由于场景的光谱信息受到不同照明条件的影响,故在照明不可控场景下拍摄的多光谱图像的光谱反射比重构需要进行照明光谱估计。因此,提出了一种基于单幅多光谱图像的通用方法来准确预测场景的照明光谱。首先,通过分析每个像素的响应特性设计并计算色度权重图,以寻找包含更多照明信息的像素。然后,对加权后的图像进行成分分析,以在通道域中提取光源响应特征。最后,得益于创新性引入的基于照明光谱库训练的字典学习方法,可估计出场景光源的相对光谱功率分布。所提方法在模拟数据和真实数据上的照明光谱估计平均角度误差分别为0.29和3.42,与现有的同类方法相比,表现出更优的准确性和鲁棒性。

光谱估计是光谱成像领域的研究热点,提出一种自适应加权线性回归光谱估计方法,首先以线性化的伪逆求解算子为基础,利用齐次多项式对相机数字响应值进行扩展,利用Tikhonov正则化方法进行正则化约束,得到全局训练的光谱估计方法,其次依据训练样本对光谱估计精度的影响机理,在求解光谱估计矩阵时进一步引入高斯加权方法,建立自适应加权训练的光谱估计方法,以提高光谱估计精度。利用28种数码相机的灵敏度函数构建了仿真成像系统,以Munsell Matte颜色样本和X-rite ColorChecker SG色卡为实验样本,以光谱均方根误差和色差为评价指标,对本文方法进行了验证。结果表明,新方法在全局训练模式下能取得与现有全局训练方法同等水平的光谱估计精度,且能够克服现有方法存在的曝光敏感性问题;新方法在自适应加权训练模式下,无论是光谱精度还是色度精度,均优于现有方法。

为实现精密光学元件表面疵病的高效测量和精确统计,提出了一种基于光谱估计和多光谱技术的光学元件表面疵病检测方法。该方法利用光谱估计提取白光图像中不同波长的单光谱疵病图像,并合成多光谱疵病图像,然后采用优化后的OTSU(Otsu Image Segmentation Algorithm)分别对单光谱与多光谱疵病图像进行分析。基于该方法搭建了光学元件表面疵病检测装置,获得了白光照明条件下光学元件表面疵病的图像。实验结果表明,与原始白光图像相比,合成多光谱图像的疵病检出数量提升了1.85倍,疵病检出面积最大增加了6.0倍,检测效率得到明显提高。根据光学元件表面疵病的特性选取不同波长组合来生成单光谱与多光谱图像,可更加高效精确地检测出传统检测技术不易检出的疵病信息。

对作者早先提出的光谱估算方法FAT作进一步探讨,提出利用退卷积技术实现光谱线型优化从而修正估计谱相对强度的方法,同时还提出了反映线型优化度及估计谱可靠性的品质因子的概念。