训练样本构成是影响光谱重建精度的一个重要因素, 针对学习型光谱重建算法中训练样本选择问题, 提出了一种基于主成分分析的训练样本选择方法。 为了保证训练样本与重建样本的相似度, 首先根据欧式距离最小原则从待选样本集中选择与重建样本相机响应值相似的样本, 并去掉其中的重复样本; 然后进行主成分分析; 设定阈值筛选各主成分系数较大的样本作为训练样本, 最后得到与主成分个数相同的训练样本子集。 为验证该方法的有效性, 通过在镜头前加载宽带滤色片搭建多通道图像获取系统采集多通道图像信息, 将得到的各样本子集用作训练样本, 利用伪逆法重建光谱信息, 最后将重建的光谱精度与常用的训练样本及训练样本选择方法得到的重建光谱精度进行比较。 实验结果表明: 提出的方法显著提高了光谱重建的色度精度和光谱精度, 优于常用的样本选择方法, 能较大程度满足高精度颜色复制要求。
训练样本选择 主成分分析 光谱重建 多通道图像采集 Representative color samples selection PCA Reflectance reconstruction Multi-channel imaging system 光谱学与光谱分析
2016, 36(5): 1400
苏州大学现代光学技术研究所, 江苏 苏州 215006
详细介绍了分孔径光学系统初始结构参数确定和光学设计方法。分孔径光学系统是一种偏心系统,可分解为多个同轴子系统的组合,在给出其初级像差表达式的基础上,利用PW法及最小二乘法计算其初始结构参数。优化设计得到了适用于偏振成像的、焦距为40 mm、F数为4.5的和工作波长范围为450~650 nm的四孔径光学系统。该系统采用普通光学玻璃,光学总长为120 mm。镜头的成像性能接近于衍射极限,能够满足应用和指标要求。
光学设计 多通道成像 偏心光学系统 PW法