首页 理论教育 压缩光谱层析成像模型优化

压缩光谱层析成像模型优化

时间:2023-06-19 理论教育 版权反馈
【摘要】:图5-6CTHIS组成及工作原理注:DVP的旋转使得空间场景在FPA上沿着不同方向色散,相机采集的多帧空间—光谱复用数据通过算法重建高光谱图像。下面将讨论运用压缩感知理论来实现利用少量几个DVP旋转角度下的观测来重建高光谱图像的欠定重建问题。由式(5-7)有并注意到中心波长λ0的索引n0=0,则连续光谱层析成像模型式(5-6)的离散化形式为这给出了层析光谱成像在傅里叶域中的采样位置。

压缩光谱层析成像模型优化

首先回顾一下光谱层析模型CTHIS,如图5-6所示,一个CTHIS由物镜、旋转的直视棱镜DVP和相机组成[140]。随着DVP绕光轴旋转,一个空间物点的中心波长(由DVP决定)在FPA上的成像位置保持不变,而其他波长像点将绕中心波长点环绕,环绕半径由波长和DVP的色散常数决定。相机在DVP每个旋转角度下记录的复用图像,都对应着三维频率立方体中过原点的一个切片。Brodzik和Mooney给出了基于凸集投影和PCA的频域迭代重建算法[147],解决了病态系统方程矩阵条件下的光谱图像过定重建问题——通常所需的观测次数为光谱谱段数的1.3倍。因此,高的光谱立方体采集率对相机帧频提出了很高要求,如一个256×256×64的光谱数据需要955 Hz帧频才能获得10 Hz的立方体采集率[178]

图5-6 CTHIS组成及工作原理

注:DVP的旋转使得空间场景在FPA上沿着不同方向色散,相机采集的多帧空间—光谱复用数据通过算法重建高光谱图像。

下面将讨论运用压缩感知理论来实现利用少量几个DVP旋转角度下的观测来重建高光谱图像的欠定重建问题。

1.连续模型

图5-6中的物镜将观测场景成像于视场光阑处,记各波长光谱图像为f(x,y,λ)。为简便起见,设后续光学系统的径向放大倍率为1,则FPA上的复用图像与视场光阑处拥有相同的空间坐标系。f(x,y,λ)经过透过率函数为t(x,y)的编码模板后被DVP偏移,其在FPA上的偏移量

式中,k=dl/dλ为光谱仪线色散系数,由焦距与DVP色散系数决定;λ0为中心波长;ϕ∈[0,2π]为DVP的转动角度。

当DVP绕光轴的旋转角为ϕ时,点(x,y)在光谱—图像立方体中的色散分布位置如图5-7所示。可见,点(x,y)在色散后将分布于色散线D上,而积分线I上的点色散后的空间坐标将均为(x,y)。积分线I通过三维空间中的(x,y,λ0)和(x-kcosϕ,y-ksinϕ,λ0+1),与λ轴(即为光轴)夹角为因此,f(x,y,λ)沿着I的线积分就是FPA上所有入射到(x,y)点的光谱维积分。

式中,Λλ为探测器光谱响应范围,此处暂不考虑探测器光谱响应函数的影响。

图5-7 CTHIS色散模型

注:DVP转角ϕ为π时,不同波长平面上点(x,y)将在ϕ方向上获得Δs(λ)的偏移量,所有色散点将分布于直线D上;同理,所有位于积分线I上的点色散后的空间坐标均为(x,y)。

则式(5-5)的二维空间CFT为

式中,F(·,·,λ)为λ波长图像f(x,y;λ)的二维CFT;F(·,·,·)为f(x,y,λ)的三维CFT。

可见,光谱—图像立方体沿着积分线I的投影在频率域中确定了F在ω=kcosϕ·μ+k sinϕ·ν平面上的值。但由于式(5-6)中相移因子的存在,G(μ,ν;ϕ)与λ轴的夹角并不为α,这在文献[147]中有详细的描述,如图5-8所示。(www.xing528.com)

图5-8 光谱层析与X射线变换数据采集的几何关系

2.离散模型

为进行数字计算,分别以Δx、Δy和Δλ对三维连续分布f(x,y,λ)无混叠采样,得到数据立方体f(m,n,l),-Nx/2≤m<Nx/2-1,-Ny/2≤n<Ny/2-1,-Nλ/2≤l<Nλ/2-1。不失一般性,假定像元间距Δx=Δy=Δ,这相当于在频域中采样。

注意,上式中最后一个等号用到了色散系数k=Δ/Δλ,即隐含着相邻谱段光谱图像在探测器上色散距离为1个像素。由式(5-7)有

并注意到中心波长λ0索引n0=0,则连续光谱层析成像模型式(5-6)的离散化形式为

这给出了层析光谱成像在傅里叶域中的采样位置。为快速计算,将光谱维频率索引向其最邻近整数网格点圆整

图5-9给出了切片数分别为4和5时,三维傅里叶域中的采样分布。

图5-9 三维傅里叶域中的层析采样分布

(a)零频率在立方体左上角,与MATLAB中的FFT相对应;(b)零频率在中心,与fftshift相对应

将所有测量噪声建模为高斯白噪声,则式(5-8)的矩阵—向量形式为

式中,为由f(m,n,l)顺序排列而成的原始数据向量,为三维傅里叶变换矩阵;为选择矩阵,由N阶单位矩阵中的M≪N行构成;n∈为复高斯噪声。从非相干抽样的角度看,测量矩阵P对应的标准正交基IN与Fourier基F不相干,因此虽然P的行向量并非完全随机地从IN中抽取,但三维傅里叶域中的层析抽样对于频谱稀疏数据仍然是一种好的CS测量方法[131,161]。下面给出成像光谱数据在三维稀疏性约束下的快速频域重建算法。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈