[发明专利]一种适应曝光变化的深度学习光谱重建方法及系统

说明书

本发明公开了一种适应曝光变化的深度学习光谱重建方法及系统，首先收集现有公开的多光谱图像数据集，并以数码相机理论成像模型为基础，计算每幅多光谱图像对应的raw格式数字图像，得到包含成对数据的完整样本集。然后构建深度学习模型框架，在模型训练时，通过对输入的raw格式数字图像的任一列像素点随机乘以一个曝光调整系数，使模型能够适应不同曝光水平的图像，并对重建的多光谱乘以曝光调整系数的倒数，从而完成重建多光谱的幅值校正。利用训练样本集对模型进行训练，并利用验证样本集对模型进行调参，计算验证样本集的光谱重建误差，直至验证样本集光谱重建误差达到收敛状态，完成模型训练，得到适应曝光变化的深度学习光谱重建模型。

技术领域

本发明属于计算机数字图像处理技术领域，具体涉及一种适应曝光变化的深度学习光谱重建方法及系统。

背景技术

视觉细胞能够感知可见光范围内的光辐射，并将形成的刺激信号传输至大脑皮层，使得人类可以感知到彩色世界。同样的彩色数码相机通过模拟视觉感知机理，利用彩色滤光片阵列传感器和图像后处理技术，可以将自然场景的辐射光谱信息记录为一幅符合人类视觉效果的RGB图像。但是彩色数码相机的成像技术对颜色的表达能力和对物质物化属性的表征能力十分有限，因为可见光谱中所包含的物质信息远远超出RGB数据所能表征的范围。众所周知，光谱是颜色信息的指纹，其可以有效克服光源和观察者对颜色复制和物质属性表征的影响，常被用于食品检测、彩绘文物虚拟修复、皮肤健康监测等领域。此外，在计算机视觉领域，多光谱图像数据有助于提升检测准确度。然而，由于分光光度计、光谱相机和光谱辐射度计等多光谱成像设备的局限性，使得当前无法快速获取高空间分辨率的多光谱图像，这制约着多光谱图像的普适性应用。因此通过数码相机获取的RGB图像进行场景的多光谱重建受到诸多领域研究者的关注。

基于RGB的光谱重建属于病态逆问题的求解范畴，虽然理论上同一RGB数据可能对应完全不同的光谱反射率数据，但在自然场景中RGB数据与相应多光谱图像之间存在紧密关联性，通过学习的方法能够建立RGB数据与其相应多光谱图像之间的映射关系，获取相当准确的光谱重建结果。光谱重建技术能够克服现有光谱相机在开放环境应用时的局限性，快速获取高空间分辨率的多光谱图像。

现有光谱重建方法主要分为机器学习方法与深度学习方法两大类，这些方法通过训练样本建立RGB到多光谱图像之间的映射关系，实现基于RGB的光谱重建。但现有方法在适应曝光变化方面存有缺陷，模型无法适应测试图像的曝光多变性与非均匀曝光，即在同一光源照明的某一成像曝光水平下建立的光谱重建模型，无法直接应用于另一曝光水平进行光谱重建，这将导致重建光谱曲线发生形变，丢失其应有的光谱特征信息。针对上述的问题，目前国内外的尚未提出较好的应对解决方法。

发明内容

本发明的目的是为了解决背景技术中所述问题，提出一种适应曝光变化的深度学习光谱重建方法及系统。

针对上述现有研究中存在的问题，本发明提出了解决问题的方法。首先收集现有公开的多光谱图像数据集，并以数码相机理论成像模型为基础，计算每幅多光谱图像对应的raw格式数字图像，得到包含成对数据的完整样本集。然后构建深度学习模型框架，用以训练适应曝光的深度学习光谱重建模型。在模型训练时，通过对输入的raw格式数字图像的任一列像素点随机乘以一个曝光调整系数，使模型能够适应不同曝光水平的图像，并对重建的多光谱乘以曝光调整系数的倒数，从而完成重建多光谱的幅值校正。利用训练样本集对模型进行训练，并利用验证样本集对模型进行调参，计算验证样本集的光谱重建误差，直至验证样本集光谱重建误差达到收敛状态，完成模型训练，得到适应曝光变化的深度学习光谱重建模型。

本发明的技术方案为一种适应曝光变化的深度学习光谱重建方法，具体包括以下步骤：

步骤1，收集现有公开的多光谱图像数据集；

步骤2，以数码相机理论成像模型为基础，计算每幅多光谱图像对应的raw格式数字图像；

步骤3，以多光谱图像与其对应的raw格式图像为基础，构成包含成对数据的完整样本集；