Jun, 2024

高效主动照明相机用于高光谱重建

PDF
TL;DR我们介绍了一种经济、紧凑且易于使用的主动照明相机，可在许多应用中受益，通过测试植物根部成像表明了相机获得了比传统 RGB 相机更多的信息能力，并且可以从多光谱输入重构高光谱数据，与原始高光谱相机数据兼容。
hyper-spectral imagingactive illumination cameraplant root imagingspectral reconstructionhyperspectral applications
发现论文，激发创造
  • SpectralZoom: 自适应高光谱相机的高效分割

    提出一种通过新颖的相机设计和基于 ViT 的算法来减轻高光谱分割的数据占用和计算负担的方法。相机能够自适应地在不同分辨率下采样图像区域或补丁，而不是以高分辨率捕获整个高光谱立方体。分割算法与相机协同工作，仅将基于 ViT 的分割应用于自适应选择的补丁。通过模拟和实际硬件平台展示了精确的分割结果和减少的计算负担。

    Jun, 2024

  • 多光谱立体影像融合用于 3D 高光谱场景重建

    通过将两个校准的多光谱实时摄像机结合成一个立体系统，我们提出了一种新方法来连续捕捉高光谱数据立方体，实现三维重建和光谱分析，以提高空间分辨率和光谱分辨率的视频流，旨在用于手术辅助监控。

    Dec, 2023

  • 基于深度学习的农产品高光谱图像重建质量评估

    通过深度学习从 RGB 图像重建高光谱图像，可用于预测甘薯中的可溶性固形物含量，结果表明基于重建光谱的部分最小二乘回归模型优于使用全光谱范围的模型，突显了基于深度学习的高光谱图像重建作为一种低成本、高效的农业应用工具的潜力。

    May, 2024

  • 农业与生物应用中基于深度学习的高光谱图像重建的比较分析

    利用深度学习进行高光谱图像重建，以实现农产品质量评估的成本效益和高效工具。

    May, 2024

  • 使用单色点投影进行深层次高光谱深度重建

    该论文提出了一种新的单次多光谱深度重建方法，使用 RGB 相机和投影仪，利用单个彩色点图像实现深度重建和空间变化颜色照明的多光谱反射重建，文中介绍了网络架构，并通过实验表明该方法优于现有单次多光谱反射重建方法和深度重建方法的组合。

    Apr, 2022

  • 自动光谱恢复

    我们研发了一个深度学习网络，用于在各种照明条件下估算高光谱图像的照明光谱，并开发了一个数据集 IllumNet 来支持其研究，采用 ResNet18 网络和 3D 内核来适应光谱数据，并使用立方平滑样条误差成本函数平滑预测的照明光谱，实验结果表明该模型可以精确输入照明光谱。

    May, 2023

  • 基于数据驱动的光谱重建的局限性 -- 一种光学感知分析

    通过对 RGB 图像进行数据驱动的光谱重建方法的分析，我们发现当前模型在噪声、压缩和变色上存在限制，然而，通过异色数据增强和光学镜头像差可以提高 RGB 图像对色差信息的编码，从而带来更高性能的光谱成像和重建方法。

    Jan, 2024

  • 水下环境的高光谱三维制图

    本文介绍了一种利用 RGB 相机、惯性导航系统和高光谱推扫相机创建水下 3D 重建的初始方法，并结合同步定位与制图、运动结构和 3D 重建技术，优越地使用它们来创建具有高光谱纹理的 3D 模型，从而克服了平面表面假设和死推航行的经典限制。

    Oct, 2021

  • 多源融合合成高光谱数据集的高光谱空间分辨率提升

    本研究介绍了一个合成高光谱数据集，通过高光谱和高空间分辨率成像实现观测场景或物体的全面、准确、详细的表示，强调多模态融合在生成高质量合成高光谱数据集中的重要性，以及光谱 - 空间关系的改善对于各个领域的分析、监测和决策的影响。

    Jun, 2023

  • 超级彩色化：传播稀疏空间噪声光谱线索，重建高光谱图像

    从灰度引导图像和空间稀疏光谱线索中重构高光谱图像的上色算法，在低秩空间中上色可以减少计算时间和快门噪声的影响，以提高鲁棒性，并超过以往算法在多种性能指标方面，包括 SSIM、PSNR、GFC 和 EMD，这些结果为克服时间 - 空间 - 波长分辨率权衡提供了一种有希望的途径。

    Mar, 2024