提升光谱反射率重建精度的样本集扩展方法和存储介质

1.本发明涉及光谱图像重建技术领域，具体涉及提升光谱反射率重建精度的样本集扩展方法和存储介质。


背景技术：

2.高精度反射率是光谱调控和许多依赖物体颜色信息领域的研究前提，纺织和印刷行业常常需要还原准确的图像颜色，医学上医生准确区分病理组织就需要对组织进行局部增强，这些操作实现的前提都需要获取目标表面的反射率信息。光谱仪可以辅助测量物体表面的反射率，但是需要搭建大量的硬件设施，体积庞大、价格昂贵、操作复杂且实用性很低。
3.合适的光源配合相机编程即可实现反射率重建，当前从目标的相机响应中获取光谱反射率的方法可分为两种：基于模型和基于训练。基于模型的方法需要表征相机灵敏度函数，增加复杂度与成本，所以更容易实现的是基于训练的方法。当前有许多基于训练的光谱反射率重建方法，基于训练的反射率重建精度很大程度上要依赖训练集中有效样本的数目，现有样本数量有限，导致各领域中光谱反射率重建精度受到很大的限制。


技术实现要素：

4.本发明解决的一个主要问题是现有的光谱反射率重建方法重建精度受限的问题。
5.为了克服上述现有技术的不足，本发明提供了一种应用于光谱反射率研究的样本集扩展方法，有效提升了反射率重建精度。
6.本发明为一种提升光谱反射率重建精度的样本集扩展方法，包括：
7.预设可调光谱光源的光谱范围，并选取原始样本完成初始化；
8.选定一种光谱组合照射一个所述原始样本，根据相机响应函数求取rgb相机响应值；
9.将所述rgb相机响应值转换到cielab均匀颜色空间下，判断被照射的所述原始样本是否处于cielab均匀颜色空间内的已知样本空间中；
10.将处于所述已知样本空间内的所述原始样本的数据进行线性扩展，获取第一生成样本；
11.保证中矩阵维度一致，计算所述第一生成样本与所述已知样本空间的每个空间点间的欧几里得距离，并保存计算结果；
12.将所述计算结果由小到大排序，基于最近邻算法，从排序后的所述计算结果中选出预设数量的最小值作为计算第二生成样本的数据；
13.对选出的所有所述最小值取平均值，将所述平均值作为所述第二生成样本的合成反射率；
14.判断所述合成反射率在既定误差方面是否满足设定要求，若满足要求，则得到一个第二生成样本；
15.迭代重复所述第二生成样本的生成过程，直到所述光谱范围照射全部所述原始样本，并得到由所述第二生成样本组成的扩展样本集。
16.进一步地，所述预设可调光谱光源的光谱范围，并选取原始样本完成初始化包括：
17.预设光谱范围为r、g、b均为1:51:255；
18.选取ccsg标准色卡作为原始样本完成初始化。
19.进一步地，判断被照射的所述原始样本是否处于cielab均匀颜色空间内的已知样本空间中还包括：
20.如果被照射的所述原始样本不在所述已知样本空间内，则将被照射的所述原始样本丢弃，并重新选定一种光谱组合照射另一个所述原始样本；
21.进一步地，所述已知样本空间为由munsell、ies、macbeth和leeds100000四种标准数据集构成的三维样本空间。
22.进一步地，所述计算所述第一生成样本与所述已知样本空间的每个空间点间的欧几里得距离包括：
23.所述欧几里得距离是在所述cielab均匀颜色空间下计算，计算公式如下：
[0024][0025]
其中l1，a1，b1为所述已知样本在cielab空间中的坐标，l2，a2，b2为所述生成样本在所述已知样本空间中的坐标。
[0026]
进一步地，所述原始样本为140个。
[0027]
进一步地，所述设定要求包括设定均方根误差和色差误差。
[0028]
进一步地，所述合成反射率在既定误差方面同时满足所述均方根误差和所述色差误差即为满足设定要求。
[0029]
进一步地，所述得到扩展样本集后还包括：
[0030]
基于径向基函数重建方法，将所述扩展样本集应用于光谱反射率重建，以验证所述光谱反射率的重建精度。
[0031]
根据本发明的另一个方面，还公开一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质上存储有如权利要求1-9任一所述的一种提升光谱反射率重建精度的样本集扩展方法。
[0032]
本发明首先通过调控光源光谱照射140个标准ccsg色卡样本，获取各自的rgb相机响应后剔除已知样本空间外的数据；其次基于最近邻算法思想在cielab均匀颜色空间中求取符合既定误差的每个扩展样本，直到完成预设光谱范围内所有样本生成即可得到扩展的样本集；最后使用扩展样本集进行光谱反射率重建，结果表明，与基于原始样本的主流反射率重建策略的结果相比，本方法的光谱重建精度大大提升。
附图说明
[0033]
本发明构成说明书的一部分附图描述了本发明的实施例，并且连同说明书一起用于解释本发明的原理。
[0034]
图1是本发明实施例中一种提升光谱反射率重建精度的样本集扩展方法的实现流程图；
[0035]
图2是本发明实施例中采用的可调光谱光源的一种光谱分布图；
[0036]
图3是本发明实施例中采用的相机在rgb三个通道上的响应曲线图；
[0037]
图4是本发明实施例中中已知样本数据在cielab颜色空间的点云分布图；
[0038]
图5是本发明实施例中采用最近邻算法扩展的4607个样本与原始样本在颜色空间中的分布图；
[0039]
图6是本发明实施例中基于径向基函数的反射率重建方法过程示意图；
[0040]
图7是本发明实施例中采用扩展样本集进行反射率重建，再采用部分测试样本的反射率图像。
具体实施方式
[0041]
下面将结合附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
[0042]
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
[0043]
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
[0044]
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
[0045]
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
[0046]
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
[0047]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0048]
实施例一，如图1所示，本实施例提供了一种提升光谱反射率重建精度的样本集扩展方法，具体包括以下步骤：
[0049]
步骤一，首先利用三通道投影仪作为可调光谱光源，该光源的每个通道都有255个点可调，控制简单，色域覆盖能力好，避免使用市面上的组合光源带来的光谱特性变化对扩展精度的影响，且更容易实现自动控制；之后预设光谱范围，并选取ccsg标准色卡作为原始样本完成初始化。
[0050]
对于可调光谱光源，可采用nec激光投影仪在r、g、b三个通道均为255时的输出作为基准光源，利用线性插值的方法得到其各通道在0-255之间的光源光谱分布后保存作为可调光源，
[0051]
随后根据期望扩展的样本数量来设定光谱范围，光谱范围的预设将直接影响扩展样本集中样本的个数，理论上，光源光谱范围越大，最终扩展出的样本集数量也越大。如图2是可调光源的一种光谱分布情况，其中的noise是投影仪光源的暗噪声，在计算时应当减去，本实施例设定的光谱范围是r、g、b均为1:51:255。
[0052]
在原始样本的选取上，选择xrite公司的ccsg标准色卡(140个)，保证了扩展过程的准确性；采用光谱仪测量其反射率后保存作为原始样本数据，至此，初始化步骤完成。
[0053]
步骤二，选择一种光谱照射一个原始样本，根据相机响应函数求取其rgb相机响应值，然后将rgb响应值转换到cielab均匀颜色空间下，判断是否处于已知样本空间内，如果否，则将该原始样本丢弃后重复步骤二，若存在于已知样本空间内，则执行下一步骤。
[0054]
在步骤二中，从步骤一的140个数据中取出一个原始样本，从步骤1设定的r、g、b均为1:51:255的光谱范围中选定一种光谱组合照射该原始样本，根据相机响应函数求取它的rgb响应值，本发明采用的相机响应曲线如图3所示，计算相机响应时需要的输入参数有三个，分别是光谱数据、样本反射率数据以及相机响应函数。
[0055]
接下来将得到的rgb响应值转换到cielab均匀颜色空间下，本发明中采用的均匀颜色空间为国际照明委员会指定的cielab均匀颜色空间，在将rgb值转换为cielab之前需要先将其转换到ciexyz，这个过程需要求取一个转换矩阵m，首先根据光谱数据将人眼xyz1931转换为xyz值，记为xyzm，然后利用相机响应函数求取同一xyz1931的相机响应值，记为rgbm，于是可以得到转换矩阵m为xyzm
×
pinv(rgbm)，其中pinv为矩阵伪逆计算函数。得到转换矩阵后，即可计算前述rgb响应值的cielab值。
[0056]
最后判断被照射的原始样本是否处于已知样本空间内，如果不存在在已知样本空间内，则将该原始样本丢弃后选取一个新的原始样本重复步骤二，反之则执行步骤三；
[0057]
此外，本实施例中判断被照射的原始样本是否处于已知样本空间内所用的三维样本空间由munsell、ies、macbeth和leeds100000这四种标准数据集构成，其空间点云分布情况如图4所示，这些数据集覆盖了大部分均匀颜色空间，保证了选取的扩展样本的有效性和真实性。
[0058]
步骤三，将步骤二中处于已知样本空间的样本数据进行线性扩展，即将初步生成的样本矩阵阶数扩展到与已知样本空间内的样本数据一致，目的是保证后续操作中的维度一致性。然后计算初步得到的生成样本与所述已知样本空间内每个数据点之间的欧几里得距离(欧式距离)，也就是色差，并将计算结果保存后执行步骤四；
[0059]
本实施例中欧氏距离(色差)是在cielab均匀颜色空间下计算，其具体公式如下：
[0060][0061]
其中l1，a1，b1为已知样本空间中的已知样本在cielab均匀颜色空间中的坐标，l2，a2，b2为生成的样本在其中的坐标，每一个生成的样本都需要计算与140个已知样本中每个样本之间的距离并将计算结果保存以便后续步骤使用。
[0062]
步骤四，对计算结果由小到大排序，并基于最近邻算法的思想选出样本空间内与初步生成样本色差最小的k个反射率值。对其取平均值作为该样本的合成反射率，然后判断其在既定误差方面是否满足设定要求，若不满足要求，将其丢弃后执行步骤二，若满足要求，即得到一个扩展样本。
[0063]
具体地，本实施例中，首先对步骤三中得到的计算结果(色差)由小到大进行排序，然后设定一个参数k为20，将排序结果中的前20个结果取出，根据这些与待筛选样本色差最小的已知样本确定加权系数，获得一个加权对角矩阵，然后用这些样本对应的反射率乘以加权矩阵并求和得到一个合成反射率，如果计算该合成发射率的相应误差符合预设误差，即采取均方根误差和色差误差为预设误差条件，选出一个扩展反射率样本，只有当其合成反射率同时满足这两个设定误差条件时，对应的生成样本才能作为一个扩展样本进行保
存。
[0064]
步骤五，完成一次完整的扩展样本生成过程后，后续迭代重复步骤二到四，直到完成整个光谱范围照射全部的原始样本，即可得到由多个生成的扩展样本组成的扩展样本集；
[0065]
本实施例中，由于设定光谱范围r、g、b均为1:51:255，采用140个原始样本，所以共生成4607个扩展样本；
[0066]
接下来将本实施例中的原始样本与扩展的样本绘制在一张空间图中，如图5所示，其中空心点为原始样本数据，实心点为扩展样本数据，从对比图像可以看出生成的样本在空间中分布均匀且没有超出原始样本包络的空间，样本均具备有效性。
[0067]
步骤六，将扩展的样本集应用于光谱反射率重建，验证其重建精度，与基于原始样本的主流反射率重建策略的结果相比，利用扩展样本集重建光谱反射率后重建精度大大提升，对促进光谱反射率相关研究具有很大实用价值。
[0068]
具体地，本实施例中的重建方法使用了径向基函数方法，属于神经网络的一种，便于学习光源光谱、光谱反射率和相机特定的rgb值之间的映射，不必要求训练样本与测试样本间必须具有相似性，且适用于大训练样本数量。
[0069]
具体反射率重建过程如图6所示，在实际操作时，本实施例采用了便于实现的三层径向基神经网络，输入层是一个九元素矢量，由三通道光源(nec激光投影仪)光谱下获取的相机输出rgb值组成，隐藏层设计为具有高斯函数的神经元。输出层有线性函数的神经元，加上隐藏层的加权输出。后者将输入向量之间的加权欧氏距离作为输入。最初隐藏层没有节点，重复训练，直到隐藏层的节点增加到设定个数。
[0070]
本实施例中向网络输入上述步骤得到的4607个扩展光谱反射率样本集来训练神经网络，训练好网络后，使用随机抽取的不同的测试集来测试反射率重建精度。图7展示了部分反射率重建的结果，可见重建出的反射率曲线与真实值拟合效果良好，在整个波长范围都取得了良好的重建效果。
[0071]
以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则范围之内所作的任何修改、等同替换以及改进等，均应包含在本发明的保护范围之内。
[0072]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。