Нейросетевой метод коррекции пространственно-спектральной чувствительности щелевого гиперспектрометра
Автор: Макаров А.Р., Никоноров А.В.
Журнал: Компьютерная оптика @computer-optics
Рубрика: Дифракционная оптика, оптические технологии
Статья в выпуске: 6 т.49, 2025 года.
Бесплатный доступ
Предложен нейросетевой метод обучаемой пространственно–спектральной коррекции чувствительности щелевого гиперспектрометра. В отличие от традиционных подходов к калибровке, основанных на выравнивании регистрируемого сигнала, отраженного от однородно освещенного «эталонного» объекта (имеющего ламбертовскую поверхность), вдоль направления длины щелевой диафрагмы прибора с использованием заранее рассчитанных коэффициентов, предлагаемый подход к калибровке реализован в виде слоёв нейронной сети, параметры которых оптимизируются совместно с моделью классификации в процессе обучения. Разработаны три типа обучаемых калибровочных слоев, с использованием обучаемой матрицы калибровочных коэффициентов, ее частичной полиномиальной аппроксимации и векторной факторизации. Экспериментальная оценка проведена на гиперспектральных изображениях, зарегистрированных при близких, но не идентичных условиях съёмки. Калибровочные слои интегрированы в 3D-свёрточную сеть и пространственно–спектральный трансформер. Эксперименты показали устойчивое повышение качества классификации относительно базовых моделей без калибровки: прирост точности для метрики accuracy составил от 0,59 % до 14,27 %, а для F1-score – от 0,17 % до 10,98 %. Также разработан алгоритм применения калибровочных слоев для предобработки данных с последующим обучением немодифицированных базовых моделей, что существенно расширяет применимость предложенного подхода.
Гиперспектрометр, параметрические слои коррекции, глубокое обучение, классификация, позиционно–зависимая коррекция чувствительности гиперспектрометра
Короткий адрес: https://sciup.org/140313257
IDR: 140313257 | DOI: 10.18287/COJ1812
Neural-based spatial-spectral sensitivity correction for pushbrum hyperspectral cameras
A neural network-based method for trainable spatial-spectral sensitivity correction of a push-broom hyperspectral sensor is proposed. Unlike traditional calibration approaches that equalize the recorded signal from a uniformly illuminated Lambertian reference target along the slit using precomputed correction coefficients, the proposed calibration is implemented as neural network layers whose parameters are jointly optimized with the classification model during training. Three types of trainable calibration layers have been developed, based on a learnable matrix of correction coefficients, its partial polynomial approximation, and vector factorization. Experimental evaluation was conducted on hyperspectral images acquired under similar but not identical capture conditions. The calibration layers were integrated into a 3D convolutional neural network and a spatial-spectral transformer. The results demonstrate a consistent improvement in classification quality compared to baseline models without calibration: the accuracy increased by 0.59% to 14.27%, and the F1-score increased by 0.17% to 10.98%, which confirms the effectiveness of the proposed layers.
