(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111514323.9 (22)申请日 2021.12.09 (71)申请人 深圳市中达瑞和科技有限公司 地址 518000 广东省深圳市南 山区西丽 街 道西丽社区打石一路深圳国际创新谷 六栋A座3202 (72)发明人 不公告发明人 　 (74)专利代理 机构 深圳君信诚知识产权代理事 务所(普通 合伙) 44636 代理人 刘伟 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/06(2020.01) (54)发明名称 一种多光谱采集的高光谱计算 成像方法、 系 统及相关 设备 (57)摘要 本发明适用于计算光学成像领域， 提供了一 种多光谱采集的高光谱计算 成像方法、 系统及相 关设备， 所述方法包括： 获取滤光片的参数； 构建 光谱仿真重建网络； 设定最小重建误差， 并以滤 光片的参数设置退火算法的变量， 构建仿真透过 率曲线对光谱仿真重建网络进行训练， 计算误 差， 直到退火算法计算出最优解， 得到最优参数； 根据最优参数训练光谱重建网络， 同时选择对应 的滤光片组成光谱采样单元， 并对目标光谱进行 采样， 得到混合光谱图片； 对混合光谱图片配准， 得到配准光谱图片； 将配准光谱图片输入光谱重 建网络， 得到重建光谱图像。 本发明提高了光谱 采集速度， 解决了快照式光谱采集的配准问题， 进一步提高了高光谱计算成像的精确度。 权利要求书3页 说明书12页 附图8页 CN 114218857 A 2022.03.22 CN 114218857 A 1.一种多光谱 采集的高光谱计算成像方法， 其特 征在于， 所述方法包括以下步骤： 获取至少8块滤光片的参数； 构建光谱仿真重建网络； 设定最小重建误差， 并以至少 8块所述滤光片的参数为一组设置退火算法控制的变量， 通过所述滤光片的参数构建仿真透过率 曲线， 并对所述光谱仿真重建网络进行迭代训练， 计算每一次迭代的误差， 直到所述退火算法计算出最优解， 得到所述最优解对应的至少8块 所述滤光片的参数， 并记为 最优参数； 根据所述最优参数选择对应的所述滤光片， 并根据 所述滤光片的实际透过率曲线训练 与所述光谱仿 真重建网络相同结构的光谱重建 网络， 同时将选择的所述滤光片组成光谱采 样单元， 并通过 所述光谱采样单元对目标光谱进行采样， 得到混合 光谱图片； 对所述混合 光谱图片进行配准， 得到配准 光谱图片； 将所述配准 光谱图片输入所述 光谱重建网络， 得到 重建光谱图像。 2.如权利要求1所述的多光谱采集的高光谱计算成像方法， 其特征在于， 所述光谱仿真 重建网络包括输入层、 网络卷积层、 降维层、 全连接层、 输出层， 其中， 所述网络卷积层包括 三组跨层连接的特征提取结构， 所述全连接层包括三组全连接结构， 所述输出层的维度与 所述目标光谱的维度相同。 3.如权利要求1所述的多光谱采集的高光谱计算成像方法， 其特征在于， 所述设定最小 重建误差， 并以至少8块所述滤光片的参数为一组设置退火算法控制的变量， 通过所述滤光 片的参数构建仿真透过率 曲线， 并对所述光谱仿真重建网络进行迭代训练， 计算每一次迭 代的误差， 直到所述退火算法计算出最优解， 得到所述最优解对应的至少8块所述滤光片的 参数， 并记为 最优参数的步骤， 包括以下子步骤： 设定所述最小重建误差， 进入迭代训练流程， 以至少8块所述滤光片的参数为一组为变 量设定退火算法； 根据所述滤光片的参数设定所述仿真透过率曲线， 并通过所述仿真透过率曲线构建仿 真采样矩阵； 将所述仿真采样矩阵以及预设的相对光谱与所述目标光谱进行矩阵乘法计算， 得到仿 真采样光谱； 将所述仿真采样光谱输入所述 光谱仿真重建网络进行训练， 得到 仿真重建光谱； 计算所述仿真重建光谱与 所述目标光谱之间的重建误差， 从而完成一 次所述迭代训练 流程， 此时， 将所述重建误差与所述 最小重建误差进行对比， 其中： 若所述重建误差不小于所述最小重建误差， 则调整所述退火算法控制的所述滤光片的 参数， 并开始下一轮所述迭代训练流 程； 若所述重建误差小于所述最小重建误差， 则将所述重建误差的值赋予所述最小重建误 差， 并保存 对应的所述退火算法控制的所述滤光片的参数。 4.如权利要求3所述的多光谱采集的高光谱计算成像方法， 其特征在于， 若所述重建误 差小于所述最小重建误差， 则将所述重建误差的值赋予所述最小重建误差， 并保存对应的 所述退火算法控制的所述滤光片的参数的步骤后， 还 包括： 根据所述退火算法计算当前的变量是否 达到最优解， 其中： 若所述退火算法未得到最优解， 则调整所述退火算法控制的所述滤光片的参数， 并开权　利　要　求　书 1/3 页 2 CN 114218857 A 2始下一轮所述迭代训练流 程； 若所述退火算法得到最优解， 则停止所述迭代训练流程， 并得到所述最优解对应的至 少8块所述滤光片的参数， 记为所述 最优参数。 5.如权利要求4所述的多光谱采集的高光谱计算成像方法， 其特征在于， 所述光谱仿真 重建网络在所述迭代训练流程中设定的batch_size为350， 最大迭代次数为800， 所述重建 误差的计算方式为平均绝对误差 。 6.如权利要求1所述的多光谱采集的高光谱计算成像方法， 其特征在于， 根据 所述最优 参数选择对应的所述滤光片， 并根据所述滤光片的实际透过率曲线训练与所述光谱仿 真重 建网络相同结构的光谱重建网络， 同时将所述的所述滤光片组成光谱采样单元， 并通过所 述光谱采样单元对目标光谱进行采样， 得到混合 光谱图片， 包括以下子步骤： 构建所述光谱重建网络， 所述光谱重建网络与所述光谱仿真重建网络的结构相同， 通 过所述最优参数选择对应的所述滤光片， 根据所述滤光片构建实际透过率 曲线， 对所述光 谱重建网络进行训练， 并保存完成训练的所述 光谱重建网络； 使用光谱采样单元对所述目标光谱进行采样， 其中， 所述光谱采样单元为将选择的每 一块所述滤光片分别装配于不同镜头中， 并将所有所述镜头设置为光轴平行 的组合结构， 每一个所述镜 头通过采样得到一个特定灰度值的光谱特 征图片； 将所有所述镜 头采样得到所述 光谱特征图片的集 合作为所述混合 光谱图片。 7.如权利要求6所述的多光谱采集的高光谱计算成像方法， 其特征在于， 对所述混合光 谱图片进行配准， 得到配准 光谱图片的步骤， 包括以下子步骤： 根据所述镜头的成像面、 焦距、 物距、 所述镜头之间的间隔、 以及像元尺寸计算像面距 离和像面像素距离； 根据所述像面距离和所述像面像素距离构建所述镜 头之间的像面 坐标关系矩阵； 将任一所述光谱特征图片作为投影图片， 根据所述像面坐标关系矩阵并使用预设的对 应点算法得到所述投影图片与其 他其他所有所述 光谱特征图片之间的对应点； 根据所述对应点计算所述投影图片与其他所有所述光谱特征图片之间对应的所述投 影变换矩阵， 其中， 使用RANSAC算法确保所述投影 变换矩阵的鲁棒 性； 根据所述投影变换矩阵将对应的所述光谱特征图片进行投影变换、 裁减黑边， 得到相 对于所述投影图片配准后的所述配准 光谱图片。 8.一种多光谱 采集的高光谱计算成像系统， 其特 征在于， 包括： 滤光片参数获取模块， 用于获取至少8块滤光片的参数； 网络构建模块， 用于构建光谱仿真重建网络； 滤光片筛选模块， 用于设定最小重建误差， 并以至少8块所述滤光片的参数为一组设置 退火算法控制的变量， 通过所述滤光片的参数构建仿真透过率 曲线， 并对所述光谱仿真重 建网络进行迭代训练， 计算每一次迭代的误差， 直到所述退火算法计算出最优解， 得到所述 最优解对应的至少8块所述滤光片的参数， 并记为 最优参数； 采样模块， 用于根据所述最优参数选择对应的所述滤光片， 并根据所述滤光片的实 际 透过率曲线训练与所述光谱仿 真重建网络相同结构的光谱重建 网络， 同时将选择的所述滤 光片组成光谱采样单元， 并通过所述光谱采样单元对目标光谱进行采样， 得到混合光谱图 片；权　利　要　求　书 2/3 页 3 CN 114218857 A 3