电子式多狭缝组合编码高光谱成像系统 下载: 1490次
1 引言
压缩感知又称压缩采样,具有对信号同时进行压缩并采样且可以以低于奈奎斯特采样定理规定的采样率获取全部信息的优势[1-2],在无线通信、图像处理等领域取得了重大应用和飞速发展。在光谱成像领域内,自Rice大学提出单像素相机以来[3],Sun等[4]提出压缩光谱成像系统(CHSI),August等[5]提出对空间信息和光谱信息同时进行编码压缩的光谱成像系统(CHSISS),Du等[6]提出PMVIS系统,Lin等[7]提出SSCSI系统,Lin等[8]提出DCSI系统,等。Duke大学DISP研究小组于2007年提出编码孔径光谱成像(CASSI)系统,包含单色散结构的SD-CASSI[9-10]和双色散结构的DD-CASSI[11]。CASSI系统是将三维数据立方体成像通过探测矩阵将信号映射到二维探测器面阵上,形成混叠信息,并最终通过重构算法重构出完整信息。值得一提的是,2016年由Liu等[12]提出的GISC(ghost imaging via sparsity constraints)光谱相机系统同样是利用压缩感知重建实现了光谱成像系统。与CASSI系统不同的是,GISC利用的是随机相位编码,可以同时实现分光和调制,而后者利用的是空间编码,仅编码空间信息,而光谱信息则由光栅等分光器件分光得到。CASSI系统采用二维高斯随机编码,所建立的数学模型是以将整个成像目标的三维数据立方体向量化为前提,然而,通过向量化得到的向量维度非常高,一般的数据处理系统难以处理。针对此问题,2017年,刘世界等[13]提出将整个光谱数据立方体分成若干个低维度的子向量进行处理,使得现实中的普通计算机等计算平台具有处理数据的可能性。本文通过对数学模型进行分析,首先提出只在水平方向上具有高斯随机性的编码,而非在竖直方向同时具有高斯随机性的二维随机编码。与传统单狭缝式光谱成像系统相比,本文编码方式可以将该编码形式理解为多狭缝组合式编码,可将二维随机编码的编码复杂度从O(n2)降低到O(n),使得数学建模和恢复更加简单。基于此进行实际系统的成像实验,验证了本编码方式的可行性和优越性,并对该系统成像质量和光谱定标进行了简要分析,为编码孔径光谱成像系统提供了新思路。
2 基本原理和实验仿真
2.1 数学模型的建立和数字仿真
单色散的编码孔径光谱成像 (SD-CASSI)系统示意图如
假设有一个大小为1×8×4的数据立方体,记数据立方体为C,ci,j, l为C的第i行、j列、第l个波段数据;编码模板矩阵为M,mi,k为第k次测量时,第i个位置编码模板数据;探测器接收数据为D,di,j,k为第k次测量的探测器上第i行、j列的数据。将SD-CASSI系统的数据流简化,如
从
不失一般性,单独研究d1,4,k,可以将其表达式写作向量相乘的形式,即
记
则有
令
其中n为采样总次数,于是有
由此,(2)式建立了求解向量c1的压缩感知方程,其中M1为其对应的测量子矩阵。
上述形式是将光谱数据立方体按照数据流对应的关系,以空谱混合的方式进行重新排列,形成待重构向量化,建立了探测数据和恢复数据严格符合压缩感知方程形式的数学关系,很好地解决了重构问题。
从以上的推导过程可以看出,由于色散仅仅发生在水平方向上,该系统行与行之间的数据采样和恢复是相互独立的,数学模型建立了特定行的编码和目标的对应关系,因此可以不失一般性地单独对一行进行分析。实际上,压缩感知理论表明,测量矩阵应该具有一定的普适性,针对不同的目标可以利用相同的矩阵进行测量,因此可以将面阵的高斯随机编码变为每一行的编码,并且对不同行设置为相同的编码,此时编码将由面随机编码变成一维高斯随机编码,如
图 3. 二维随机编码与多狭缝组合编码对比。 (a)二维随机编码;(b)多狭缝组合编码
Fig. 3. Comparison of two-dimensional random coding and multi-slot combination coding. (a) Two-dimensional random coding; (b) multi-slot combination coding
测量子矩阵和测量向量的对应关系如
图 4. 测量矩阵与测量向量的对应关系
Fig. 4. Correspondence between the measured matrix and measured vector
图 5. 编码采样结果和不同采样率恢复结果。 (a)原图;(b)传统采样数据;(c)编码采样数据; (d) 20%采样恢复;(e) 50%采样恢复 (f) 80%采样恢复
Fig. 5. Coded sampling results and recovery results with different sampling rates. (a) Original image; (b) traditional sampling data; (c) coded sampling data; (d) 20% sampling recovery; (e) 50% sampling recovery; (f) 80% sampling recovery
图 6. 不同采样率下光谱恢复结果对比
Fig. 6. Comparison of spectral recovery results at different sampling rates
显然,SCF的值越接近于1,两条曲线就越接近,即恢复曲线的精度越高。
恢复结果的pSNR和SCF如
图 7. 不同采样率恢复结果评价。(a)空间信息恢复的pSNR;(b)光谱信息恢复的SCF
Fig. 7. Evaluation of recovery results for different sampling rates. (a) pSNR for spatial information recovery; (b) SCF for spectral information recovery
2.2 实验系统
本文采用液晶光阀作为系统的编码器件。在光电子学中,液晶光阀是当前飞速发展的一种重要的空间光调制器(SLM),通过电压控制液晶分子的折射率来实现对光的相位延迟,具有开关响应迅速、对比度高等优点。通过设置液晶光阀每一个单元的开与关,实现特定光线的透过和阻挡,进而实现编码功能。将液晶光阀放置在传统推扫式成像光谱仪的狭缝位置,即成像系统中的一次像面上,通过调制液晶光阀的编码实现对一次像面的编码调制,调制后的空间信息经光谱色散器件后由探测器接收,接收到的信息即为经过编码的空间和光谱的混叠信息。
系统组成如
图 8. 基于液晶光阀的电子式多狭缝组合编码高光谱成像系统
Fig. 8. Electronic multi-slot combined encoding hyperspectral imaging system based on liquid crystal light valve
在此基础上,展开对外成像实验,系统采用施密特-卡塞格林系统星特朗6SE望远镜。望远镜的口径为150 mm,焦距为1500 mm,焦比为10。
图 9. 实验用成像目标和实验采样结果。(a)成像目标;(b)采样结果
Fig. 9. Imaging target and sampling results used in experiment. (a) Imaging target; (b) sampling results
图 10. 不同采样率实验下的恢复结果。(a) 20%;(b) 50%;(c) 80%
Fig. 10. Recovery results of experiments with different sampling rates. (a) 20%; (b) 50%; (c) 80%
图 11. 不同位置下光谱恢复的结果。(a)位置1和位置2;(b)位置3和位置4
Fig. 11. Spectral recovery results at different positions. (a) Position 1 and position 2; (b) position 3 and position 4
图 12. 室外实验,不同采样率下的恢复结果。(a) 80%采样率下恢复的数据立方体;(b)不同采样率下位置A的光谱曲线恢复结果
Fig. 12. Recovery results under different sampling rates in outdoor experiments. (a) Data cube recovered at 80% sampling rate; (b) recovery result of spectral curve at position A under different sampling rates
3 分析与讨论
从以上过程中可以看出,在欠采样情况下,探测目标的空间和光谱信息都得到了很好的恢复,其中压缩感知的重构算法是直接决定最终恢复数据质量的一个核心。为了评价算法的性能,本文选取目前主流的5种算法,并将中国科学院上海技术物理研究所研制的PHI光谱成像仪采集数据作为验证对象,从中随机选取100个64×64×100个数据立方体,进行三种采样率情况下的仿真恢复,并求出100个结果对应pSNR和SCF的均值,其中稀疏基统一采用DCT变换基。
从
表 1. 不同算法在不同采样率下的数字仿真结果
Table 1. Digital simulation results of different algorithms under different sample rates
|
对于该系统,当待恢复光谱数据立方体大小为M×N×L时,对应一次采样在探测器上的有效面规格为M×(M+N-1)。在色散方向上,不同视场位置对应不同的入射路径,相应位置的光谱成像质量不同,具体表现为中心视场位置信噪比最高,两侧视场信噪比随半径的增大逐渐降低,原因在于当狭缝处在中心视场位置时中心视场的通光量最大,而两边的通光量随半径的增大逐渐变少。如
4 结论
针对基于压缩感知的编码孔径光谱成像系统,提出多狭缝随机组合编码高光谱成像系统。该编码系统在严格符合压缩感知模型的同时,相对于二维高斯随机编码具有更低的复杂度,前者需要建立O(N2)个测量矩阵,而多狭缝编码只需建立O(N)个测量矩阵。利用具有高帧频的液晶光阀作为狭缝编码器件进行了实际系统的验证,结果显示,在20%采样率下,可以恢复目标光谱和空间的主要信息,随着采样率的提高,恢复精度逐渐变高,表明该系统具有很好的可行性。但同时本文系统从原理上就不同于传统成像光谱仪,具体表现为面视场成像时不同视场位置的成像质量和光谱定标技术的不同。同时指出,由于液晶光阀具有较低的光学利用率,经过实测平均利用率低于20%,这使得恢复结果质量受到很大的影响,也是本文部分恢复结果质量较差的主要原因之一。而机械移动式掩模板,具有和传统狭缝一样高的光学利用率,利用其作为编码器件可以避免该问题,同时一维多狭缝随机组合编码,可为掩模板的工程校准等带来了更大的方便,未来将对其进行更深入的研究。
[1] Donoho D L. Compressed sensing[J]. IEEE Transactions on Information Theory, 2006, 52(4): 1289-1306.
[2] Candes E J, Romberg J, Tao T. Robust uncertainty principles: exact signal reconstruction from highly incomplete frequency information[J]. IEEE Transactions on Information Theory, 2006, 52(2): 489-509.
[3] Duarte M F, Davenport M A, Takhar D, et al. Single-pixel imaging via compressive sampling[J]. IEEE Signal Processing Magazine, 2008, 25(2): 83-91.
[4] SunT, KellyK. Compressive sensing hyperspectral imager[C]∥Computational Optical Sensing and Imaging, October 13-15, 2009, San Jose, California, United States. Washington, D.C.: OSA, 2009: CTuA5.
[6] DuH, TongX, CaoX, et al. A prism-based system for multispectral video acquisition[C]∥2009 IEEE 12th International Conference on Computer Vision, September 29-October 2, 2009, Kyoto, Japan. New York: IEEE, 2009: 175- 182.
[7] Lin X, Liu Y B, Wu J M, et al. Spatial-spectral encoded compressive hyperspectral imaging[J]. ACM Transactions on Graphics, 2014, 33(6): 233.
[9] Wagadarikar A A, Pitsianis N P, Sun X B, et al. Spectral image estimation for coded aperture snapshot spectral imagers[J]. Proceedings of SPIE, 2008, 7076: 707602.
[10] Kittle D, Choi K, Wagadarikar A, et al. Multiframe image estimation for coded aperture snapshot spectral imagers[J]. Applied Optics, 2010, 49(36): 6824-6833.
[11] Gehm M E, John R, Brady D J, et al. Single-shot compressive spectral imaging with a dual-disperser architecture[J]. Optics Express, 2007, 15(21): 14013-14027.
[12] Liu Z T, Tan S Y, Wu J R, et al. Spectral camera based on ghost imaging via sparsity constraints[J]. Scientific Reports, 2016, 6: 25718.
[13] 刘世界, 张旭东, 张月, 等. 多帧图像编码孔径光谱成像技术[J]. 红外与毫米波学报, 2017, 36(6): 799-804.
[14] Tropp J A, Gilbert A C. Signal recovery from random measurements via orthogonal matching pursuit[J]. IEEE Transactions on Information Theory, 2007, 53(12): 4655-4666.
[15] 吕绪良, 贾其, 荣先辉, 等. 灰色关联度在光谱曲线相似度分析中的应用[J]. 解放军理工大学学报(自然科学版), 2011, 12(5): 496-500.
[16] Aharon M, Elad M, Bruckstein A. K-SVD: an algorithm for designing overcomplete dictionaries for sparse representation[J]. IEEE Transactions on Signal Processing, 2006, 54(11): 4311-4322.
[17] Chen S S, Donoho D L, Saunders M A. Atomic decomposition by basis pursuit[J]. SIAM Journal on Scientific Computing, 1998, 20(1): 33-61.
[18] ChartrandR, Yin WT. Iteratively reweighted algorithms for compressive sensing[C]∥2008 IEEE International Conference on Acoustics, Speech and Signal Processing, March 31-April 4, 2008, Las Vegas, NV, USA. New York: IEEE, 2008: 3869- 3872.
[19] Figueiredo M A T, Nowak R D, Wright S J. Gradient projection for sparse reconstruction: application to compressed sensing and other inverse problems[J]. IEEE Journal of Selected Topics in Signal Processing, 2007, 1(4): 586-597.
[20] Blumensath T, Davies M E. Iterative thresholding for sparse approximations[J]. Journal of Fourier Analysis and Applications, 2008, 14(5/6): 629-654.
Article Outline
刘世界, 李春来, 徐睿, 唐国良, 王建宇. 电子式多狭缝组合编码高光谱成像系统[J]. 光学学报, 2020, 40(1): 0111026. Shijie Liu, Chunlai Li, Rui Xu, Guoliang Tang, Jianyu Wang. Hyperspectral Imaging System Using Electronic Multi-Slot Combination Coding[J]. Acta Optica Sinica, 2020, 40(1): 0111026.