光谱反射率基础

版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接: https://blog.csdn.net/weixin_43269204/article/details/93362040

目录

一、光谱反射率概念  

二、 相机成像模型  


一、光谱反射率概念  

       当光源照射到物体表面,物体会对不同波长的电磁波产生选择性反射,光谱反射率是指在某波段被物体反射的光通量与入射到物体上的光通量之比,是物体表面的本质属性。光谱反射率是物体本身对颜色的表征,不仅全面地记录了物体的颜色信息,而且也是物体表面材质的表示方式。

        通常测量光谱反射率的仪器是分光光度计。下图是根据分光光度计所测得的Macbeth经典色卡的光谱反射率曲线之一,可以发现光谱反射率曲线一般都是连续且平滑的,可见光的范围一般为380nm-780nm,但是由于普通的彩色数码相机只能捕获红绿蓝三色波段信息,并且只覆盖400-700nm的波段范围,所以我们取400-700nm 可见光波段范围的光谱反射率。

                                                                 

                                                                图1.1 Macbeth经典色卡的光谱反射率曲线

二、 相机成像模型  

       光谱反射率的重建都是基于相机成像模型建立的,如图所示,光源照射到物体上形成入射光,经过物体表面对入射光的吸收、漫反射、镜面反射等最后形成反射光:             

     (1)若反射光被人眼感知捕获,就会在人眼形成综合视觉,这也是我们看清物体的原因;

     (2)若反射光通过各种各样的滤光片,再通过相机获得系统响应值,这样的系统称为多光谱成像系统,由于该系统滤光片的设置比较复杂,限制了该系统的应用;

     (3)若反射光直接由彩色相机捕获,形成RGB图像,获得系统响应值,这样的系统是基于RGB图像的相机成像系统,由于此系统分辨率较高、成像速度快、价格便宜等优点,所以该系统现在应用最为广泛。

 

                                              

                                                                          图 2.1 相机成像模型

        假设彩色数码相机的光电转换函数为理想的线性模型,设P(λ)为照明光源的光谱功率分布函数,R(λ)为物体表面的光谱反射率,C(λ)为相机的光谱灵敏度函数,包含了相机光学系统的透射率和相机光学元件的光谱敏感函数,λ 的变化范围为 400-700nm,则对应一个像素点或者一个样本的数码相机第 i 个通道的响应值为输出可以表示为如下积分:

                                                           I_{i}=\int_{400}^{700}S(\lambda )R(\lambda )C(\lambda )d\lambda +b_{i}+n_{i}                 

       上式中bini分别为相机的暗电流噪声和系统整体噪声,其中ni为均值为0的高斯白噪声,可以通过去除暗电流和校正光照不均匀性来消除噪声。P(λ)和C(λ)都为与系统相关的光谱函数,其具体的光谱函数是很难测定得出的,由于这几个函数都是与反射率R(λ)直接相乘的关系而且都是并列的。因此,为了更好的表达光谱重建的过程我们将这两个函数合并为单一的光谱响应函数Q(λ)Q(λ)=P(λ)C(λ)在忽略噪声参数后,可以简化为:

                                                                        I_{i}=\int_{400}^{700}Q(\lambda )R(\lambda )d\lambda

       上式更加简洁的表达了物体表面的光谱反射率转化为相机响应的这一过程。在实际的系统中,对这样的系统建模一般采取离散取点的方式来建立模型。考虑到所选可见光波长范围是400nm-700nm,光谱反射率曲线一般是光滑连续变化的,若以10nm的采样间隔点来表示光谱反射率曲线,从而将光谱反射率R(λ)表示为一个N×M维的向量R,对应的N为31,代表波段通道数,M代表样本数量。由于系统的相机响应由各个通道的响应值组成,Ii表示为M×C维的向量,其中C代表所用光源数量,i是系统中相机的光谱通道数,这里由于我们使用的是彩色数码相机,因此M的取值是3,分别代表R,G,B三个通道。经过简化,积分形式可以写为如下矢量矩阵的形式:

                                                                                      I{_{i}}=QR

       上式中Q为包含了照明光源的光谱功率分布函数P(λ)和相机的光谱敏感函数C(λ)的相机整体光谱响应函数矩阵,是一个C×N的矩阵;I是像素点或样本的响应值矢量,是一个C×M的矩阵;上式就是反射率重建研究的模型的基础。光谱反射率重建就是建立反射率R与响应值I之间的关系,使得能够通过下式从低维度的相机响应值I重建得到高维度的光谱反射率Rrec

                                                                                      R{_{rec}}=MI

上式中Rrec是重建样本的光谱反射率,M是由训练样本数据通过反射率重建算法计算得到的从相机响应值到光谱反射率之间转换的矩阵,I是重建样本的相机响应值。光谱反射率重建的精度取决于求解转换矩阵M的方法,求解得到的转换矩阵越精确,那么重建出来的反射率与真实反射率之间的差别也就越小,该重建算法也就越好。

### 高光谱反射率数据去噪处理 #### 去噪的重要性 高光谱图像(Hyperspectral Images, HSIs)由于其高维度特性,在获取过程中容易受到多种噪声源的影响,如传感器噪声、大气干扰等。这些噪声会降低后续分析的准确性,因此有效的去噪方法对于提高HSI质量至关重要[^2]。 #### 主要去噪方法和技术 ##### 1. 多维滤波器 多维滤波器通过考虑空间域和光谱域的相关性来去除噪声。常见的有均值滤波、中值滤波以及自适应加权平均滤波等。这类方法简单易实现,但在复杂场景下可能效果有限。 ##### 2. 变分模型与偏微分方程(PDEs) 变分框架下的总变差(TV)正则化及其改进版本被广泛应用在HSI降噪任务上。TV正则项有助于保持边缘特征的同时平滑其他区域内的波动。此外,基于PDE的方法也可以用于建模并求解特定条件下的最优解路径。 ##### 3. 字典学习(DL)-稀疏编码(SC) 字典学习结合了局部线性和全局非线性的特点,能够在较低冗余度条件下表示原始信号。具体来说,先构建一组过完备基底作为“词典”,再利用SC算法找到最能代表输入样本组合方式的一组系数向量。这种方法特别适合于表达自然界的物理规律,并且已被证明对HSI非常有效。 ##### 4. 张量分解法 鉴于传统矩阵分解难以应对三维及以上结构的数据集,张量分解提供了更灵活的选择。它不仅保留了原有维度之间的内在联系,而且可以通过低秩近似的方式减少不必要的细节损失。例如CANDECOMP/PARAFAC(CP),Tucker Decomposition都是常用的几种形式之一[^1]。 #### 实现工具推荐 - **MATLAB**: 提供了一系列内置函数支持上述提到的各种经典算法; - **Python (scikit-image)**: 开源库skimage包含了大量基础图像处理功能模块; - **TensorLy**: 这是一个专注于高效计算张量操作的Python包,非常适合用来实验最新的研究思路; ```python import tensorly as tl from tensorly.decomposition import tucker def denoise_hsi(data_tensor): core, factors = tucker(data_tensor, rank=[r1,r2,r3]) # r1,r2,r3分别为各模式下的截断等级 reconstructed_data = tl.tucker_to_tensor((core,factors)) return reconstructed_data ```
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值