一种基于压缩传感的超分辨光学三维成像技术

为了改善光学成像中的成像质量和效率,提出一种基于压缩传感的超分辨光学三维成像技术.通过物镜、编码板、色散元件、准直镜、聚焦镜、探测器等组成前端成像系统,然后,利用稀疏重构算法在后端处理器上重构光谱数据,从而将成像运算量从前端转移到后端.同时,引入块重构、错位预处理、多帧重构技术,提高重构的准确度,减小后端处理内存,降低计算复杂度.通过仿真实验对原始数据和重构数据的光谱曲线、信噪比、光谱误差、分类识别效果等指标进行对比分析,结果表明,利用本文压缩传感技术可以实现超分辨光学三维成像,且成像质量较高,数据应用效果较好,可用于大幅宽、高分辨率、低功耗、动态目标的成像观测.     

基于光谱成像与光谱分析的壁画鉴赏研究

针对壁画鉴赏中对科学分析方法的需求,根据光谱成像及光谱分析方法在壁画处理中的特点与优势,重点讨论了光谱成像技术在壁画鉴赏处理中的应用,其可以辅助传统的专家经验鉴定方法,提供更丰富客观的画作信息,实现作品的鉴赏分析。光谱成像与分析方法是一类重要的科学分析方法,因其具有非接触、破损少甚至无破损、科学、准确、可量化等特点,可应用于壁画修复、信息提取、颜料分析、特征增强、鉴赏分析等。首先,从技术实现角度出发给出具体的鉴赏应用方向。然后,基于光谱特征分析、主成分分析、独立分量分析、相关性判别、人机交互处理等方法,对实际观测的韩休墓壁画进行实验处理,验证技术应用的实验效果,最后,结合应用实验提出包括规范化采集、图谱特征分析、图谱处理系统等关键技术还需进一步解决。实验结果表明,利用光谱成像分析技术可以实现壁画颜料信息的判读,隐藏信息的提取、弱信息的增强,不同属性的分类识别,同时,还可以综合特殊需求,开展画作图谱探索性研究,如壁画处理中的涂改小孩分析、画作修复等。     

基于卷积神经网络与光谱特征的夏威夷果品质鉴定研究

夏威夷果含油量高,在开缝之后容易发生变质,现有关于夏威夷果品质鉴定的方法多为传统的破坏性检验,很难满足无损检测的需求。卷积神经网络(CNN)作为应用最广泛的深度学习网络模型之一,具有比浅层学习方法更强的特征提取与模型表达能力,在光谱数据方面的应用拥有很大潜力。基于夏威夷果在可见-近红外的光谱特征分析,研究用于提取夏威夷果光谱特征的卷积神经网络模型,并提出一种高效无损鉴定夏威夷果品质的方法。首先以三种不同品质的夏威夷果(好籽、哈籽及霉籽)为研究对象,分析样本在500~2 100 nm的光谱信息;在光谱数据预处理中引入白化处理方法,用以增强数据的相关性差异;然后在模型训练过程中,将样本随机分为训练集和预测集,探讨不同CNN结构、卷积层数、卷积核大小及个数、池化层类型、全连接层神经元个数以及激活函数对分类结果的影响,并采用激活函数ReLU和Dropout方法,预防样本数据过少引起的过拟合现象;最后通过分析模型分类准确率和计算效率,确定了一个6层结构的CNN模型： 输入层-卷积层-池化层-全连接层(200神经元)-全连接层(100神经元)-输出层。实验结果表明： 上述网络模型对校正集和预测集的分类准确率均达到100％。因此,改进后的卷积神经网络模型可充分学习夏威夷果的光谱特征并有效分类,将深度学习理论与光谱分析相结合的方法能够实现对夏威夷果品质的准确鉴定,同时为夏威夷果等坚果类食品的高效、无损、实时在线检测提供了新思路。     

单色散压缩编码光谱成像系统研究

随着光谱成像技术向高空间分辨率、高光谱分辨率、高信噪比方向发展, 传统的光谱成像系统面临着数据采集量过大的问题,同时,系统分辨率受探测器帧频与像元尺寸影响较大、大口径长焦距系统难于精密装调、系统能量受限引起信噪比提高困难。为了解决上述问题,研究了一种单色散压缩编码光谱成像系统, 并针对国内压缩编码光谱成像系统工程实现与试验验证不足的问题,重点研究了该新系统的设计与实现,模板平移下的系统数学模型及多帧重构算法,并给出实际样机试验及数据处理结果。最后,根据试验情况,总结提出该新技术后续发展需重点关注的研究内容,包括编码模板误差分析,多维稀疏重构模型与算法,压缩编码光谱成像系统标定技术,重构算法/重构图谱评价技术。单色散压缩编码光谱成像系统通过编码、色散、甚至下采样,由探测器接收得到成像观测图像,然后,利用该成像数据,通过重构算法,得到目标光谱图像数据,其优点是低数据量采样、工程实现硬件要求减低、多通道高通量探测。相关研究结果表明,该系统获取的数据有效,样机设计合理,重构算法与标定方法较为准确,其得到的字母HSI目标光谱图像的空间信息清晰,光谱信息较为准确,符合钨灯光谱,其系统设计与实现具有工程可行性。