Author Affiliations
Abstract
1 Key Laboratory of Photoelectronic Imaging Technology and System of Ministry of Education of China, School of Optics and Photonics, Beijing Institute of Technology, Beijing 100081, China
2 Beijing Institute of Technology Chongqing Innovation Center, Chongqing 401151, China
3 Department of Engineering Science, Institute of Biomedical Engineering, University of Oxford, Oxford OX3 7DQ, UK
4 School of Printing & Packaging Engineering, Beijing Institute of Graphic Communication, Beijing 102600, China
Polarized hyperspectral imaging, which has been widely studied worldwide, can obtain four-dimensional data including polarization, spectral, and spatial domains. To simplify data acquisition, compressive sensing theory is utilized in each domain. The polarization information represented by the four Stokes parameters currently requires at least two compressions. This work achieves full-Stokes single compression by introducing deep learning reconstruction. The four Stokes parameters are modulated by a quarter-wave plate (QWP) and a liquid crystal tunable filter (LCTF) and then compressed into a single light intensity detected by a complementary metal oxide semiconductor (CMOS). Data processing involves model training and polarization reconstruction. The reconstruction model is trained by feeding the known Stokes parameters and their single compressions into a deep learning framework. Unknown Stokes parameters can be reconstructed from a single compression using the trained model. Benefiting from the acquisition simplicity and reconstruction efficiency, this work well facilitates the development and application of polarized hyperspectral imaging.
full-Stokes single compression deep learning reconstruction polarized hyperspectral imaging Chinese Optics Letters
2023, 21(5): 051101
中国科学院空天信息创新研究院中国科学院定量遥感信息技术重点实验室, 北京 100094
传统基于阈值法滤波去噪并结合AIC(Akaike information criterion)的期望最大(EM)分解方法,难以完全有效地消除噪声影响,而在面向小样本目标数据时,AIC的适应性较差。针对该问题,提出了一种改进的EM波形分解方法,采用自适应噪声阈值估计一次性消除背景噪声与随机噪声;针对存在的小样本、弱回波目标数据,使用AICC(Akaike information criterion, corrected)辅助完成EM波形分解。基于多组实测数据对本文方法进行了波形分解,验证了本文方法的有效性和准确性。
遥感 全波形激光雷达 波形分解 去噪 期望最大分解 光学学报
2022, 42(12): 1228003
北京理工大学光电学院信息光子技术工业和信息化部重点实验室, 北京 100081
拉曼光谱技术能够提供与物质特定分子结构相关的光谱信息, 可用于识别生物组织微小的生化变异, 具有快速、 实时、 无损、 无需样本预处理等优点, 在临床病理诊断领域极具应用前景。 与常规组织病理学分析相比, 拉曼光谱技术能够直接检测活体组织, 简化了分析程序, 缩短了诊断时间。 人体病变组织的细胞分子组成和结构可能发生变化, 这为拉曼光谱技术在组织病理诊断中的应用提供了检测依据。 基于组织分子组成与结构的差异, 结合机器学习和化学计量学方法, 拉曼光谱技术可以提供客观的诊断信息, 实现快速、 低侵入的病理诊断。 回顾了近十年来拉曼光谱技术在组织病理诊断中的研究进展, 对取得的关键成果进行了总结, 阐述了当前离体和活体应用拉曼光谱技术的一些关键问题。 针对离体拉曼光谱检测, 重点评估福尔马林固定石蜡包埋样本、 冷冻样本和新鲜组织样本等离体样本的适用情况; 阐述拉曼光谱数据收集的关键技术, 包括适用光源、 光谱范围, 以及病理样本光谱采集的方式等。 对于活体拉曼光谱检测, 重点介绍了活体检测研究中拉曼光谱技术应用的两种形式: 结合医用内窥镜进行体内检测, 以及开放手术中的直接检测; 综述了临床适用的拉曼系统, 重点介绍了当前活体拉曼研究中应用的光纤探头。 同时, 文章也讨论了拉曼光谱数据的处理与分析方法, 通过光谱预处理, 特征提取与分类识别, 构建拉曼光谱病理诊断模型, 在小样本范围能够获得较好的诊断结果。 考虑临床实际应用, 仍需要不断优化分析方法, 实现拉曼光谱与生化信息的关联, 将样本个体差异的影响纳入分类模型中, 以提升模型性能。 文章对拉曼光谱应用于病理诊断中的关键问题进行了讨论, 为进一步开展研究提供参考。 未来需要更深入和广泛地开展离体和活体研究, 以促进拉曼光谱技术在临床中的应用。
拉曼光谱 疾病诊断 术中指导 机器学习 Raman Spectroscopy Disease diagnosis Intraoperative guidance Machine learning 光谱学与光谱分析
2021, 41(4): 1016
