[发明专利]一种用于旋转衍射的多光谱图像重建方法

说明书

本发明公开了一种用于旋转衍射的多光谱图像重建方法。包括：获取旋转衍射多光谱图像数据集；搭建用于光谱图像重建的卷积神经网络，卷积神经网络包括编码部分、解码部分和光谱上采样残差连接部分；将旋转衍射多光谱图像数据集输入卷积神经网络并对卷积神经网络进行训练，获得训练好的卷积神经网络；将待重建旋转衍射模糊图像输入训练好的卷积神经网络中，训练好的卷积神经网络输出重建高光谱图像。本发明在重建过程中不需要点扩散函数的辅助，无需迭代求解，具有速度快，计算资源消耗少，重建结果空间分辨率和光谱精度高，输出光谱通道数量灵活等特点。

技术领域

本发明属于光谱成像技术、深度学习领域的一种多光谱图像重建方法，具体涉及了一种用于旋转衍射的多光谱图像重建方法。

背景技术

光谱成像技术作为一种成像技术和光谱技术相结合的多维信息获取技术，与传统成像技术相比，其优势在于能探测获得被测目标的二维空间信息及一维光谱信息，是物质成分类型、热辐射特性等研究的主要信息获取手段。自上世纪光谱成像技术诞生以来，其在农业、食品、资源勘探、环境保护、生物医学、军事等领域得到了广泛的应用。

然而传统的高光谱成像系统存在着光学系统复杂、含有精密运动器件、曝光时间长等问题，极大地限制了其在许多动态场景中的应用。近年来，高光谱成像系统向着轻小型化、快照式测量方向发展，尤其是随着计算机资源的发展，出现了众多基于计算重建的轻小型快照式高光谱成像系统，旋转衍射高光谱成像系统便是其中的一种。

2019年Jeon等提出了基于旋转衍射的快照式高光谱成像系统，这种成像系统仅利用一片衍射元件辅以相应的重建算法就可实现快照式光谱成像。具有轻小型、快照式、结构简单等特点，最后实现了420nm～660nm谱段的10nm间隔，25通道高光谱成像。但是在这个系统提出的重建算法中，需要衍射元件点扩散函数的辅助，最后的输出光谱通道数必须和标定得到的点扩散函数光谱通道数保持一致，且在重建过程中存在更新迭代的步骤，计算成本较高，计算资源消耗大。

发明内容

为了解决背景技术中存在的技术问题，针对现有重建算法中存在的需要点扩散函数辅助，重建结果光谱通道数量必须与点扩散函数光谱通道数量保持一致，重建过程中需要迭代更新，计算资源消耗大等问题。本发明提出了一种用于旋转衍射的多光谱图像重建方法，在重建过程中不需要点扩散函数辅助，重建结果光谱通道数量灵活，不需要迭代更新，计算成本较低。

本发明是通过以下技术方案来实现的：

本发明包含以下步骤：

S1：获取旋转衍射多光谱图像数据集，旋转衍射多光谱图像数据集由旋转衍射模糊图像以及对应的高光谱真实图像组成；

S2：搭建用于光谱图像重建的卷积神经网络，卷积神经网络包括编码部分、解码部分和光谱上采样残差连接部分；卷积神经网络的输入分别输入到编码部分和光谱上采样残差连接部分中，编码部分的输出输入到解码部分，解码部分的输出与光谱上采样残差连接部分的输出进行按元素相加后的输出作为卷积神经网络的输出；

S3：将S1中旋转衍射多光谱图像数据集输入S2中的卷积神经网络并对卷积神经网络进行训练，获得训练好的卷积神经网络；

S4：将待重建旋转衍射模糊图像输入训练好的卷积神经网络中，训练好的卷积神经网络输出重建高光谱图像。

所述S1中旋转衍射多光谱图像数据集的获取方法包括：

利用基于位移台的旋转衍射数据集拍摄系统采集多组旋转衍射模糊图像以及对应的高光谱真实图像，从而构成旋转衍射多光谱图像数据集；

或者利用已知高光谱真实图像数据集和旋转衍射高光谱成像系统的点扩散函数计算生成旋转衍射模糊图像，由已知高光谱真实图像数据集和对应的旋转衍射模糊图像组成旋转衍射多光谱图像数据集。