一种光谱重建方法和电子设备与流程

1.本发明提出了一种光谱重建方法，属于光谱重建技术领域。


背景技术：

2.目前已有的算法中，有简单非负最小二乘法、贪婪算法下的稀疏优化和字典学习的算法。也有一些算法将以上方法结合在多个步骤串行使用。
3.如果不对求逆运算做任何限制，则一般的基于svd(奇异值分解)的求逆算法无法获得稳定解；对于单独使用的非负最小二乘法，字典学习的算法可以获得稳定解，但是计算速度较慢。稀疏优化算法会会造成结果丧失光谱应有的正则性，物理表现失真。
4.如果采用多种算法串行多次重建的方法，无法保证数值计算上整体的最优表现。能量分布失真。并且计算开销无法精简。


技术实现要素：

5.本发明提供了一种光谱重建方法，用以解决上述现有技术中的问题，采取的技术方案如下：
6.一种光谱重建方法，所述光谱重建方法包括：
7.步骤1、结合光谱与传感器信号，获取光谱与传感器信号之间的关系式模型；
8.步骤2、采用l1范数约束模型求解所述光谱与传感器信号之间的关系式模型；
9.步骤3、合成光谱。
10.进一步地，步骤1所述光谱与传感器信号之间的关系式模型如下：
11.i≈φf,f≈cx,||x||0≤s
12.其中，i表示传感器信号，是一个一维列向量信号；如果传感器信号是面阵传感器接收的信号，则将面阵传感器信号按照列(或行也可以，取决于约定)排成列向量；φ表示透射/吸收矩阵；f是入射光光谱，其中，f由一组稀疏基表达；x表示稀疏列向量，c表示稀疏基矩阵，即字典集c，s是正整数；
13.进一步地，所述字典集c包括daubechies小波、ricker/gauss函数、三角函数和moret小波。
14.进一步地，当字典集c采用daubechies小波的小波基及其对应尺度函数时，字典集合c由一下小波函数和尺度函数通过在波长范围内的平移和放缩获得；平移的数量取决于基的周期长度，其中，daubechies小波基的周期为6nm，平移个数为128个；放缩倍数取1,2,4,8,16,32中的任意值。
15.进一步地，步骤2中所述l1范数约束模型如下：
16.argmin||i-φcx||2 λ||x||117.其中，λ表示超参数。
18.进一步地，步骤2所述采用l1范数约束模型求解所述光谱与传感器信号之间的关系式模型的过程包括：
19.步骤201、设置超参数和字典集c；
20.步骤202、设置迭代初始条件为x，其中，x为非负随机数；
21.步骤203、进行迭代循环流程；
22.步骤204、设置迭代终止条件为循环次数达到100次或更新步长小于0.001。
23.进一步地，步骤201所述设置超参数包括设置步长参数和设置正规参数。
24.其中，步长参数，用于迭代循环步骤步骤203中的第三步；正则参数，用于迭代循环步骤203中的第四步。
25.进一步地，步骤203所述进行迭代循环流程，包括：
26.第一步、计算惯性加速因子t
k 1
：
[0027][0028]
第二步、计算惯性加速迭代过程,获得更新的光谱猜测y
k 1
：
[0029][0030]
第三步、计算梯度下降，获得更新的梯度z
k 1
：
[0031][0032]
第四步、计算软阈值算子x
k 1
：
[0033][0034]
其中，i表示传感器信号，φ表示透射/吸收矩阵，c表示稀疏基矩阵，x表示稀疏列向量，t是惯性加速因子，tk表示第k次循环中用的惯性加速因子，z表示梯度，t表示矩阵的转置，v表示超参数。
[0035]
进一步地，步骤3所述合成光谱，具体为：将求解关系式模型获得的稀疏列向量x与字典相乘，获得重建光谱cx。
[0036]
本发明还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项所述的方法。
[0037]
本发明有益效果：
[0038]
本发明提出的一种光谱重建方法能够有效提高光谱重建的准确性和重建效率，并且能够获得稳定接，计算步骤精简且计算速度较快，不会出现物理表现失真的问题。当采用本技术的光谱重建方法时，当光子晶体/滤光片/量子点数量为225个的光谱中使用本专利给出的算法，运行在构架为arm cortex-m3嵌入式处理器中，平均算法迭代次数为83次，平均重建总时间为278毫秒，运行在intel core i9系列处理器中，平均重建时间为17毫秒，远远高于目前市场已有产品3帧的刷新速度。
附图说明
[0039]
图1为本发明所述方法的daubechies小波缩放倍数波形图一；
[0040]
图2为本发明所述方法的daubechies小波缩放倍数波形图二；
[0041]
图3为本发明所述方法的daubechies小波缩放倍数波形图三；
[0042]
图4为本发明所述方法的daubechies小波缩放倍数波形图四；
[0043]
图5为本发明所述方法的daubechies小波缩放倍数波形图五；
[0044]
图6为本发明所述方法的daubechies小波缩放倍数波形图六；
[0045]
图7为本发明所述方法的daubechies小波缩放倍数波形图七；
[0046]
图8为本发明所述方法结果仿真示意图一；
[0047]
图9为本发明所述方法结果仿真示意图二；
[0048]
图10为本发明所述方法结果仿真示意图三；
[0049]
图11为本发明所述方法的流程图；
[0050]
图12是根据本技术实施例的电子设备的内部结构示意图。
具体实施方式
[0051]
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
[0052]
一种光谱重建方法，如图1至图11所示，所述光谱重建方法包括：
[0053]
步骤1、结合光谱与传感器信号，获取光谱与传感器信号之间的关系式模型；
[0054]
步骤2、采用l1范数约束模型求解所述光谱与传感器信号之间的关系式模型；
[0055]
步骤3、合成光谱。
[0056]
其中，步骤1所述光谱与传感器信号之间的关系式模型如下：
[0057]
i≈φf,f≈cx,||x||0≤s
[0058]
其中，i表示传感器信号，是一个一维列向量信号；如果传感器信号是面阵传感器接收的信号，则将面阵传感器信号按照列(或行也可以，取决于约定)排成列向量；φ表示透射/吸收矩阵；f是入射光光谱，其中，f由一组稀疏基表达；x表示稀疏列向量，c表示稀疏基矩阵，即字典集c，s是正整数；
[0059]
所述字典集c包括daubechies小波、ricker/gauss函数、三角函数(包括正弦函数和余弦函数等)和moret小波。
[0060]
当字典集c采用daubechies小波的小波基及其对应尺度函数时，字典集合c由一下小波函数和尺度函数通过在波长范围内的平移和放缩获得；平移的数量取决于基的周期长度，其中，daubechies小波基的周期为6nm，平移个数为128个；放缩倍数取为1,2,4,8,16,32。
[0061]
实际应用中，放缩的最大倍数不超过2^10。因为光谱仪的硬件分辨率无法小于这个数值。平移范围应该完整覆盖探测器相应波长范围，本实施例限制在300-1100nm的范围内。对于不同应用类型的光谱仪，调整这个范围是没有创新性的。现有技术中进行缩放倍数选择时会舍弃2^k中的某些k值，比如仅仅使用1,4,16,64放缩倍数，这类调整也不具备创新性，易产生求解不稳定的问题发生。
[0062]
对于不是小波的字典集函数，生成的时候只有轮廓函数，没有细节函数。
[0063]
入射光光谱f是在这一字典集下稀疏表达的，即f≈cx，同时||x||0≤s，这里s选择一个在10-30之间的一个整数；||0是向量0范数的意思；
[0064]
s是正整数，它的选择是人工智能筛选的一个先验参数，可以理解为被探测光谱中所包含的物质主要成分的丰富程度，可以理解为忽略强度占比小于1/10或者1/30的信号。如果应用场景为某些化学，生物，环保领域，则可能的目标物质很单一，那么选择s就可能是一个小于5的数。
[0065]
如果选取非小波基的函数生成字典集，由于不具备标准正交性，则可以根据光谱应用场景的常见光谱进行字典集构建。这些构造函数的放缩倍数可以是任意(》1的实数)倍数，平移范围仍然完整覆盖探测器相应波长范围。
[0066]
从被参数集中选{1e-3,5e-3,1e-2,5e-2,1e-1,5e-1,1,5}，通过k折交叉验证方式学习获得步骤2(a)中的超参数。
[0067]
具体的，步骤2中所述l1范数约束模型如下：
[0068]
argmin||i-φcx||2 λ||x||1[0069]
其中，argmin是在计算数学领域通用的一种表达方式，即，计算使其后面式子达到最小值时的解，λ是超参数之一，λ的设置会影响计算出的稀疏向量x最终的稀疏性。
[0070]
步骤2所述采用l1范数约束模型求解所述光谱与传感器信号之间的关系式模型的过程包括：
[0071]
步骤201、设置超参数和字典集c；
[0072]
步骤202、设置迭代初始条件为x，其中，x为非负随机数，该x的含义与上文相同，本技术实施例的目的就是求解最优的x；
[0073]
步骤203、进行迭代循环流程；
[0074]
步骤204、设置迭代终止条件为循环次数达到100次或更新步长小于0.001。
[0075]
其中，步骤201所述设置超参数包括设置步长参数和设置正规参数。
[0076]
具体的，步长参数，用于迭代循环步骤步骤203中的第三步；正则参数，用于迭代循环步骤203中的第四步。
[0077]
步骤203所述进行迭代循环流程，包括：
[0078]
第一步、计算惯性加速因子t
k 1
：
[0079][0080]
第二步、计算惯性加速迭代过程,获得更新的光谱猜测y
k 1
：
[0081][0082]
第三步、计算梯度下降，获得更新的梯度z
k 1
：
[0083][0084]
第四步、计算软阈值算子x
k 1
：
[0085][0086]
其中，t是惯性加速因子，k代表第k次循环，k 1代表第k 1次循环，tk表示第k次循
环中用的惯性加速因子，y是光谱猜测，y
k 1
表示第k 1次循环中的光谱猜测，x
k 1
表示第k 1次循环中的稀疏向量，由于x是通过迭代计算最终确定的，所以最后那个xk就是最终求解得到的x，z表示梯度，z
k 1
表示第k 1次循环中的梯度，t表示矩阵的转置，v表示超参数之一。
[0087]
步骤3所述合成光谱，具体为：将求解关系式模型获得的稀疏列向量x与字典相乘，获得重建光谱cx。
[0088]
本发明提出的一种光谱重建方法能够有效提高光谱重建的准确性和重建效率，并且能够获得稳定接，计算步骤精简且计算速度较快，不会出现物理表现失真的问题。当采用本技术的光谱重建方法时，当光子晶体/滤光片/量子点数量为225个的光谱中使用本专利给出的算法，运行在构架为arm cortex-m3嵌入式处理器中，平均算法迭代次数为83次，平均重建总时间为278毫秒，运行在intel core i9系列处理器中，平均重建时间为17毫秒，远远高于目前市场已有产品3帧的刷新速度。
[0089]
需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
[0090]
另外，结合上述实施例中的光谱重建方法，本技术实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种光谱重建方法。
[0091]
本技术的一个实施例中还提供了一种电子设备，该电子设备可以是终端。该电子设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种光谱重建方法。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0092]
在一个实施例中，图12是根据本技术实施例的电子设备的内部结构示意图，如图12所示，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图12所示。该电子设备包括通过内部总线连接的处理器、网络接口、内存储器和非易失性存储器，其中，该非易失性存储器存储有操作系统、计算机程序和数据库。处理器用于提供计算和控制能力，网络接口用于与外部的终端通过网络连接通信，内存储器用于为操作系统和计算机程序的运行提供环境，计算机程序被处理器执行时以实现一种光谱重建方法，数据库用于存储数据。
[0093]
本领域技术人员可以理解，图12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电子设备的限定，具体的电子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。
[0094]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括
非易失性和/或易失性存储器。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。
[0095]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。