光谱图像比RGB图像存储的信息量更大, 理论上具有更广泛的应用范围, 然而受限于光谱成像设备成本高、 数据处理复杂等问题, 目前主要应用在遥感、 **及天文学等特定领域。 近年来, 学者们提出了利用RGB图像通过数学方法重建光谱图像的解决方案, 能够极大提高光谱图像的应用范围。 然而, 当前光谱重建方法普遍存在图像细节易丢失、 光谱精度不够高等问题, 因此, 提出一种基于双重注意力机制的RGB图像光谱重建方法, 从图像细节和光谱精度方面提高光谱图像重建质量。 所提出的光谱重建方法设计了一种稀疏信号深度重建网络, 重点针对RGB图像的稀疏特性, 从准确提取图像信息的多层次特征、 挖掘更多语义信息入手, 实现稀疏信号到完备信号重建。 在网络结构上, 所设计的光谱重建网络首先利用小参数卷积提取RGB图像的浅层特征信息; 然后引入有效多频率通道注意力机制, 计算特征层各通道之间的相关性, 通过层间加权实现特征响应的有效分配; 同时建立层特征加权融合注意力机制, 学习不同层特征之间的依赖关系, 通过不同层加权实现权重的优化, 以便提取有效的光谱深度特征; 最后基于所提取的深度特征通过卷积生成指定维度的光谱图像。 该实验利用python3.7编程语言, 以pytorch1.2作为深度学习模型框架, 综合光谱图像误差和RGB图像误差作为损失函数进行光谱重建网络的训练。 在NTIRE 2020和CAVE数据集上, 对所提方法与7种主流光谱重建方法进行对比验证, 从主观方面来看, 该方法恢复的光谱图像细节更清晰、 误差更小; 从客观指标方面分析, 该方法重建出的光谱图像与目前已有文献中重建性能较好的方法相比, 在RRMSE、 RSAM、 RERGAS指标上分别降低了18.9%、 16.6%、 22.2%, 而RPSNR指标提高了4.5%。 实验结果证明了该方法在RGB图像光谱重建的有效性。

组织血氧饱和度（StO2）是检测组织和血液中血液灌注和血液氧合变化的重要指标, 在临床及日常监测中具有重要意义。 高光谱成像以其非接触、 光谱信息丰富等优点, 成为一种评估StO2的新兴手段, 然而高光谱成像设备造价昂贵且操作复杂, 限制了其使用环境及发展。 传统工业相机获取皮肤组织的RGB图像空间分辨率高、 但其光谱分辨率低, 若能提高光谱分辨, 则其实现高精度生理参数测量成为可能。 提出了一种基于RGB图像高光谱重建的StO2评估方法。 该方法基于深度学习方法构建了从RGB图像到皮肤组织高光谱图像的重建模型, 获得了高物理可靠性皮肤组织高光谱图像, 并利用改进的朗伯比尔模型, 实现了区域StO2评估。 采用普通可见光相机与高光谱相机通过捆绑实验同时采集了49位受试者处于不同血液灌注状态下手部的RGB图像与高光谱图像作为数据集。 在对高光谱图像进行降维去噪的基础上, 根据含氧血红蛋白、 脱氧血红蛋白的特征光谱选取了450～600 nm（含31个光谱通道）波段作为重建光谱波段, 构建了基于深度学习的皮肤组织高光谱重建神经网络模型。 实验结果表明, 重建模型获得的皮肤反射光谱与高光谱相机直接采集的反射光谱曲线具有较高的一致性, 测试集中二者的平均绝对误差（MAE）为0.009 38, 均方误差（RMSE）为0.0148 1。 之后对重建模型得到的区域StO2测量结果与高光谱相机得到的测量结果二者的相似性进行了定量评估, 测试集样本中两种方法生成StO2空间分布图的二维相关系数均处于可靠范围内（大于94%）, 表明了本文提出的基于可见光图像高光谱重建的StO2评估方法具有较高的可靠性。 该研究利用普通彩色相机实现了区域StO2评估, 为各种疾病的临床诊断和监测提供了一种简单低成本的StO2监测方法。

光谱是颜色信息的指纹, 也是表征物质物化属性的重要特征, 对于颜色的高保真复制和物质的精准识别分析具有重要应用价值。 基于光谱重建的多光谱成像技术利用成像系统拍摄物体表面数字图像, 并通过光谱重建计算得到物体表面的多光谱图像, 能够克服传统RGB图像对成像条件的依赖性, 更加精细化地表征识别物体。 该技术相对于价格昂贵的高光谱相机而言, 能够有效提升多光谱图像的空间分辨率和获取效率, 降低设备成本。 然而, 无论是基于机器学习还是基于深度学习的光谱重建方法, 在光谱重建应用时均对图像的曝光变化敏感, 即光谱重建方法在一种曝光水平下建立的光谱重建模型, 无法直接在另一曝光水平下进行光谱重建应用, 否则将导致重建光谱曲线的形状特征偏离真实光谱, 制约着光谱重建面向光照强度易变和光照不均性场景的应用。 针对现有光谱重建方法对图像曝光水平变化敏感的问题, 论文提出了一种基于根多项扩展的自适应加权光谱重建方法, 首先利用根多项式对样本rawRGB图像数据进行扩展, 并利用伪逆法建立光谱重建模型, 以解决模型对曝光水平变化的敏感性, 然后在光谱不变特征空间构建自适应加权矩阵, 以进一步提升光谱重建精度。 研究以理论实验和具体实验样本为基础, 首先对现有光谱重建方法对曝光变化的敏感性进行分析, 然后将该方法与现有同类型光谱重建方法进行对比, 最后探讨了加权策略对该方法的影响。 实验结果表明, 现有先进光谱重建方法均对曝光水平变化敏感, 而该方法能有效对抗曝光水平变化, 且光谱重建的光谱均方根误差(RMSE)和色差(ΔE*ab)显著低于现有同类方法。 此外, 在光谱不变特征空间构建自适应加权矩阵, 对于该方法提升光谱重建精度至关重要。 研究成果对开放场景下的高精度光谱重建具有重要应用价值。

本文将重建光谱仪的光谱重建理论应用于傅里叶变换光谱仪中，使光谱仪可以兼具重建光谱仪高光谱分辨率优势以及傅里叶变换光谱仪固有的高光通量优势。利用构建的简易空间外差傅里叶变换光谱仪实验装置在520~530 nm光谱范围内进行验证实验。使用实验装置采集的不同单波长入射光光斑图像进行光谱校准实验，证明了傅里叶变换光谱仪可满足光谱重建理论必需的光斑与波长间唯一的一对一映射关系。随后，使用用于光谱校准的光斑图像进行光谱重建实验，实现了0.10 nm的光谱分辨率，相比通过傅里叶变换光谱仪原理得到的~5.65 nm光谱分辨率有明显提高。最后，使用额外采集的波长525 nm入射光光斑图像进行光谱重建实验，重建光谱中存在重建误差，且525 nm处光谱信号峰的半峰全宽（FWHM）~0.30 nm。光斑图像相关性分析显示，光谱重建受光斑图像采集过程中噪声和相邻波长入射光光斑图像高相似性的影响。尽管如此，重建光谱仍然可以反映入射光的光谱信息，且信号峰的FWHM小于傅里叶变换光谱仪原理得到的光谱，验证了将光谱重建理论应用于傅里叶变换光谱仪的可行性和高光谱分辨率优势。