一种光谱图像的构建方法、装置、设备和存储介质与流程

1.本技术涉及图像处理领域，具体而言，涉及一种光谱图像的构建方法、装置、设备和存储介质。


背景技术：

2.现有的图像融合方法可分为传统物理模型方法和深度学习法。传统物理模型通过研究rgb相机与高光谱成像仪的成像原理进行建模，提取高分辨率rgb图像的空间结构信息与低分辨率高光谱图像的光谱信息，基于建立的物理模型进行融合。但是在实际应用中，由于现实世界和成像设备的复杂性，在建模时考虑到所有影响因素是非常困难的，并且大部分基于图像融合的传统模型算法都具有超参数，且其重建精度对超参数敏感。
3.深度学习的方法则是通过卷积神经网络以高分辨率rgb图像为模板，学习低分辨率高光谱图像与高分辨率高光谱图像之间的残差，以补全低分辨率高光谱图像的结构边缘信息。但是深度学习的方法需要大量的算力和数据支撑，并且不同的数据集之间其网络参数需要重新调节训练。
4.因此，采用传统物理模型和深度学习的方法进行图像融合的过程复杂，并且难以实现快速重建高精度的高分辨率高光谱图像。


技术实现要素：

5.本技术实施例的目的在于提供一种光谱图像的构建方法、装置、设备和存储介质，用以解决现有技术存在的问题，实现快速重建高分辨率高光谱图像。
6.第一方面，提供了一种光谱图像的构建方法，包括：
7.获取待处理光谱图像和所述待处理光谱图像对应的彩色图像；
8.对所述待处理光谱图像进行预处理，得到预处理光谱图像；
9.将所述预处理光谱图像和所述彩色图像输入特征学习器进行多层特征学习处理，得到目标光谱图像，所述多层特征学习处理包括多个深层特征学习处理和多个浅层特征学习处理。
10.上述构建方法，通过获取待处理光谱图像和待处理光谱图像对应的彩色图像，对待处理光谱图像进行预处理后，得到预处理光谱图像，并对预处理光谱图像和彩色图像输入特征学习器进行多层特征学习处理，最终得到目标光谱图像，此种光谱图像的构建方法不需要大量的数据集支撑和训练，充分挖掘彩色图像由深层到浅层的所有特征，可以实现快速重建高精度的高分辨率高光谱图像。
11.在一个实施例中，所述将所述预处理光谱图像和所述彩色图像输入特征学习器进行多层特征学习处理，得到目标光谱图像，包括：
12.将所述预处理光谱图像和所述彩色图像输入特征学习器进行深层特征迭代处理，得到深层光谱图像；
13.将所述深层光谱图像和所述彩色图像输入特征学习器进行浅层特征迭代处理，得
到目标光谱图像。
14.上述实施例，先在特征学习器中进行深层特征迭代处理，再通过深层特征学习器进行浅层特征迭代处理，使预处理光谱图像依次学习彩色图像的深层语义信息和浅层纹理信息，最终得到目标光谱图像。
15.在一个实施例中，所述特征学习器包括光谱特征提取单元、彩色特征提取单元和误差计算单元；
16.所述将所述预处理光谱图像和所述彩色图像输入特征学习器进行深层特征迭代处理，得到深层光谱图像，包括：
17.将中间深层光谱图像输入光谱特征提取单元进行第n层特征的第m次提取，得到第n层特征对应的第m次光谱特征，在第一次迭代时，所述中间深层光谱图像为所述预处理光谱图像；
18.将彩色图像输入彩色特征提取单元进行第n层特征的第m次提取，得到第n层特征对应的第m次彩色特征；
19.将所述第n层特征对应的第m次光谱特征和第n层特征对应的第m次彩色特征输入误差计算单元得到误差；
20.根据所述误差对所述中间深层光谱图像进行更新，得到更新后的中间深层光谱图像；
21.在迭代次数达到深层目标次数时，将更新后的中间深层光谱图像作为深层光谱图像，所述深层目标次数是需要迭代的深层特征的层数与每个深层特征的迭代次数的乘积。
22.上述实施例，需要在特征学习器中完成深层特征迭代，将中间深层光谱图像和彩色图像输入特征学习器，提取彩色图像的深层特征和中间深层光谱图像的深层特征，计算对应光谱特征和彩色特征的误差，根据误差对中间深层光谱图像进行更新，在迭代次数达到深层目标次数时，中间深层光谱图像完成更新，通过计算光谱特征和彩色特征之间的误差，实现对中间深层光谱图像的更新，多次计算误差即可得到深层特征图像，完成对彩色图像中深层语义的学习，得到深层光谱图像。
23.在一个实施例中，所述将所述深层光谱图像和所述彩色图像输入特征学习器进行浅层特征迭代处理，得到目标光谱图像，包括；
24.将中间浅层光谱图像输入光谱特征提取单元进行第i层特征的第j次提取，得到第i层特征对应的第j次光谱特征，在第一次迭代时，所述中间浅层光谱图像为所述深层光谱图像；
25.将彩色图像输入彩色特征提取单元进行第i层特征的第j次提取，得到第i层特征对应的第j次彩色特征；
26.将所述第i层特征对应的第j次光谱特征和第i层特征对应的第j次彩色特征输入误差计算单元得到误差；
27.根据所述误差对所述中间浅层光谱图像进行更新，得到更新后的中间浅层光谱图像；
28.在迭代次数达到浅层目标次数时，将更新后的中间浅层光谱图像作为目标光谱图像，所述浅层目标次数是需要迭代的浅层特征的层数与每个浅层特征的迭代次数的乘积。
29.上述实施例，需要在特征学习器中完成浅层特征迭代，将中间浅层光谱图像和彩
色图像输入特征学习器，提取彩色图像的浅层特征和中间浅层光谱图像的浅层特征，计算对应光谱特征和彩色特征的误差，根据误差对中间浅层光谱图像进行更新，在迭代次数达到深层目标次数时，中间浅层光谱图像完成更新，通过计算光谱特征和彩色特征之间的误差，实现对中间浅层光谱图像的更新，多次计算误差即可得到深层特征图像，完成对彩色图像中浅层语义的学习，得到目标图像。
30.在一个实施例中，所述误差计算单元进行误差计算的函数为：
[0031][0032]
表示第n层特征对应的第m次彩色特征或者第i层特征对应的第j次彩色特征；x表示第n层特征对应的第m次光谱特征或者第i层特征对应的第j次光谱特征，表示所述和x之间的均方误差；表示所述与x之间的误差；表示的转置；x
t
表示x的转置；a为常数。
[0033]
上述实施例，通过误差函数计算光谱特征和彩色特征之间的误差，误差是影响中间深层光谱图像和中间浅层光谱图像更新的重要影响因素，误差值越大，表明光谱特征和彩色特征之间的差异越大，根据误差值，对中间深层光谱图像进行更新，进而得到目标光谱图像，缩小光谱特征和彩色特征之间的差异。
[0034]
在一个实施例中，在所述将所述预处理光谱图像和所述彩色图像输入特征学习器进行多层特征学习处理，得到目标光谱图像之后，还包括：
[0035]
根据预设评价指标，对所述目标光谱图像进行评价，得到所述目标光谱图像的评价结果。
[0036]
上述实施例，通过评价指标对目标光谱图像进行评价，判断目标光谱图像重建的效果是否满足要求。
[0037]
第二方面，提供了一种光谱图像的构建装置，包括：
[0038]
获取模块，用于获取待处理光谱图像和所述待处理光谱图像对应的彩色图像；
[0039]
预处理模块，用于对所述待处理光谱图像进行预处理，得到预处理光谱图像；
[0040]
特征学习模块，用于将所述预处理光谱图像和所述彩色图像输入特征学习器进行多层特征学习处理，得到目标光谱图像，所述多层特征学习处理包括多个深层特征学习处理和多个浅层特征学习处理。
[0041]
在一个实施例中，所述特征学习模块具体用于：
[0042]
将所述预处理光谱图像和所述彩色图像输入特征学习器进行深层特征迭代处理，得到深层光谱图像；
[0043]
将所述深层光谱图像和所述彩色图像输入特征学习器进行浅层特征迭代处理，得到目标光谱图像。
[0044]
第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述光谱图像的构建方法的步骤。
[0045]
第四方面，提供了一种计算机可读存储介质，所述计算机可读取存储介质中存储有计算机程序指令，所述计算机程序指令被处理器读取并运行时，执行如上所述光谱图像的构建方法的步骤。
附图说明
[0046]
为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0047]
图1为本技术实施例提供的光谱图像的构建方法的实现流程示意图；
[0048]
图2为本技术实施例提供的光谱图像的构建方法中步骤s300的流程示意图；
[0049]
图3为本技术实施例提供的光谱图像的构建方法中步骤s310的流程示意图；
[0050]
图4为本技术实施例提供的光谱图像的构建方法中步骤s320的流程示意图；
[0051]
图5为本技术实施例提供的光谱图像的构建装置的组成结构示意图；
[0052]
图6为本技术实施例提供的计算机设备的组成结构示意图；
[0053]
图7为本技术实施例构建的光谱图像与真实光谱图像的对比图。
具体实施方式
[0054]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0055]
在一个实施例中，提供了一种目标检测方法，本发明实施例所述的目标检测方法的执行主体为能够实现本发明实施例所述的目标检测方法的设备，该设备可以包括但不限于终端和服务器。其中，终端包括台式终端和移动终端，台式终端包括但不限于台式电脑和车载电脑；移动终端包括但不限于手机、平板、笔记本电脑和智能手表。服务器包括高性能计算机和高性能计算机集群。
[0056]
图1为本技术实施例提供的光谱图像的构建方法，包括：
[0057]
步骤100，获取待处理光谱图像和所述待处理光谱图像对应的彩色图像。
[0058]
待处理光谱图像为需要提高分辨率的图像，例如，低分辨率高光谱图像；彩色图像为需要提高分辨率的图像对应的彩色图像，例如，高分辨率rgb图像。
[0059]
步骤200，对所述待处理光谱图像进行预处理，得到预处理光谱图像。
[0060]
对所述待处理光谱图像进行预处理，预处理可以是对待处理光谱图像进行上采样，使待处理光谱图像的空间分辨率与彩色图像的空间分辨率一致，得到预处理光谱图像，即预处理图像为空间分辨率与彩色图像一致的光谱图像。例如，假设高分辨率rgb图像维度为512
×
512
×
3，低分辨率高光谱图像维度为16
×
16
×
31，使用bicubic插值对低分辨率高光谱图像进行插值上采样，使低分辨率高光谱图像空间分辨率由16
×
16增强至512
×
512，得到高分辨率高光谱图像。
[0061]
步骤300，将所述预处理光谱图像和所述彩色图像输入特征学习器进行多层特征学习处理，得到目标光谱图像，所述多层特征学习处理包括多个深层特征学习处理和多个浅层特征学习处理。
[0062]
将预处理光谱图像和彩色图像输入特征学习器，进行多层特征学习，多层特征学习是指预处理图像学习彩色图像中的多个深层特征和彩色图像中的多个浅层特征，其中深
层特征为语义信息，语义信息为图像信息中视觉层、对象层和概念层中呈现的信息，浅层特征为纹理信息和颜色信息，得到目标光谱图像，目标光谱图像为预处理光谱图像完成多层特征学习后输出的光谱图像。
[0063]
上述目标检测方法，通过获取待处理光谱图像和待处理光谱图像对应的彩色图像，对待处理光谱图像进行预处理后，得到预处理光谱图像，并对预处理光谱图像和彩色图像输入特征学习器进行多层特征学习处理，最终得到目标光谱图像，此种光谱图像的构建方法不需要大量的数据集支撑和训练，充分挖掘彩色图像由深层到浅层的所有特征，可以实现快速重建高精度的高分辨率高光谱图像。
[0064]
在一个实施例中，如图2所示，步骤300包括：
[0065]
步骤301，将所述预处理光谱图像和所述彩色图像输入特征学习器进行深层特征迭代处理，得到深层光谱图像。
[0066]
将预处理光谱图像和彩色图像输入特征学习器，进行深层特征迭代处理，即使预处理光谱图像学习彩色图像的深层语义信息，得到深层光谱图像，深层光谱图像为完成彩色图像深层语义信息学习的光谱图像。
[0067]
步骤302，将所述深层光谱图像和所述彩色图像输入特征学习器进行浅层特征迭代处理，得到目标光谱图像。
[0068]
将深层光谱图像和彩色图像输入特征学习器，进行浅层特征迭代处理，即使深层光谱图像学习彩色图像的浅层纹理信息，得到目标光谱图像，目标光谱图像为完成彩色图像浅层纹理信息学习的光谱图像。
[0069]
上述实施例，先在特征学习器中进行深层特征迭代处理，再通过深层特征学习器进行浅层特征迭代处理，使预处理光谱图像依次学习彩色图像的深层语义信息和浅层纹理信息，最终得到目标光谱图像。
[0070]
在一个实施例中，所述特征学习器包括光谱特征提取单元、彩色特征提取单元和误差计算单元；
[0071]
如图3所示，步骤301，包括：
[0072]
步骤3011，将中间深层光谱图像输入光谱特征提取单元进行第n层特征的第m次提取，得到第n层特征对应的第m次光谱特征，在第一次迭代时，所述中间深层光谱图像为所述预处理光谱图像。
[0073]
在光谱特征提取单元中设有深度神经网络，假设选取深度神经网络输出层的第29层、第22层、第18层和第15层的输出作为深层特征，以神经网络输出层的第29层输出为例，说明中间深层光谱图像进行深层特征提取的过程，中间深层光谱图像是变化的光谱图像，每进行一次迭代，中间深层光谱图像更新一次。
[0074]
将中间深层光谱图像输入光谱特征提取单元，第一次迭代时输入的光谱特征提取单元的中间深层光谱图像为预处理光谱图像，在深度神经网络中进行第29层特征的第1次提取，得到第29层特征对应的第1次光谱特征。
[0075]
步骤3012，将彩色图像输入彩色特征提取单元进行第n层特征的第m次提取，得到第n层特征对应的第m次彩色特征。
[0076]
将彩色图像输入彩色特征提取单元，在深度神经网络中进行第29层特征的第1次提取，得到第29层特征的对应的第1次彩色特征。
[0077]
步骤3013，将所述第n层特征对应的第m次光谱特征和第n层特征对应的第m次彩色特征输入误差计算单元得到误差。
[0078]
将第29层特征对应的第1次光谱特征和第29层特征对应的第1次彩色特征输入误差计算单元得到误差。
[0079]
步骤3014，根据所述误差对所述中间深层光谱图像进行更新，得到更新后的中间深层光谱图像。
[0080]
根据误差，对中间深层光谱图像进行更新，误差值中有梯度方向和距离，根据梯度方法和距离，更新中间深层光谱图像的网络权重，当网络权重更新完成后，即可得到更新后的中间深层光谱图像，第一次迭代的中间深层光谱图像是预处理光谱图像，此时得到的是第一次更新后的中间深层光谱图像。
[0081]
步骤3015，在迭代次数达到深层目标次数时，将更新后的中间深层光谱图像作为深层光谱图像，所述深层目标次数是需要迭代的深层特征的层数与每个深层特征的迭代次数的乘积。
[0082]
迭代是指完成一次中间深层光谱图像更新，当迭代次数达到深层目标次数时，此时得到的更新后的中间深层光谱图像作为深层光谱图像，深层目标次数是需要迭代的深层特征的层数与每个深层特征的迭代次数的乘积，假设需要迭代深层特征的层数为4层，每个深层特征的迭代步长为800，则深层目标次数为3200次。
[0083]
为了更好的说明，在得到第一次更新后的中间深层光谱图像之后，将该第一次更新后的中间深层光谱图像作为中间深层光谱图像输入到光谱特征提取单元进行第29层特征的第2次提取，得到第29层特征对应的第2次光谱特征；将彩色图像输入彩色特征提取单元进行第29层特征的第2次提取，得到第29层特征对应的第2次彩色特征；将第29层特征对应的第2次光谱特征和第29层特征对应的第2次彩色特征输入误差计算单元得到误差；根据误差，对第一次更新后的中间深层光谱图像进行更新，得到第二次更新后的中间深层光谱图像，然后将第二次更新后的中间深层光谱图作为中间深层光谱图像输入到光谱特征提取单元进行第29层特征的第3次提取，依次类推，直到第29层特征的迭代次数达到800次之后，按照相同的方式，进行第22层、第18层和第15层的迭代，在第15层特征的第800次迭代结束后，得到更新后的中间深层光谱图像，此时迭代次数已经达到深层目标次数，于是，将在第15层特征的第800次迭代结束后得到的更新后的中间深层光谱图像作为深层光谱图像。
[0084]
上述实施例，需要在特征学习器中完成深层特征迭代，将中间深层光谱图像和彩色图像输入特征学习器，提取彩色图像的深层特征和中间深层光谱图像的深层特征，计算对应光谱特征和彩色特征的误差，根据误差对中间深层光谱图像进行更新，在迭代次数达到深层目标次数时，中间深层光谱图像完成更新，通过计算光谱特征和彩色特征之间的误差，实现对中间深层光谱图像的更新，多次计算误差并更新即可得到深层特征图像，完成对彩色图像中深层语义的学习，得到深层光谱图像。
[0085]
在一个实施例中，如图4所示，步骤302，包括：
[0086]
步骤3021，将中间浅层光谱图像输入光谱特征提取单元进行第i层特征的第j次提取，得到第i层特征对应的第j次光谱特征，在第一次迭代时，所述中间浅层光谱图像为所述深层光谱图像。
[0087]
在光谱特征提取单元中设有深度神经网络，假设选取深度神经网络输出层的第13
层、第10层、第5层、第3层和第2层的输出作为浅层特征，以神经网络输出层的第13层输出为例，说明中间浅层光谱图像进行浅层特征提取的过程，中间浅层光谱图像是变化的光谱图像，每进行一次迭代，中间浅层光谱图像更新一次。
[0088]
将中间浅层光谱图像输入光谱特征提取单元，此时输入的光谱特征提取单元的中间深层光谱图像为深层光谱图像，在深度神经网络中进行第13层特征的第1次提取，得到第13层特征对应的第1次光谱特征。
[0089]
步骤3022，将彩色图像输入彩色特征提取单元进行第i层特征的第j次提取，得到第i层特征对应的第j次彩色特征。
[0090]
将彩色图像输入彩色特征提取单元，在深度神经网络中进行第13层特征的第1次提取，得到第13层特征的对应的第1次彩色特征。
[0091]
步骤3023，将所述第i层特征对应的第j次光谱特征和第i层特征对应的第j次彩色特征输入误差计算单元得到误差。
[0092]
将第13层特征对应的第1次光谱特征和第13层特征对应的第1次彩色特征输入误差计算单元得到误差。
[0093]
步骤3024，根据所述误差对所述中间浅层光谱图像进行更新，得到更新后的中间浅层光谱图像。
[0094]
根据误差，对中间浅层光谱图像进行更新，误差值中有梯度方向和距离，根据梯度方法和距离，更新中间浅层光谱图像的网络权重，当网络权重更新完成之后，即可得到更新后的中间浅层光谱图像，第一次迭代输入中间浅层光谱图像是深层光谱图像，此时得到的是第一次更新后的中间浅层光谱图像。
[0095]
步骤3025，在迭代次数达到浅层目标次数时，将更新后的中间浅层光谱图像作为目标光谱图像，所述浅层目标次数是需要迭代的浅层特征的层数与每个浅层特征的迭代次数的乘积。
[0096]
当迭代次数达到浅层目标次数时，此时得到的更新后的中间浅层光谱图像作为浅层光谱图像，浅层目标次数是需要迭代的深层特征的层数与每个深层特征的迭代次数的乘积，假设需要迭代浅层特征的层数为5层，每个深层特征的迭代步长为1200，则深层目标次数为6000次。
[0097]
为了更好的说明，在得到第一次更新后的中间浅层光谱图像之后，将该第一次更新后的中间浅层光谱图像作为中间浅层光谱图像输入到光谱特征提取单元进行第13层特征的第2次提取，得到第13层特征对应的第2次光谱特征；将彩色图像输入彩色特征提取单元进行第13层特征的第2次提取，得到第13层特征对应的第2次彩色特征；将第13层特征对应的第2次光谱特征和第13层特征对应的第2次彩色特征输入误差计算单元得到误差；根据误差，对第一次更新后的中间浅层光谱图像进行更新，得到第二次更新后的中间浅层光谱图像，然后将第二次更新后的中间浅层光谱图作为中间浅层光谱图像输入到光谱特征提取单元进行第13层特征的第3次提取，依次类推，直到第13层特征的迭代次数达到1200次之后，按照相同的方式，进行第10层、第5层、第3层和第2层的迭代，在第2层特征的第1200次迭代结束后，得到更新后的中间浅层光谱图像，此时迭代次数已经达到浅层目标次数，于是，将在第2层特征的第1200次迭代结束后得到的更新后的中间浅层光谱图像作为目标光谱图像。
[0098]
上述实施例，需要在特征学习器中完成浅层特征迭代，将中间浅层光谱图像和彩色图像输入特征学习器，提取彩色图像的浅层特征和中间浅层光谱图像的浅层特征，计算对应光谱特征和彩色特征的误差，根据误差对中间浅层光谱图像进行更新，在迭代次数达到深层目标次数时，中间浅层光谱图像完成更新，通过计算光谱特征和彩色特征之间的误差，实现对中间浅层光谱图像的更新，多次计算误差即可得到深层特征图像，完成对彩色图像中浅层语义的学习，得到目标图像。
[0099]
在一个实施例中，所述误差计算单元进行误差计算的函数为：
[0100][0101]
表示第n层特征对应的第m次彩色特征或者第i层特征对应的第j次彩色特征；x表示第n层特征对应的第m次光谱特征或者第i层特征对应的第j次光谱特征，表示所述和x之间的均方误差；表示所述与x之间的误差；表示的转置；x
t
表示x的转置；a为常数。
[0102]
在深层特征迭代处理的过程中，表示第n层特征对应的第m次彩色特征，x表示第n层特征对应的第m次光谱特征，其中，n为29或者22或者18或者15，m为[1,800]中的一个整数值，在浅层特征迭代处理过程中，表示第i层特征对应的第j次彩色特征，x表示第i层特征对应的第j次光谱特征，其中，i为13或者10或者5或者3或者2，j为[1,1200]中的一个整数值；a在深层特征迭代处理或浅层迭代处理中为常数，关于a的取值，例如，100。
[0103]
上述实施例，通过误差函数计算光谱特征和彩色特征之间的误差，误差是影响中间深层光谱图像和中间浅层光谱图像更新的重要影响因素，误差值越大，表明光谱特征和彩色特征之间的差异越大，根据误差值，对中间深层光谱图像进行更新，进而得到目标光谱图像，缩小光谱特征和彩色特征之间的差异。
[0104]
在一个实施例中，在所述将所述预处理光谱图像和所述彩色图像输入特征学习器进行多层特征学习处理，得到目标光谱图像之后，还包括：
[0105]
根据预设评价指标，对所述目标光谱图像进行评价，得到所述目标光谱图像的评价结果。
[0106]
可通过四种评价指标：平均结构相似度(assim)、峰值信噪比(psnr)、光谱角制图(sam)和相对无量纲全局误差(ergas)对目标光谱图像进行评价，assim分别从亮度、对比度、结构三方面度量图像相似性；psnr基于对应像素点间的误差对图像质量评价；sam通过计算两向量间的夹角来度量光谱间的相似性，夹角越小，两光谱越相似，属于同类地物的可能性越大；ergas是图像融合中常用的评价指标，它从空间结构层面度量重建光谱的精度。具体见表1。
[0107]
表1目标光谱图像评价结果
[0108] assimpsnrergassam目标光谱图像0.98843.870.0911.30
[0109]
还可以将目标光谱图像和真实光谱图像进行比对，具体见图7。图7中，横坐标为波长，纵坐标为光谱反射率，由图可知目标光谱图像和真实光谱图像基本吻合。
[0110]
上述实施例，通过评价指标对目标光谱图像进行评价，判断目标光谱图像重建的效果是否满足要求。
[0111]
在一个实施例中，如图5所示，提供了一种光谱图像的构建装置500，包括：
[0112]
获取模块501，用于获取待处理光谱图像和所述待处理光谱图像对应的彩色图像；
[0113]
预处理模块502，用于对所述待处理光谱图像进行预处理，得到预处理光谱图像；
[0114]
特征学习模块503，用于将所述预处理光谱图像和所述彩色图像输入特征学习器进行多层特征学习处理，得到目标光谱图像，所述多层特征学习处理包括多个深层特征学习处理和多个浅层特征学习处理。
[0115]
可选地，所述特征学习模块具体用于：
[0116]
将所述预处理光谱图像和所述彩色图像输入特征学习器进行深层特征迭代处理，得到深层光谱图像；
[0117]
将所述深层光谱图像和所述彩色图像输入特征学习器进行浅层特征迭代处理，得到目标光谱图像。
[0118]
可选地，所述深层特征学习模块包括光谱特征提取单元、彩色特征提取单元和误差计算单元；
[0119]
所述光谱特征提取单元，用于将中间深层光谱图像输入光谱特征提取单元进行第n层特征的第m次提取，得到第n层特征对应的第m次光谱特征，在第一次迭代时，所述中间深层光谱图像为所述预处理光谱图像；
[0120]
所述彩色特征提取单元，用于将彩色图像输入彩色特征提取单元进行第n层特征的第m次提取，得到第n层特征对应的第m次彩色特征；
[0121]
所述误差计算单元，用于将所述第n层特征对应的第m次光谱特征和第n层特征对应的第m次彩色特征输入误差计算单元得到误差；
[0122]
所述特征学习模块，还用于根据所述误差对所述中间深层光谱图像进行更新，得到更新后的中间深层光谱图像；
[0123]
所述特征学习模块，还用于在迭代次数达到深层目标次数时，将更新后的中间深层光谱图像作为深层光谱图像，所述深层目标次数是需要迭代的深层特征的层数与每个深层特征的迭代次数的乘积。
[0124]
可选地，所述光谱特征提取单元，还用于将中间浅层光谱图像输入光谱特征提取单元进行第i层特征的第j次提取，得到第i层特征对应的第j次光谱特征，在第一次迭代时，所述中间浅层光谱图像为所述深层光谱图像；
[0125]
所述彩色特征提取单元，还用于将彩色图像输入彩色特征提取单元进行第i层特征的第j次提取，得到第i层特征对应的第j次彩色特征；
[0126]
所述误差计算单元，还用于将所述第i层特征对应的第j次光谱特征和第i层特征对应的第j次彩色特征输入误差计算单元得到误差；
[0127]
所述特征学习模块，还用于根据所述误差对所述中间浅层光谱图像进行更新，得到更新后的中间浅层光谱图像；
[0128]
所述特征学习模块，还用于在迭代次数达到浅层目标次数时，将更新后的中间浅层光谱图像作为目标光谱图像，所述浅层目标次数是需要迭代的浅层特征的层数与每个浅层特征的迭代次数的乘积。
[0129]
可选地，所述误差计算单元进行误差计算的函数为：
[0130]
[0131]
表示第n层特征对应的第m次彩色特征或者第i层特征对应的第j次彩色特征；x表示第n层特征对应的第m次光谱特征或者第i层特征对应的第j次光谱特征，表示和x之间的均方误差；表示所述与x之间的误差；表示的转置；x
t
表示x的转置；a为常数。
[0132]
可选地，所述光谱图像的构建装置500还包括评价模块504；
[0133]
所述评价模块504，用于根据预设评价指标，对所述目标光谱图像进行评价，得到所述目标光谱图像的评价结果。
[0134]
在一个实施例中，如图6所示，提供了一种计算机设备，该计算机设备具体可以是终端或服务器。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，存储器包括非易失性存储介质和内存储器，该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现光谱图像的构建方法。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行目标检测方法。本领域技术人员可以理解，图6中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0135]
本技术提供的光谱图像的构建方法可以实现为一种计算机程序的形式，计算机程序可在如图6所示的计算机设备上运行。计算机设备的存储器中可存储组成目标检测装置的多个程序模板。比如，获取模块501、预处理模块502和特征学习模块503。
[0136]
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
[0137]
获取待处理光谱图像和所述待处理光谱图像对应的彩色图像；
[0138]
对所述待处理光谱图像进行预处理，得到预处理光谱图像；
[0139]
将所述预处理光谱图像和所述彩色图像输入特征学习器进行多层特征学习处理，得到目标光谱图像，所述多层特征学习处理包括多个深层特征学习处理和多个浅层特征学习处理。
[0140]
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
[0141]
获取待处理光谱图像和所述待处理光谱图像对应的彩色图像；
[0142]
对所述待处理光谱图像进行预处理，得到预处理光谱图像；
[0143]
将所述预处理光谱图像和所述彩色图像输入特征学习器进行多层特征学习处理，得到目标光谱图像，所述多层特征学习处理包括多个深层特征学习处理和多个浅层特征学习处理。
[0144]
需要说明的是，上述光谱图像的构建方法、光谱图像的构建装置、计算机设备及计算机可读存储介质属于一个总的发明构思，光谱图像的构建方法、光谱图像的构建装置、计算机设备及计算机可读存储介质实施例中的内容可相互适用。
[0145]
在本技术所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。再者，在本技术多个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是多个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。以上所述仅为本技术的实施例而已，并不用于限制本技术的保护范围，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。