本發(fā)明屬于微型光譜儀，尤其涉及一種基于變分特征融合和小波稠密殘差注意力的光譜重構方法。

背景技術：

1、光譜儀已經(jīng)在各行各業(yè)中有了廣泛的應用，然而隨著時代的發(fā)展，傳統(tǒng)的臺式光譜儀已經(jīng)不適合一些特定的應用，如深空域探測和環(huán)境監(jiān)測，等對高靈敏度、低成本和實時檢測能力的微型化光譜儀器有很高的要求。例如，在航天應用中，與傳統(tǒng)光譜儀相比，微型光譜儀的發(fā)射成本可以成倍降低。

2、近年來，一種結合微納光學與計算技術的計算重構光譜儀，為光譜儀小型化提供了一種結構更加緊湊、更高效、更精準的解決方案。具體來說，通過精心設置選擇的量子膠體點、光子晶體、超表面等微納光學材料來耦合未知的光譜信號，并使用嶺回歸、最小二乘等計算方法得到光譜數(shù)據(jù)。這種方法不僅可以大幅縮小光譜儀的體積，還可以根據(jù)數(shù)據(jù)處理方法來提高光譜數(shù)據(jù)精度與分辨率。

3、當前，針對小型化光譜儀的研究更加集中在尋找新的微納光學材料的組合排列方法，通過排列組合相關系數(shù)最小的微納光學材料，來提高計算重構光譜儀的性能。然而，這種方法仍然存在一定的局限性。例如，在面對復雜多變的光譜信號時，由于其固定的數(shù)學模型和材料組合策略，適應性相對較弱，可能無法準確地對一些特殊的光譜特征進行重構，從而影響光譜數(shù)據(jù)的準確性和完整性。與之相比，深度學習在光譜重建領域展現(xiàn)出了獨特的優(yōu)勢。深度學習算法能夠自動學習光譜信號中的復雜模式和特征，無需依賴于預設的固定模型。通過大量的光譜數(shù)據(jù)進行訓練，它可以構建出高度靈活且適應性強的模型，從而對各種不同類型的光譜信號進行精準的重建，無論是復雜的混合光譜，還是微弱且容易被噪聲干擾的信號，深度學習模型都有潛力提供更準確、更穩(wěn)定的重建結果，為光譜儀小型化后的性能提升開辟了新的方向和可能性，有望在更多對光譜精度要求苛刻的場景中得到廣泛應用，推動光譜分析技術向更高水平發(fā)展。

技術實現(xiàn)思路

1、為解決上述問題，本發(fā)明提供一種基于變分特征融合和小波稠密殘差注意力的光譜重構方法，通過設計高性能的計算方法，降低計算重構光譜儀對微納光學材料相關系數(shù)的依賴性，并提高計算重構光譜儀的光譜重構精度。

2、一種基于變分特征融合和小波稠密殘差注意力的光譜重構方法，應用于計算重構光譜儀，所述方法包括以下步驟：

3、將能量未知的待重構光信號入射至重構光譜儀中的微納可形變結構，待重構光信號與微納可形變結構的光譜響應耦合得到多通道光斑圖像；

4、多通道光斑圖像發(fā)送至重構光譜儀中的基于變分特征融合和小波稠密殘差注意力的深度學習網(wǎng)絡模型進行特征提取與特征學習，得到待重構光信號對應的重構光譜。

5、進一步地，所述基于變分特征融合和小波稠密殘差注意力的深度學習網(wǎng)絡模型包括淺層特征提取模塊、下采樣與平鋪模塊、多層感知機、三級小波稠密殘差注意力模塊、上采樣模塊、變分特征融合模塊、雙二次差值模塊；

6、所述淺層特征提取模塊用于提取多通道光斑圖像的初始淺層特征，得到第一特征圖；

7、所述下采樣與平鋪模塊用于對第一特征圖進行降維，并將降維后的第一特征圖平鋪為一維特征向量；

8、所述多層感知機用于將一維特征向量進行非線性映射，得到一維低數(shù)據(jù)分辨率光譜；

9、所述低數(shù)據(jù)分辨率光譜依次進入三級小波稠密殘差注意力模塊進行特征增強，由最后一級小波稠密殘差注意力模塊輸出特征增強后的一維特征光譜；

10、所述上采樣模塊用于提高一維特征光譜的分辨率，得到一維高分辨率特征光譜；

11、所述雙二次差值模塊用于將一維低數(shù)據(jù)分辨率光譜映射為一維高數(shù)據(jù)分辨率光譜，且一維高數(shù)據(jù)分辨率光譜與一維高分辨率特征光譜的分辨率相同；

12、所述變分特征融合模塊用于將一維高數(shù)據(jù)分辨率光譜與一維高分辨率特征光譜進行特征融合，得到最終的重構光譜。

13、進一步地，所述小波稠密殘差注意力模塊包括離散小波變換單元、兩路并行的殘差提取子模塊、離散小波逆變換單元、通道注意力單元，其中，殘差提取子模塊包括三個級聯(lián)的稠密殘差單元、通道拼接單元、空間注意力單元；

14、所述離散小波變換單元用于將輸入當前級小波稠密殘差注意力模塊進行特征增強的待處理光譜進行高通濾波分解和低通濾波分解，得到高頻子帶特征和低頻子帶特征；

15、所述高頻子帶特征和低頻子帶特征分別進入一個殘差提取子模塊，其中，任意一個頻段的子帶特征在殘差提取子模塊的處理過程為：當前子帶特征順次通過三個級聯(lián)的稠密殘差單元進行特征提取，通道拼接單元將三級稠密殘差單元的輸出特征進行通道拼接，得到拼接子帶特征，空間注意力特征再對拼接子帶特征進行空間特征提取，得到殘差提取子模塊最終輸出的殘差特征；

16、所述離散小波逆變換單元用于將兩個殘差提取子模塊輸出的高頻殘差特征和低頻殘差特征進行融合，得到融合殘差特征；

17、所述通道注意力單元用于對融合殘差特征進行深層特征提取，得到當前級小波稠密殘差注意力模塊最終輸出的增強特征。

18、進一步地，所述變分特征融合模塊包括兩路并行的變分特征融合子模塊、空間注意力單元；其中，兩個變分特征融合子模塊均包括分數(shù)階變分單元、三個卷積塊以及一個權重單元，且兩個權重單元的權重不同；

19、所述一維高數(shù)據(jù)分辨率光譜與一維高分辨率特征光譜分別輸入一個變分特征融合子模塊，其中，任意一個變分特征融合子模塊對輸入的待處理光譜的處理過程為：待處理光譜分為兩路，第一路待處理光譜進入分數(shù)階變分單元，得到變分結果；變分結果再分成兩路，其中一路變分結果依次經(jīng)由兩個卷積快進行特征提取后，得到中間光譜特征圖，中間光譜特征圖再進入權重單元與設定權重逐元素相乘，得到加權光譜特征圖；另一路變分結果與第二路待處理光譜逐元素相減后，得到的差值光譜再進入最后一個卷積塊，得到差值特征圖；

20、兩個變分特征融合子模塊輸出的差值特征圖逐元素相加后，得到的差值融合特征圖再進入空間注意力模塊進行空間特征提取，得到差值空間特征圖；

21、兩個變分特征融合子模塊輸出的加權光譜特征圖與差值空間特征圖進行逐元素相加，相加結果作為變分特征融合模塊最終輸出的重構光譜。

22、進一步地，分數(shù)階變分單元將待處理光譜轉(zhuǎn)換為變分結果的方法為：

23、求解如下目標函數(shù)

24、

25、其中，f為待處理光譜，fout為變分結果，μ為正則化參數(shù)，β∈(1，2)為分數(shù)階的階數(shù)，ρ表示高斯定位參數(shù)，q表示q范數(shù)，表示計算fout的梯度；其中，高斯定位參數(shù)ρ的計算方法如下：

26、

27、其中，η為非負的設定權重，gδ為高斯模板，δ為高斯模板的方差，表示計算gδ*f的梯度。

28、進一步地，微納可形變結構加載的偏置電壓不同，微納可形變結構的光譜響應不同，且光斑圖像的通道數(shù)與偏置電壓的種數(shù)相同。

29、有益效果：

30、1、本發(fā)明提供一種基于變分特征融合和小波稠密殘差注意力的光譜重構方法，基于注意力機制的光譜重建模型來降低計算重構光譜儀對微納光學材料相關系數(shù)的依賴性，可以有效提高光譜重建的精度與效果；此外，本發(fā)明提供的小波稠密殘差注意力模塊和變分特征融合處理模塊可以有效的提取并精煉光譜特征，從數(shù)據(jù)的高頻和低頻兩個方面消除無用特征，增強深層次高維度特征的融合效果，進而提高光譜重建的性能，及深度學習網(wǎng)絡的收斂性。

31、2、本發(fā)明提供一種基于變分特征融合和小波稠密殘差注意力的光譜重構方法，對多通道光斑圖像進行初始淺層特征提取，將淺層輸出的特征直接輸入至多層感知機中，實現(xiàn)從三維的多通道圖像數(shù)據(jù)到一維的低數(shù)據(jù)分辨率光譜的映射；使用提供的小波稠密殘差注意力模塊堆疊搭建對特征進行精煉增強；利用上采樣提特征的數(shù)據(jù)分辨率；使用包含雙二次插值的跳連接把低數(shù)據(jù)分辨率的光譜映射成高數(shù)據(jù)分辨率光譜；使用變分特征融合將輸出的結果融合，生成最終的高數(shù)據(jù)分辨率光譜，作為計算重構光譜儀輸出的光譜數(shù)據(jù)；通過本發(fā)明的方法，可以直接利用從光電探測上采集到的數(shù)據(jù)，重建出高質(zhì)量高數(shù)據(jù)分辨率光譜。