取三维的高光谱图像。传统的高光谱成像技术选择牺牲时间维，沿着空间维或者光谱维扫描采集整张高光谱图像，所以基于扫描的技术不能够用于采集动态的场景。

近年来，随着计算成像技术的飞速发展，基于多种光学设计和精细重建算法的计算光谱成像技术得到广泛应用。与传统光谱成像系统相比，计算光谱成像能够获得更高时间分辨率、空间分辨率和光谱分辨率的高光谱图像。基于压缩感知理论，AshwinWagadarikar等人提出的编码孔径快照光谱成像仪(Coded Aperture Snapshot SpectralImager,CASSI)利用二值化的编码孔径和色散介质对目标场景进行调制，使用探测器获取三维高光谱数据的二维压缩图像。再使用优化算法从二维的图像重建潜在的三维高光谱图像。

由于重建问题是一个不确定问题，这限制了重建结果的精确度。为了提升CASSI系统的精确度，目前的方法主要分别考虑成像过程和重建过程。在成像过程中，为了更加有效地编码高光谱图像信息，不同的编码孔径模式被提出。在重建过程中，随着压缩感知理论的发展，各种精心设计的重建算法被提出。由于没有对成像过程和重建过程一起考虑，而这两个过程一起决定了重建结果的精确度，所以目前的方法在一定程度上限制了重建精确度的提升。

根据压缩感知理论，将高光谱数据映射到压缩图像的观测矩阵在CASSI系统中扮演着重要的角色，影响着重建高光谱图像的质量。在探测器和色散介质确定的情况下，观测矩阵被实体的编码孔径唯一确定。编码孔径的初始设计采用了随机二进制实体，然而随机的编码孔径并没有充分利用CASSI系统感知机制的结构，这导致重建的结果是次优的。Arguello等人从分析观测矩阵的等距特性开始优化编码孔径，提出将编码孔径优化问题转化为秩最小问题，并采用通用算法求解。但是此方法侧重于光谱的选择，这就需要不止一次的拍摄，因为需要对不同镜头的多次拍摄进行操作，才能得到一个新的包含且仅包含所需光谱波段信息的测量结果。所以此应该只适用于多帧系统。

随着微光刻技术和涂层技术的发展，使得彩色编码孔径的设计成为可能，这也被引入到CASSI系统中。Parada-Mayorga转而分析观测矩阵的相干性而不是等距特性，并提出了彩色编码孔径图的优化等价于相干最小化问题。Ramirez和Arguello提出了观测矩阵的Gram矩阵的实体分布模型，设计彩色编码孔径使矩阵的方差最小。然而对于这些方法，在优化开始之前需要确定一个确定的稀疏矩阵。最近的研究表明，固定稀疏矩阵会产生超优重建结果。相反，盲压缩感知和在线字典学习方法显示出了更高质量的性能，由于这些方法可以根据场景特征自适应地学习稀疏基。从这个意义上说，在成像前是没有稀疏基的，因此不能用来设计编码孔径。