基于双光路RGB融合的高分辨率高光谱成像方法及装置

基于双光路rgb融合的高分辨率高光谱成像方法及装置
技术领域
1.本发明涉及高光谱成像技术领域，具体涉及一种基于双光路rgb融合的高分辨率高光谱成像方法及装置。


背景技术：

2.高光谱成像以窄带记录现实世界的场景光谱，其中每个波段捕获特定光谱波长的信息，与普通rgb图像相比，高光谱图像具有更多通道，储存了更丰富的场景信息，基于这一特点，高光谱图像在遥感、医学诊断、目标检测等领域有广泛的应用。传统高光谱相机光路复杂，难以实现高分辨率和高信噪比成像，导致高光谱图像应用价值的降低，并且通过现有成像设备获取高分辨率高光谱图像存在成本高昂的问题，如何精确、低成本地获取高分辨率的高光谱图像这一关键技术问题吸引了众多关注。


技术实现要素：

3.本发明要解决的技术问题：针对现有技术的上述问题，提供一种基于双光路rgb融合的高分辨率高光谱成像方法及装置，本发明旨在针对同一场景两个光路的rgb图像获得高空间分辨率的高光谱图像，从而显著提升高光谱图像的获取精度，大幅降低高光谱图像的获取成本。
4.为了解决上述技术问题，本发明采用的技术方案为：一种基于双光路rgb融合的高分辨率高光谱成像方法，包括：s101，将针对同一场景两个光路的rgb图像进行融合得到融合图像；s102，对时间步从最大时间步数t开始进行逆序均匀采样；s103，首先计算时间步为最大时间步数t时的加噪高频信息；然后针对每一个时间步，根据时间步的加噪高频信息以及下式求解时间步的加噪高频信息直至时获得无噪高频信息：，上式中，表示时间步的加噪权重的累乘，表示时间步的加噪权重，为预先训练好的噪声预测网络，和为两个光路的rgb图像，为时间步的方差项，为高斯噪声；s104，将融合图像和无噪高频信息相加得到高光谱图像。
5.可选地，步骤s101中进行融合得到融合图像的函数表达式为：，
，上式中，和分别为两条光路的相机采样函数矩阵的广义逆，和为两个光路的rgb图像的光谱上采样结果，和为两个光路的rgb图像。
6.可选地，步骤s103中加噪高频信息的计算函数表达式为：，上式中，表示时间步的加噪权重的累乘，表示对两个光路的rgb图像进行光谱上采样然后沿通道维进行逐像素相加得到高频信息，表示高斯噪声的标签值，且有：，，上式中，和为中间变量，和表示两个光路的rgb图像的训练样本，和为两个光路的rgb图像的训练样本对应的高光谱图像，和分别为两条光路的相机采样函数矩阵的广义逆。
7.可选地，步骤s202中时间步的方差项的计算函数表达式为：，上式中，表示加噪权重的累乘，表示加噪权重的累乘，表示时间步的加噪权重。
8.可选地，所述噪声预测网络包括：光谱融合模块sfm，用于将针对同一场景两个光路的rgb图像进行融合得到图像；信息激活模块iam，用于将光谱融合获得的图像、当前时刻t的加噪高频信息沿着通道维逐像素相加进行信息激活得到激活后的加噪高频信息；多尺度噪声预测模块nprdm，用于将激活后的加噪高频信息进行多尺度噪声预测得到高斯噪声。
9.可选地，所述光谱融合模块sfm进行光谱融合的函数表达式为：，上式中，表示光谱融合获得的图像，表示卷积核为3
×
3的二维卷积层，表示沿通道维堆叠操作，表示光谱上采样操作，和表示同一场景的两张rgb图像的训练样本；所述信息激活模块iam进行信息激活的函数表达式为：，上式中，代表gelu激活层，表示卷积核为3
×
3的二维卷积层，
表示光谱融合获得的图像，表示当前时刻t的加噪高频信息；所述多尺度噪声预测模块nprdm将激活后的加噪高频信息进行多尺度噪声预测得到高斯噪声包括：s201，将激活后的加噪高频信息利用噪声提取模块neb得到特征；所述噪声提取模块neb包括依次相连的卷积核为3
×
3的二维卷积层、gelu激活层以及卷积核为3
×
3的二维卷积层；s202，将特征首先通过卷积核为4
×
4的二维卷积层进行通道下采样，然后再利用噪声提取模块neb得到特征；将特征首先通过卷积核为4
×
4的二维卷积层进行通道下采样，然后再利用噪声提取模块neb得到特征；s203，将特征首先通过卷积核为2
×
2的二维反卷积层进行通道上采样，再与特征堆叠后利用噪声提取模块neb得到特征；将特征首先通过卷积核为2
×
2的二维反卷积层进行通道上采样，再与特征堆叠后利用噪声提取模块neb得到特征通过卷积核为3
×
3的二维卷积层得到高斯噪声。
10.可选地，步骤s103之前还包括训练噪声预测网络：s301，基于成像模型建立下式所示的高光谱图像和rgb图像的映射关系：，上式中，为光谱上采样矩阵，为高频信息；s302，获取用于作为训练数据的rgb-高光谱图像对、，和表示同一场景两个光路的rgb图像的训练样本，和表示和对应的高光谱图像；s303，根据成像模型将和同一场景两个光路的rgb图像进行光谱上采样，然后沿通道维进行逐像素相加得到高频信息；s304，生成高斯噪声的标签值，并对时间步数进行顺序均匀采样；s305，分别设定各个时间步的加噪权重，并计算各个时间步的加噪高频信息；s306，将加噪高频信息、同一场景两个光路的rgb图像和、时间步数三个参数送入噪声预测网络，并采用损失函数进行梯度下降优化从而得到训练好的噪声预测网络，所述损失函数的函数表达式为：，上式中，表示噪声预测网络的网络参数的梯度，为高斯噪声的标签值，为噪声预测网络预测得到的噪声。
11.此外，本发明还提供一种基于双光路rgb融合的高分辨率高光谱成像装置，包括分光棱镜、高透滤光片、第一rgb传感器、第二rgb传感器和图像处理模块，所述分光棱镜输出
的一路光线经过高透滤光片在第一rgb传感器中形成同一场景的第一个光路的rgb图像，所述分光棱镜输出的另一路光线在第二rgb传感器形成同一场景的第二个光路的rgb图像，所述第一rgb传感器、第二rgb传感器分别与图像处理模块相连，所述图像处理模块用于被编程或配置以执行所述基于双光路rgb融合的高分辨率高光谱成像方法以将同一场景两个光路的rgb图像进行高光谱成像得到高光谱图像。
12.此外，本发明还提供一种基于双光路rgb融合的高分辨率高光谱成像装置，包括相互连接的微处理器和存储器，所述微处理器被编程或配置以执行所述基于双光路rgb融合的高分辨率高光谱成像方法。
13.此外，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序用于被微处理器编程或配置以执行所述基于双光路rgb融合的高分辨率高光谱成像方法。
14.和现有技术相比，本发明主要具有下述优点：1、本发明基于高光谱图像和rgb图像的映射关系，借助了基于噪声预测网络的扩散模型实现了对高光谱图像高频信息的准确预测，从而能够基于所输入的rgb图像，获取高空间分辨率（1000
×
1000以上）的高光谱图像，可高效解决通过现有成像设备获取高分辨率高光谱图像极其困难的问题，大幅降低高分辨率高光谱图像的获取成本。
15.2、本发明基于双光路rgb融合的高分辨率高光谱成像装置借助简便的分路成像方案，实现了对场景信息中特征光谱的高效互补采样，显著提升成像信息的信噪比。
附图说明
16.图1为本发明实施例方法的基本流程示意图。
17.图2为本发明实施例中噪声预测网络的结构示意图。
18.图3为本发明实施例中成像装置的结构示意图。
具体实施方式
19.如图1 ，本实施例基于双光路rgb融合的高分辨率高光谱成像方法包括：s101，将针对同一场景两个光路的rgb图像进行融合得到融合图像；s102，对时间步从最大时间步数t开始进行逆序均匀采样；s103，首先计算时间步为最大时间步数t时的加噪高频信息；然后针对每一个时间步，根据时间步的加噪高频信息以及下式求解时间步的加噪高频信息直至时获得无噪高频信息：，上式中，表示时间步的加噪权重的累乘，表示时间步的加噪权重，为预先训练好的噪声预测网络，和为两个光路的rgb图像，为时间步的方差项，为高斯噪声，且有，当且仅当t＞1时，取；
s104，将融合图像和无噪高频信息相加得到高光谱图像，可表示为：。
20.本实施例中，步骤s101中进行融合得到融合图像的函数表达式为：，，上式中，和分别为两条光路的相机采样函数矩阵的广义逆，和为两个光路的rgb图像的光谱上采样结果，和为两个光路的rgb图像。
21.本实施例中，步骤s103中加噪高频信息的计算函数表达式为：，上式中，表示时间步的加噪权重的累乘，表示对两个光路的rgb图像进行光谱上采样然后沿通道维进行逐像素相加得到高频信息，表示高斯噪声的标签值，且有：，，上式中，和为中间变量，和表示两个光路的rgb图像的训练样本，和为两个光路的rgb图像的训练样本对应的高光谱图像，和分别为两条光路的相机采样函数矩阵的广义逆。
22.本实施例中，步骤s202中时间步的方差项的计算函数表达式为：，上式中，表示加噪权重的累乘，表示加噪权重的累乘，表示时间步的加噪权重。
23.如图2所示，本实施例中的噪声预测网络包括：光谱融合模块sfm，用于将针对同一场景两个光路的rgb图像进行融合得到图像；信息激活模块iam，用于将光谱融合获得的图像、当前时刻t的加噪高频信息沿着通道维逐像素相加进行信息激活得到激活后的加噪高频信息；多尺度噪声预测模块nprdm，用于将激活后的加噪高频信息进行多尺度噪声预测得到高斯噪声。
24.参见图2，光谱融合模块sfm进行光谱融合的函数表达式为：，上式中，表示光谱融合获得的图像，表示卷积核为3
×
3的二维
卷积层，表示沿通道维堆叠操作，表示光谱上采样操作（本实施例中通过3
×
3的二维卷积操作实现），和表示同一场景的两张rgb图像的训练样本；参见图2，信息激活模块iam进行信息激活的函数表达式为：，上式中，代表gelu激活层，表示卷积核为3
×
3的二维卷积层，表示光谱融合获得的图像，表示当前时刻t的加噪高频信息；参见图2，多尺度噪声预测模块nprdm将激活后的加噪高频信息进行多尺度噪声预测得到高斯噪声包括：s201，将激活后的加噪高频信息利用噪声提取模块neb得到特征，可表示为：；s202，将特征首先通过卷积核为4
×
4的二维卷积层进行通道下采样，然后再利用噪声提取模块neb得到特征；将特征首先通过卷积核为4
×
4的二维卷积层进行通道下采样，然后再利用噪声提取模块neb得到特征；可表示为：，，s203，将特征首先通过卷积核为2
×
2的二维反卷积层进行通道上采样，再与特征堆叠后利用噪声提取模块neb得到特征；将特征首先通过卷积核为2
×
2的二维反卷积层进行通道上采样，再与特征堆叠后利用噪声提取模块neb得到特征通过卷积核为3
×
3的二维卷积层得到高斯噪声；可表示为：，，，参见图2可知，噪声提取模块neb包括依次相连的卷积核为3
×
3的二维卷积层、gelu激活层以及卷积核为3
×
3的二维卷积层；图2中，代表卷积核为4
×
4的二维卷积层，起通道下采样的作用；代表卷积核为2
×
2的二维反卷积层，起通道上采样作用；多尺度噪声预测模块nprdm内部为噪声提取模块neb和通道操作模块（通过卷积实现通道下采样和通过反卷积实现通道上采样）的u型残差级联结构。
25.本实施例中，步骤s101～s104为基于噪声预测网络的扩散模型的反向过程；实际应用时仅需要进行扩散模型的反向过程。此外，作为一种可选的实施方式，本实施例步骤
s103之前还包括训练噪声预测网络（即扩散模型的前向过程），实际应用时该网络已预先训练完毕，无需再进行训练噪声预测网络（即扩散模型的前向过程），在此列出是为了原理逻辑叙述的完整性。具体地，训练噪声预测网络包括：s301，基于成像模型建立下式所示的高光谱图像和rgb图像的映射关系：，上式中，为光谱上采样矩阵，为高频信息；s302，获取用于作为训练数据的rgb-高光谱图像对、，和表示同一场景两个光路的rgb图像的训练样本，和表示和对应的高光谱图像；s303，根据成像模型将和同一场景两个光路的rgb图像进行光谱上采样，然后沿通道维进行逐像素相加得到高频信息，可表示为：，，上式中，和为中间变量，和表示两个光路的rgb图像的训练样本，和为两个光路的rgb图像的训练样本对应的高光谱图像，和分别为两条光路的相机采样函数矩阵的广义逆；s304，生成高斯噪声的标签值，并对时间步数进行顺序均匀采样，即，其中，表示标准正态分布，表示最大时间步数；s305，分别设定各个时间步的加噪权重，并计算各个时间步的加噪高频信息：，上式中，表示时间步的加噪权重的累乘（），表示对两个光路的rgb图像进行光谱上采样然后沿通道维进行逐像素相加得到高频信息，表示高斯噪声的标签值；s306，将加噪高频信息、同一场景两个光路的rgb图像和、时间步数三个参数送入噪声预测网络，并采用损失函数进行梯度下降优化从而得到训练好的噪声预测网络（本实施例中记为），损失函数的函数表达式为：，上式中，表示噪声预测网络的网络参数的梯度，为高斯噪声的标签值，为噪声预测网络预测得到的噪声。重复训练直至噪声预测网络的损失函数收敛，完成前向加噪过程，从而可得到训练好的噪声预测网络。
26.综上所述，本实施例基于双光路rgb融合的高分辨率高光谱成像方法充分考虑了成像模型，建立了高光谱图像和rgb图像的映射关系，借助扩散模型实现了对高光谱图像高频信息的准确预测，从而能够基于所输入的rgb图像，获取高分辨率高光谱图像，可高效解决通过现有成像设备获取高分辨率高光谱图像极其困难的问题，大幅降低高分辨率高光谱图像的获取成本；本实施例基于双光路rgb融合的高分辨率高光谱成像方法基于双光路rgb融合的高分辨率高光谱成像装置借助简便的分路成像方案，实现了对场景信息中特征光谱的高效互补采样，显著提升成像信息的信噪比。
27.如图3所示，本实施例基于双光路rgb融合的高分辨率高光谱成像装置包括分光棱镜1、高透滤光片2、第一rgb传感器3、第二rgb传感器4和图像处理模块，分光棱镜1输出的一路光线经过高透滤光片2在第一rgb传感器3中形成同一场景的第一个光路的rgb图像（仅允许波长＞500nm的光线进入），分光棱镜1输出的另一路光线在第二rgb传感器4形成同一场景的第二个光路的rgb图像，第一rgb传感器3、第二rgb传感器4分别与图像处理模块相连，图像处理模块用于被编程或配置以执行前述基于双光路rgb融合的高分辨率高光谱成像方法以将同一场景两个光路的rgb图像进行高光谱成像得到高光谱图像。采用本实施例的高光谱成像装置拍摄场景时，光线经过分光棱镜分为两条光路，一条光路含高透滤光片2和第一rgb传感器3，另一条光路含第二rgb传感器4，分别通过两条光路获取采样信息不同的两张rgb图像；然后利用图像处理模块执行前文基于双光路rgb融合的高分辨率高光谱成像方法以将同一场景两个光路的rgb图像进行高光谱成像得到高分辨率的高光谱图像。本实施例基于双光路rgb融合的高分辨率高光谱成像装置能够基于两张rgb图像，通过执行前文基于双光路rgb融合的高分辨率高光谱成像方法获得高分辨率高光谱图像，从而显著提升高光谱图像的获取精度，大幅降低高光谱图像的获取成本。本实施例中，第一rgb传感器3、第二rgb传感器4均采用imx296c rgb传感器以用于获取固定采样的rgb图像，此外也可以根据需要采用其他所需型号的rgb传感器，且与一般rgb传感器相同，其前端均包含目镜镜头结构。光线在经过目镜之前先通过高透滤光片2，仅允许波长大于500nm的光线进入第一rgb传感器3，用于获取带通采样的rgb图像，从而获得采样信息不同的两张rgb图像。
28.此外，本实施例还提供一种基于双光路rgb融合的高分辨率高光谱成像装置，包括相互连接的微处理器和存储器，所述微处理器被编程或配置以执行所述基于双光路rgb融合的高分辨率高光谱成像方法。此外，本实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序用于被微处理器编程或配置以执行所述基于双光路rgb融合的高分辨率高光谱成像方法。
29.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序产品的形式。本技术是参照根据本技术实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实
现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
30.以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：
1.一种基于双光路rgb融合的高分辨率高光谱成像方法，其特征在于，包括：s101，将针对同一场景两个光路的rgb图像进行融合得到融合图像；s102，对时间步从最大时间步数t开始进行逆序均匀采样；s103，首先计算时间步为最大时间步数t时的加噪高频信息；然后针对每一个时间步，根据时间步的加噪高频信息以及下式求解时间步的加噪高频信息直至时获得无噪高频信息：，上式中，表示时间步的加噪权重的累乘，表示时间步的加噪权重，为预先训练好的噪声预测网络，和为两个光路的rgb图像，为时间步的方差项，为高斯噪声；s104，将融合图像和无噪高频信息相加得到高光谱图像。2.根据权利要求1所述的基于双光路rgb融合的高分辨率高光谱成像方法，其特征在于，步骤s101中进行融合得到融合图像的函数表达式为：，，上式中，和分别为两条光路的相机采样函数矩阵的广义逆，和为两个光路的rgb图像的光谱上采样结果，和为两个光路的rgb图像。3.根据权利要求1所述的基于双光路rgb融合的高分辨率高光谱成像方法，其特征在于，步骤s103中加噪高频信息的计算函数表达式为：，上式中，表示时间步的加噪权重的累乘，表示对两个光路的rgb图像进行光谱上采样然后沿通道维进行逐像素相加得到高频信息，表示高斯噪声的标签值，且有：，，上式中，和为中间变量，和表示两个光路的rgb图像的训练样本，和为两个光路的rgb图像的训练样本对应的高光谱图像，和分别为两条光路的相机采样函数矩阵的广义逆。4.根据权利要求3所述的基于双光路rgb融合的高分辨率高光谱成像方法，其特征在于，步骤s202中时间步的方差项的计算函数表达式为：
，上式中，表示加噪权重的累乘，表示加噪权重的累乘，表示时间步的加噪权重。5.根据权利要求1所述的基于双光路rgb融合的高分辨率高光谱成像方法，其特征在于，所述噪声预测网络包括：光谱融合模块sfm，用于将针对同一场景两个光路的rgb图像进行融合得到图像；信息激活模块iam，用于将光谱融合获得的图像、当前时刻t的加噪高频信息沿着通道维逐像素相加进行信息激活得到激活后的加噪高频信息；多尺度噪声预测模块nprdm，用于将激活后的加噪高频信息进行多尺度噪声预测得到高斯噪声。6.根据权利要求5所述的基于双光路rgb融合的高分辨率高光谱成像方法，其特征在于，所述光谱融合模块sfm进行光谱融合的函数表达式为：，上式中，表示光谱融合获得的图像，表示卷积核为3
×
3的二维卷积层，表示沿通道维堆叠操作，表示光谱上采样操作，和表示同一场景的两张rgb图像的训练样本；所述信息激活模块iam进行信息激活的函数表达式为：，上式中，代表gelu激活层，表示卷积核为3
×
3的二维卷积层，表示光谱融合获得的图像，表示当前时刻t的加噪高频信息；所述多尺度噪声预测模块nprdm将激活后的加噪高频信息进行多尺度噪声预测得到高斯噪声包括：s201，将激活后的加噪高频信息利用噪声提取模块neb得到特征；所述噪声提取模块neb包括依次相连的卷积核为3
×
3的二维卷积层、gelu激活层以及卷积核为3
×
3的二维卷积层；s202，将特征首先通过卷积核为4
×
4的二维卷积层进行通道下采样，然后再利用噪声提取模块neb得到特征；将特征首先通过卷积核为4
×
4的二维卷积层进行通道下采样，然后再利用噪声提取模块neb得到特征；s203，将特征首先通过卷积核为2
×
2的二维反卷积层进行通道上采样，再与特征堆叠后利用噪声提取模块neb得到特征；将特征首先通过卷积核为2
×
2的二维反卷积层进行通道上采样，再与特征堆叠后利用噪声提取模块neb得到特征通过卷积核为3
×
3的二维卷积层得到高斯噪声。7.根据权利要求6所述的基于双光路rgb融合的高分辨率高光谱成像方法，其特征在于，步骤s103之前还包括训练噪声预测网络：
s301，基于成像模型建立下式所示的高光谱图像和rgb图像的映射关系：，上式中，为光谱上采样矩阵，为高频信息；s302，获取用于作为训练数据的rgb-高光谱图像对、，和表示同一场景两个光路的rgb图像的训练样本，和表示和对应的高光谱图像；s303，根据成像模型将和同一场景两个光路的rgb图像进行光谱上采样，然后沿通道维进行逐像素相加得到高频信息；s304，生成高斯噪声的标签值，并对时间步数进行顺序均匀采样；s305，分别设定各个时间步的加噪权重，并计算各个时间步的加噪高频信息；s306，将加噪高频信息、同一场景两个光路的rgb图像和、时间步数三个参数送入噪声预测网络，并采用损失函数进行梯度下降优化从而得到训练好的噪声预测网络，所述损失函数的函数表达式为：，上式中，表示噪声预测网络的网络参数的梯度，为高斯噪声的标签值，为噪声预测网络预测得到的噪声。8.一种基于双光路rgb融合的高分辨率高光谱成像装置，其特征在于，包括分光棱镜（1）、高透滤光片（2）、第一rgb传感器（3）、第二rgb传感器（4）和图像处理模块，所述分光棱镜（1）输出的一路光线经过高透滤光片（2）在第一rgb传感器（3）中形成同一场景的第一个光路的rgb图像，所述分光棱镜（1）输出的另一路光线在第二rgb传感器（4）形成同一场景的第二个光路的rgb图像，所述第一rgb传感器（3）、第二rgb传感器（4）分别与图像处理模块相连，所述图像处理模块用于被编程或配置以执行权利要求1～7中任意一项所述基于双光路rgb融合的高分辨率高光谱成像方法以将同一场景两个光路的rgb图像进行高光谱成像得到高光谱图像。9.一种基于双光路rgb融合的高分辨率高光谱成像装置，包括相互连接的微处理器和存储器，其特征在于，所述微处理器被编程或配置以执行权利要求1～7中任意一项所述基于双光路rgb融合的高分辨率高光谱成像方法。10.一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其特征在于，所述计算机程序用于被微处理器编程或配置以执行权利要求1～7中任意一项所述基于双光路rgb融合的高分辨率高光谱成像方法。

技术总结
本发明公开了一种基于双光路RGB融合的高分辨率高光谱成像方法及装置，本发明方法包括：将针对同一场景两个光路的RGB图像进行融合得到融合图像；对时间步从最大时间步数T开始进行逆序均匀采样；首先计算时间步为最大时间步数T时的加噪高频信息；然后针对每一个时间步，根据时间步的加噪高频信息求解时间步的加噪高频信息直至时获得无噪高频信息；最终将融合图像和无噪高频信息相加得到高光谱图像。本发明旨在针对同一场景两个光路的RGB图像获得高分辨率的高光谱图像，从而显著提升高光谱图像的获取精度，大幅降低高光谱图像的获取成本。大幅降低高光谱图像的获取成本。大幅降低高光谱图像的获取成本。


技术研发人员：李树涛 吴耀航 佃仁伟 郭安静
受保护的技术使用者：湖南大学
技术研发日：2023.06.13
技术公布日：2023/7/17