-
公开(公告)号：CN112950736B
公开(公告)日：2024-04-09
申请号：CN202110243398.1
申请日：2021-03-05
Applicant: 南京大学
Abstract: 本发明公开了一种基于无监督网络解色散模糊的高光谱成像方法。该方法的步骤是：S1，采集色散模糊的RGB图像；S2，构建无监督学习的卷积神经网络，该网络的输入为色散RGB图像，其输出为重建高光谱图像；S3，将步骤S1采集的单张色散RGB图像输入步骤S2的卷积神经网络,使用在线训练的方法重建图像的光谱信息；S4，根据成像系统生成的色散图像的物理关系驱动所述卷积神经网络的参数优化，利用反向传播算法训练所述卷积神经网络从色散RGB图像中重建出高光谱数据的能力；S5，重复迭代多次，得到逐渐逼近真实高光谱图像的重建结果。本发明的高光谱成像方法利用无监督网络解色散模糊，使用模型驱动替代数据驱动，保证重建精度同时使得系统更简单且成本降低。
-
公开(公告)号：CN112950736A
公开(公告)日：2021-06-11
申请号：CN202110243398.1
申请日：2021-03-05
Applicant: 南京大学
Abstract: 本发明公开了一种基于无监督网络解色散模糊的高光谱成像方法。该方法的步骤是：S1，采集色散模糊的RGB图像；S2，构建无监督学习的卷积神经网络，该网络的输入为色散RGB图像，其输出为重建高光谱图像；S3，将步骤S1采集的单张色散RGB图像输入步骤S2的卷积神经网络,使用在线训练的方法重建图像的光谱信息；S4，根据成像系统生成的色散图像的物理关系驱动所述卷积神经网络的参数优化，利用反向传播算法训练所述卷积神经网络从色散RGB图像中重建出高光谱数据的能力；S5，重复迭代多次，得到逐渐逼近真实高光谱图像的重建结果。本发明的高光谱成像方法利用无监督网络解色散模糊，使用模型驱动替代数据驱动，保证重建精度同时使得系统更简单且成本降低。
-
公开(公告)号：CN113008371B
公开(公告)日：2022-02-08
申请号：CN202110243400.5
申请日：2021-03-05
Applicant: 南京大学
Abstract: 本发明公开了一种深度学习解色散模糊的高光谱成像方法。该方法的步骤是：S1，采集高精度光谱数据和色散RGB数据；S2，制备卷积神经网络训练数据集；S3，构建解色散模糊的卷积神经网络，该网络采用三维卷积核，且多个尺度的卷积核并列；卷积神经网络的输入是色散RGB数据，输出是重建高光谱数据；S4，利用S3构建的卷积神经网络，通过反向传播算法训练网络从色散RGB数据重建出高精度光谱数据的能力；S5，经多次迭代，选择训练得到的最优模型对测试集中的色散RGB数据直接解色散模糊得到高光谱数据。本发明利用深度学习卷积神经网络解色散模糊，实现高光谱重建工作，在保证重建精度的前提下大大提高了光谱重建速度。
-
公开(公告)号：CN113008371A
公开(公告)日：2021-06-22
申请号：CN202110243400.5
申请日：2021-03-05
Applicant: 南京大学
Abstract: 本发明公开了一种深度学习解色散模糊的高光谱成像方法。该方法的步骤是：S1，采集高精度光谱数据和色散RGB数据；S2，制备卷积神经网络训练数据集；S3，构建解色散模糊的卷积神经网络，该网络采用三维卷积核，且多个尺度的卷积核并列；卷积神经网络的输入是色散RGB数据，输出是重建高光谱数据；S4，利用S3构建的卷积神经网络，通过反向传播算法训练网络从色散RGB数据重建出高精度光谱数据的能力；S5，经多次迭代，选择训练得到的最优模型对测试集中的色散RGB数据直接解色散模糊得到高光谱数据。本发明利用深度学习卷积神经网络解色散模糊，实现高光谱重建工作，在保证重建精度的前提下大大提高了光谱重建速度。
-
-
-
Search Results
4
records
(took 0.01 seconds)
