(一)本发明涉及的是基于深度神经网络的噪声空间外差干涉光谱信息校正方法，可用于直接从噪声空间外差干涉图中获取校正后的降噪空间外差光谱，属于空间外差光谱。
背景技术：
0、(二)背景技术
1、空间外差光谱技术是一种新型的空间调制型傅里叶干涉光谱技术,它继承了傅里叶干涉光谱技术的高信噪比、多路传输和高分辨率等特点，同时摒弃了传统的傅里叶干涉光谱技术的动镜和扫描部件，在确定的波谱范围内，能获得超高的光谱分辨率。同时，它具有无运动部件，体积紧凑，重量轻，灵敏度相对较高等优点，在大气遥感、天文观测，矿石探测以及天气预报等应用领域具有独特优势。虽然空间外差光谱仪优势明显，但受实验环境复杂和电子元器件本身等因素干扰，也会出现信号存在噪声的情况，光谱信号的特征被各种噪声所掩盖而无法得到有价值的研究数据。因此，对噪声空间外差干涉光谱信息的校正对实现目标的高精度探测意义重大。
2、现阶段已存在对空间外差干涉图去噪的相关研究，传统的去噪算法有中值滤波和小波等，在深度学习领域有卷积神经网络去噪等。这些算法都是在图像方面进行噪声的去除，尝试从视觉上恢复图像原有的样貌，并恢复干涉条纹记录着被测对象的光谱信息。但这些算法或多或少都会对干涉条纹造成一定的改变，从而损失掉一部分光谱信息。因此，如何从噪声空间外差干涉图中提取校正后的降噪空间外差光谱需要一种更高效的方法。
3、作为一个十余年来快速发展的崭新领域，深度学习善于从原始输入数据中挖掘越来越抽象的特征表示，它通过建立神经网络从大量输入和输出的数据样本学习其隐藏关系，经过反馈调节参数，建立非线性隐式映射关系来拟合输入和输出。在光学信息处理领域，深度神经网络已为数字全息术、条纹分析、相位解包裹、鬼成像、傅里叶叠层成像、超分辨率显微成像、散射介质成像、光学层析成像、超表面优化设计等部分问题的解决提供一种全新思路，并取得了显著成效。因此，如何通过深度神经网络拟合噪声空间外差干涉图和理想空间外差光谱之间的映射关系，让网络自动学习去除噪声，实现从噪声空间外差干涉图中直接提取校正后的降噪空间外差光谱，在空间外差光谱技术领域乃至大气遥感领域具有重要的工程使用价值和理论指导意义。
技术实现思路
0、(三)
技术实现要素：
1、本发明的目的在于提供基于深度神经网络的噪声空间外差干涉光谱信息校正方法，该方法能够简化噪声干涉光谱信息处理过程，并且快速高效地从噪声空间外差干涉图中获取校正后的降噪空间外差光谱。
2、本发明的目的是这样实现的：
3、基于深度神经网络的噪声空间外差干涉光谱信息校正方法，包括以下步骤：
4、s1、利用空间外差光谱技术获取无噪空间外差干涉图；
5、s2、同时，利用空间外差光谱技术获取与上述无噪空间外差干涉图相对应的噪声空间外差干涉图；
6、s3、将无噪空间外差干涉图经傅里叶变换等获得理想空间外差光谱；
7、s4、将噪声空间外差干涉图中的光强信息做为训练集的输入，对应的无噪空间外差干涉图提取的理想空间外差光谱的光谱信息做为训练集的输出，将其导入构建的深度神经网络中进行训练；
8、s5、深度神经网络经过多次参数调整和迭代优化得到训练好的网络模型；
9、s6、应用时，利用空间外差光谱技术对目标进行探测，若存在噪声干扰则获得噪声空间外差干涉图；
10、s7、将噪声空间外差干涉图导入训练好的网络模型；
11、s8、训练好的网络模型直接从噪声空间外差干涉图中输出降噪空间外差光谱。
12、进一步地，s1的具体过程包括以下步骤：
13、对于模拟数据，根据空间外差光谱技术原理编写空间外差光谱仪仿真程序，将光谱导入仿真程序中得到相应的仿真无噪空间外差干涉图；对于实测数据，用空间外差光谱技术原理设计制作的空间外差光谱仪探测目标获取相应的实测无噪空间外差干涉图；
14、空间外差光谱技术原理为：首先被测对象的光通过前置准直系统的光阑和准直透镜，准直透镜把入射过来的光线准直后形成平行于光轴的光，然后经过入射波面进入到分束器上；分束器将入射光分成能量相同的两束相干光，反射光和透射光分别射向不同的闪耀光栅，这两部分光在闪耀光栅衍射后再次射向分束器，两相干光由于以不同的角度射出，因此在输出波面上产生空间干涉条纹，最后在电子成像探测器上形成空间外差干涉图。
15、进一步地，s2的具体过程包括以下步骤：
16、对于模拟数据，编写程序在仿真空间外差干涉图中加入相应的噪声获取噪声空间外差干涉图；对于实测数据，用空间外差光谱仪探测获取实测无噪空间外差干涉图后，可以混入非目标元素或者其他噪声干扰因素再次探测获取相应的噪声空间外差干涉图，也可以编写程序在实测无噪空间外差干涉图中加入相应的噪声获取噪声空间外差干涉图。
17、进一步地，s3中深度神经网络的构建过程包括以下步骤：
18、深度神经网络主要有输入层、隐藏层和输出层。输入层的神经元数量根据空间外差光谱仪中电子成像探测器的像素值决定；输出层的神经元数量根据空间外差光谱仪的探测波段和光谱精度决定；隐藏层的深度根据提取的光谱信息复杂程度进行调整。
19、该基于深度神经网络的噪声空间外差干涉光谱信息校正方法的有益效果为：
20、本发明可以根据不同的噪声水平训练不同的网络模型，训练好后的模型能够快速且高效地从噪声空间外差干涉图中提取校正后的降噪空间外差光谱，简化噪声干涉光谱信息处理过程，极大程度地保留被测对象地光谱信息。
1.基于深度神经网络的噪声空间外差干涉光谱信息校正方法，包括以下步骤：
2.根据权利要求1所述的基于深度神经网络的噪声空间外差干涉光谱信息校正方法，其特征在于：
3.根据权利要求1所述的基于深度神经网络的噪声空间外差干涉光谱信息校正方法，其特征在于：
4.根据权利要求1所述的基于深度神经网络的噪声空间外差干涉光谱信息校正方法，其特征在于：
5.根据权利要求1所述的基于深度神经网络的噪声空间外差干涉光谱信息校正方法，其特征在于：
