一种基于特征波段选择与深度网络的水稻籽粒RGB图像多光谱重构方法

本发明涉及光谱成像、农业信息获取与深度学习图像处理，尤其涉及一种在受控成像条件下，通过深度学习模型将水稻籽粒的rgb图像重构为多波段光谱图像的方法。

背景技术：

1、高光谱成像能够同时获得目标的空间信息与连续窄带光谱信息，在农业品质评估、品种鉴别与成分分析等场景具有重要应用价值。然而，传统高光谱成像设备通常价格高、体积大，且多采用推扫式逐行扫描方式，采集过程对机械同步和光照稳定性敏感，导致操作复杂、效率低，难以在大规模应用或低成本场景下推广。

2、相比之下，rgb相机成本低、成像快捷且易于部署，但rgb仅包含三个通道，无法直接提供细粒度的光谱分布信息。为弥补这一缺陷，已有研究尝试通过建立rgb到多/高光谱的映射模型，实现以普通rgb成像替代部分高光谱采集任务。现有方法虽可在一定程度上恢复光谱信息，但仍存在如下不足：其一，部分方法对相机光谱灵敏度或先验模型依赖较强，跨设备与跨场景泛化能力不足；其二，部分方法缺乏对空间细节与谱向变化的显式约束，容易造成边缘细节模糊或谱形失真；其三，在欠定映射问题中，同色异谱现象可能导致重构结果不稳定，导致重建光谱在不同样本与条件下的可重复性不足。

3、因此，亟需一种面向水稻籽粒样本、能够在保持低成本与高效率的前提下，兼顾空间细节与光谱形态，并具备良好稳定性与可复现性的rgb图像多光谱重构方法。

技术实现思路

1、本发明的目的在于提供一种基于rmsnet的水稻籽粒rgb图像多光谱重构方法，通过构建受控采集的配对数据集，结合多尺度上下文建模、梯度注意机制与归一化注意机制，实现由rgb图像对水稻籽粒特征波段多光谱图像的高精度重构，从而降低对高光谱硬件的依赖。

2、为实现上述目的，本发明采用如下技术方案：

3、s1、样本准备与受控成像：将水稻籽粒样本置于暗室或遮光环境中，在固定几何结构与稳定光源条件下，同步采集rgb图像与原始高光谱图像；为保证双相机下样本空间位置一致，可采用滑轨或固定支架结构使两相机视场一致。

4、s2、高光谱辐射校正：为消除暗电流、环境噪声和光源不均匀对原始高光谱图像的影响，采集白参考图像rw与暗参考图像rd，并对原始图像rr进行校正，得到校正后的反射率图像rc；校正关系可表示为：rc=(rr−rd)/(rw−rd)。

5、s3、特征波段选择与配对数据集构建：对步骤s2得到的校正后全谱反射率数据执行竞争性自适应重加权采样算法cars（competitive adaptive reweighted sampling）进行特征粗筛；所述cars结合偏最小二乘回归plsr模型，通过自适应重加权采样迭代保留回归系数绝对值较大的波长变量并剔除权重较低的无效波段；同时采用蒙特卡罗交叉验证确定特征子集的最优规模，以避免过拟合；经cars筛选，将全谱波段数由n个缩减至m个候选波段；在粗筛得到候选波段后，进一步采用逐步投影算法spa（successive projectionsalgorithm）对所述m个候选波段进行精筛，通过迭代投影分析降低波段间共线性并减少冗余，在保证主要光谱信息不丢失的前提下获得k个最优特征波段；其中，n、m、k为正整数，且n>m>k；提取所述k个特征波段对应的波段图像，并与同步采集的rgb图像建立一一对应的训练样本对。

6、s4、数据预处理：对rgb图像与目标多光谱图像进行配准、裁剪与归一化处理，形成训练/验证/测试数据；并可采用随机翻转等轻量级增广方式提高模型鲁棒性。

7、s5、构建rmsnet光谱重构网络：所述网络包括初始特征提取模块sfe、由多个全局谱局部块gsl堆叠形成的主干网络、归一化注意力模块nam以及光谱重建头srh；其中gsl采用多尺度卷积结构获取局部上下文信息，并通过门控融合机制自适应强调有效特征；在gsl内部引入空间梯度注意sga与谱向梯度注意pga（spectral gradient attention），以增强空间边缘细节与谱向变化敏感特征；nam利用归一化层的缩放系数γ估计通道重要性，实现轻量级通道重标定；srh将主干特征映射为目标波段数的光谱输出，并结合跨层残差融合以稳定训练与保留低频信息。

8、s6、模型训练与联合损失约束：采用端到端监督学习方式训练所述网络，损失函数至少包括光谱数值误差项与光谱角约束项，用于同时约束重建光谱的数值误差与谱形差异，提高重构精度与结果稳定性。在预测阶段，将待测水稻籽粒rgb图像输入训练后的网络，输出k通道的目标波段多光谱重构结果。

9、进一步地，在步骤s3中，所述最优特征波段的数量为k个；所述最优特征波段由cars与spa的两级筛选流程从全谱数据中自适应确定，并可根据样本类别、光源谱分布与传感器响应特性进行调整。

10、进一步地，在步骤s5中，所述门控融合机制可通过对多分支特征进行拼接后采用1×1卷积与sigmoid门控对融合特征进行非线性调制，以抑制冗余信息。

11、进一步地，在步骤s6中，所述联合损失函数可表示为：l=α·l1(\hat{x},x)+β·sam(\hat{x},x)，其中\hat{x}为重建光谱、x为真实光谱，α、β为权重系数。其中sam为光谱角映射（spectral angle mapper），可表示为：sam(\hat{x},x)=arccos((\hat{x}·x)/(||\hat{x}||·||x||))。

12、与现有技术相比，本发明至少具有如下有益效果：

13、（1）通过rgb到多光谱的重构降低对高成本高光谱设备的依赖，提升采集效率与部署便利性；

14、（2）通过白/暗参考校正提高光谱数据的一致性与可复现性，降低光照波动与噪声影响；

15、（3）通过特征波段选择显著降低光谱维度与数据冗余，同时保持对关键响应区间的覆盖；

16、（4）通过多尺度上下文建模与空间/光谱梯度注意协同增强，提升边缘细节与谱形重建精度；

17、（5）通过归一化注意力模块实现轻量级通道重标定，提高模型稳定性并降低推理开销；

18、（6）通过联合损失同时约束谱值与谱形，提高重构精度与结果稳定性。

1.一种基于特征波段选择与深度网络的水稻籽粒rgb图像多光谱重构方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的方法，其特征在于：

3.根据权利要求1所述的方法，其特征在于：

4.根据权利要求1所述的方法，其特征在于：步骤s5中所述光谱重构网络包括：初始特征提取模块sfe、由多个全局谱局部块gsl构成的特征增强主干网络以及光谱重构头srh；其中，所述rgb图像首先经sfe提取初始特征后输入所述gsl主干网络，所述srh用于将主干网络输出映射为k通道光谱重构结果。

5.根据权利要求4所述的方法，其特征在于：

6.根据权利要求5所述的方法，其特征在于，所述gsl包括并行特征增强与通道注意机制，具体为：

7.根据权利要求6所述的方法，其特征在于，其特征在于，所述aspp包括：

8.根据权利要求1所述的方法，其特征在于：

9.一种水稻籽粒特征波段光谱重构系统，其特征在于，包括：

10.一种电子设备，包括处理器、存储器及存储于所述存储器并可在所述处理器上运行的计算机程序，其特征在于，所述计算机程序被所述处理器执行时实现权利要求1至8任一项所述的方法。