留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于压缩感知的液晶可调谐滤波器光谱快速采集方法

孙梽珅 张旭 王宿慧 曹莹莹 郭腾霄 曹树亚

孙梽珅, 张旭, 王宿慧, 曹莹莹, 郭腾霄, 曹树亚. 基于压缩感知的液晶可调谐滤波器光谱快速采集方法[J]. 红外技术, 2021, 43(7): 635-642.
引用本文: 孙梽珅, 张旭, 王宿慧, 曹莹莹, 郭腾霄, 曹树亚. 基于压缩感知的液晶可调谐滤波器光谱快速采集方法[J]. 红外技术, 2021, 43(7): 635-642.
SUN Zhishen, ZHANG Xu, WANG Suhui, CAO Yingying, GUO Tengxiao, CAO Shuya. Fast Spectral Acquisition Method Based on Compressed Sensing for Liquid Crystal Tunable Filters[J]. Infrared Technology , 2021, 43(7): 635-642.
Citation: SUN Zhishen, ZHANG Xu, WANG Suhui, CAO Yingying, GUO Tengxiao, CAO Shuya. Fast Spectral Acquisition Method Based on Compressed Sensing for Liquid Crystal Tunable Filters[J]. Infrared Technology , 2021, 43(7): 635-642.

基于压缩感知的液晶可调谐滤波器光谱快速采集方法

基金项目: 

国民核生化灾害防护国家重点实验室科研基金 SKLNBC2019-2

详细信息
    作者简介:

    孙梽珅(1992-),男,助理工程师,主要从事危险化学品远距离探测技术研究。E-mail: sunzhishen@szs.anonaddy.com

    通讯作者:

    郭腾霄(1985-),男,工程师,主要从事化学气体远距离探测技术研究。E-mail: guotengxiao@sklnbcpc.cn

    曹树亚(1973-),男,研究员,主要从事危险化学品现场检测与远距离探测识别。E-mail: caoshuya@sklnbcpc.cn

  • 中图分类号: TP393

Fast Spectral Acquisition Method Based on Compressed Sensing for Liquid Crystal Tunable Filters

  • 摘要: 为提高液晶可调谐滤波器(Liquid Crystal Tunable Filter, LCTF)的光谱采集效率,提出了一种适用于LCTF光谱成像系统的快速采集方法,设计构建了更加完善的观测矩阵,在压缩感知理论框架内实现了光谱超分辨率重建,并通过实验验证了该方法的可行性。实验结果表明,在采样率为18.08%(采样步长30 nm)时,重建得到的4.81 nm分辨率光谱与传统全采样光谱的相关系数为0.91,超分辨率重建峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)为99.63 dB,采集速度是传统方式的5.53倍。该方法在保证光谱分辨率和光谱识别准确率的前提下,实现了光谱数据的快速和轻量化采集,为动态目标测量和快速检测提供了可行的技术途径,拓展了LCTF光谱成像技术的应用场景。
  • 图  1  观测模型的数学表达示意图

    Figure  1.  Schematic diagram of the observation model's mathematical representation

    图  2  观测模型的数学表达

    Figure  2.  The mathematical representation of the observation model

    图  3  高光谱数据采集平台及实验环境

    Figure  3.  Hyperspectral data acquisition platform and experimental environment

    图  4  高光谱平台采集特征图像

    Figure  4.  Feature image collected by hyperspectral platform

    图  5  DCT变换前后信号对比

    Figure  5.  Comparison of signals before and after DCT transform

    图  6  对比选择合适的重建分辨率和采样分辨率

    Figure  6.  Comparison and selection the appropriate reconstruction resolution and sampling resolution

    图  7  不同参数下的原始光谱与重建光谱对比

    Figure  7.  Comparison of original and reconstructed spectrum under different parameters

  • [1] 王捷, 周伟, 姚力波. 国外成像侦察技术现状及发展趋势[J]. 海军航空工程学院学报, 2012, 27(2): 199-204. https://www.cnki.com.cn/Article/CJFDTOTAL-HJHK201202018.htm

    WANG Jie, ZHOU Wei, YAO Libo. The status and development trend of imaging reconnaissance technology abroad[J]. Journal of Naval Aeronautical Engineering Institute, 2012, 27(2): 199-204. https://www.cnki.com.cn/Article/CJFDTOTAL-HJHK201202018.htm
    [2] 贺霖, 潘泉, 邸韡, 等. 高光谱图像目标检测研究进展[J]. 电子学报, 2009, 37(9): 2016-2024. doi:  10.3321/j.issn:0372-2112.2009.09.024

    HE Lin, PAN Quan, DI Hua, et al. Research progress of target detection in hyperspectral images[J]. Electronic journals, 2009, 37(9): 2016-2024. doi:  10.3321/j.issn:0372-2112.2009.09.024
    [3] 王建成, 朱猛. 高光谱侦察技术的发展[J]. 航天电子对抗, 2019, 35(3): 37-45. doi:  10.3969/j.issn.1673-2421.2019.03.009

    WANG Jiancheng, ZHU Meng. The development of hyperspectral reconnaissance technology[J]. Aerospace Electronic Countermeasures, 2019, 35(3): 37-45. doi:  10.3969/j.issn.1673-2421.2019.03.009
    [4] 张海丹. 基于高光谱成像系统的火焰三维温度场和烟黑浓度场重建研究[D]. 杭州: 浙江大学, 2016.

    ZHANG Haidan. Reconstruction of Flame Temperature Field and Smoke Concentration Field Based on Hyperspectral Imaging System[D]. Hang Zhou: Zhejiang University, 2016.
    [5] 刘逸飞. 基于光谱分析与深度信息的人脸活体检测[D]. 北京: 北京交通大学, 2017.

    LIU Yifei. Face in Vivo Detection Based on Spectral Analysis and Depth Information[D]. Beijing: Beijing Jiaotong University, 2017.
    [6] 朱思祁. 基于液晶滤波器件的高光谱显微成像系统设计及生物检测应用[D]. 广州: 暨南大学, 2015.

    ZHU Siqi. Design of Hyperspectral Microscopic Imaging System Based on Liquid Crystal Filter and Its Application in Biological Detection[D]. Guang Zhou: Jinan University, 2015.
    [7] Donoho D L. Compressed Sensing[J]. IEEE Transactions on Information Theory, 2006, 52(4): 1289-1306. doi:  10.1109/TIT.2006.871582
    [8] Candès E, 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. doi:  10.1109/TIT.2005.862083
    [9] 汪琪, 马灵玲, 李传荣, 等. 一种基于压缩感知理论的LCTF光谱超分辨方法[J]. 北京理工大学学报, 2018, 38(1): 40-45, 72. https://www.cnki.com.cn/Article/CJFDTOTAL-BJLG201801007.htm

    WANG Qi, MA Lingling, LI Chuanrong, et al. LCTF Spectral Superresolution Method Based on Compressed Sensing Theory[J]. Journal of Beijing Institute of Technology, 2018, 38(1): 40-45, 72. https://www.cnki.com.cn/Article/CJFDTOTAL-BJLG201801007.htm
    [10] Candès E, Wakin MB. An Introduction to Compressive Sampling[J]. IEEE Signal Processing Magazine, 2008, 25(2): 21-30. doi:  10.1109/MSP.2007.914731
    [11] Guimaraes DA, Floriano G, Chaves LS. A Tutorial on the Cvx System for Modeling and Solving Convex Optimization Problems (um Tutorial Sobre a Aplicao Do Cvx Na Soluo De Problem as De Otimizao Convexa)[J]. IEEE Latin America Transactions, 2015, 13(5): 1228-1257. doi:  10.1109/TLA.2015.7111976
  • 加载中
图(7)
计量
  • 文章访问数:  275
  • HTML全文浏览量:  157
  • PDF下载量:  29
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-02-20
  • 修回日期:  2021-04-25
  • 刊出日期:  2021-07-01

目录

    /

    返回文章
    返回