本发明涉及一种光谱重建方法，具体涉及一种基于神经网络的自编码解码光谱重建方法。
背景技术：
1、光谱重建算法是一类用于从部分已知的光谱数据中推断出完整光谱的算法。这些算法通常使用数学和统计方法，以及对光谱数据的先验知识来进行光谱的推断和重建。
2、插值方法是最简单直接的光谱重建算法之一。它通过已知数据点之间的线性或非线性插值来推断未知数据点的数值。常见的插值方法包括线性插值、多项式插值(如拉格朗日插值、牛顿插值)、样条插值等。以上方法通常适用于数据点密集的情况，但可能在数据稀疏或具有噪声的情况下表现不佳。压缩感知方法利用信号的稀疏性或低秩性来重建信号，在光谱重建中，压缩感知方法通过在一个低维空间中对光谱进行测量，然后利用稀疏表示或低秩矩阵重建完整的光谱。常见的压缩感知方法包括基于稀疏表示的方法(如稀疏表示重建、压缩感知重建)和基于低秩矩阵的方法(如矩阵补全)。还有基于优化的光谱重建方法，通过定义一个优化问题，将光谱重建问题转化为一个最优化问题，并利用数值优化算法来求解该问题。常见的优化方法包括基于梯度的方法、基于模型的方法、进化算法等。这些方法通常需要定义合适的损失函数或正则化项来平衡数据拟合和模型复杂度。基于机器学习的光谱重建方法利用机器学习模型来学习从部分光谱数据到完整光谱的映射关系，通常需要大量的已知光谱数据来训练模型，并且可以利用各种机器学习模型，如神经网络、支持向量机、随机森林等。在训练完成后，模型可以用来对新的部分光谱数据进行重建。
3、超表面(metasurface)是一类亚波长结构的人工二维结构，可实现对光场的相位和频率等的灵活调控，同时超表面具有小型化和集成化的优势，这为解决图像传感器的滤色和集成问题提供了新的思路。
技术实现思路
1、为了提高光谱重建的精度，本发明提供了一种基于神经网络的自编码解码光谱重建方法。该方法可以通过预训练找到最佳编码滤波器参数，仅用少数滤波器就能高精度地重建光谱，使得该自编码解码算法在光谱重建过程中具有更高的精度，并符合超构透镜生产工艺，减少使用成本。
2、本发明的目的是通过以下技术方案实现的：
3、一种基于神经网络的自编码解码光谱重建方法，包括如下步骤：
4、步骤一、预训练约束编码神经网络，用以学习超构透镜参数与光谱响应的关系，为编码神经网络提供被结构参数约束的权重；
5、步骤二、随机光谱编码神经网络，用以对输入的光谱进行随机编码，为解码重建神经网络提供输入；
6、步骤三、光谱重建神经网络，用以对输入的被编码光谱进行解码，高精度重建光谱。
7、相比于现有技术，本发明具有如下优点：
8、1、本发明在训练神经网络过程中，对最佳性能的滤波器(编码超构透镜)参数进行了优化，保证了使用了最优的结构，减少了滤波通道且精度更高。
9、2、本发明在重建光谱的同时，设计出了最优超构透镜的参数，降低系统的复杂程度，以减轻制造难度，超构透镜加工工艺与成熟的互补金属半导体传感器制备工艺兼容，可在同一生产线加工和组装，因此该方法具备较强的应用背景。
1.一种基于神经网络的自编码解码光谱重建方法，其特征在于所述方法包括如下步骤：
2.根据权利要求1所述的基于神经网络的自编码解码光谱重建方法，其特征在于所述步骤一的具体步骤如下：使用超构透镜的结构参数d＝[d1,d2,d3,…,dn]t作为神经网络训练输入，光谱响应w作为输出，训练后w＝fm(d)，矩阵w中每一列wi＝[wi1,wi2,…,wim]t，且光谱响应归一化，其中：d1,d2,d3,…,dn为超构透镜单元结构的具体参数；fm函数为正向光谱响应预测函数；wi1,wi2,…,wim为得到的滤波通道的各波长光谱透射率；i为滤波通道数。
3.根据权利要求2所述的基于神经网络的自编码解码光谱重建方法，其特征在于所述训练过程中对神经网络增加正则化约束项l(d)。
4.根据权利要求2所述的基于神经网络的自编码解码光谱重建方法，其特征在于所述结构参数d和解码神经网络参数θ优化满足等式
5.根据权利要求1所述的基于神经网络的自编码解码光谱重建方法，其特征在于所述步骤二的具体步骤如下：以实际离散的一系列光谱s＝[s1,s2,…,sm]t作为输入，以预训练神经网络的光谱响应w为其中权重对光谱进行编码，并将被编码光谱y＝w·s作为输出传递给光谱解码神经网络，为解码重建神经网络提供输入，其中：s1,s2,…,sm为各波长光谱强度分布。
6.根据权利要求1或5所述的基于神经网络的自编码解码光谱重建方法，其特征在于所述编码神经网络为一层全连接层，权重为w，偏置b＝0，神经网络正向编码过程同压缩感知算法一致，为光谱s通过i个滤波通道得到被编码光谱y。
7.根据权利要求1所述的基于神经网络的自编码解码光谱重建方法，其特征在于所述步骤三的具体步骤如下：以被编码光谱y作为输入，原始光谱s作为输出，训练后s＝fn(y)，fn函数为正向光谱解码预测函数，最后对被编码光谱进行解码重建光谱。
