CN102176066A - 基于窄带扫描的目标最佳探测谱段成像探测方法 - Google Patents
基于窄带扫描的目标最佳探测谱段成像探测方法 Download PDFInfo
- Publication number
- CN102176066A CN102176066A CN2011100256546A CN201110025654A CN102176066A CN 102176066 A CN102176066 A CN 102176066A CN 2011100256546 A CN2011100256546 A CN 2011100256546A CN 201110025654 A CN201110025654 A CN 201110025654A CN 102176066 A CN102176066 A CN 102176066A
- Authority
- CN
- China
- Prior art keywords
- image
- picture
- target
- pseudo
- spectrum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 59
- 238000003384 imaging method Methods 0.000 title claims abstract description 39
- 230000003595 spectral effect Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000001228 spectrum Methods 0.000 claims abstract description 56
- 230000000694 effects Effects 0.000 claims abstract description 10
- 230000008901 benefit Effects 0.000 claims abstract description 7
- 238000013507 mapping Methods 0.000 claims abstract description 3
- 239000004744 fabric Substances 0.000 claims description 42
- 230000008859 change Effects 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000001303 quality assessment method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 239000000463 material Substances 0.000 abstract description 13
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
Images
Abstract
本发明公开了一种基于窄带扫描的目标最佳探测谱段成像探测方法,首先要对场景采用声光调谐滤波器分谱成像,然后对场景的各个分谱图进行按照灰度相近的方式分解为各个光谱下的多个伪单目标像,针对每个伪单目标像采用坐标映射的方式获取其在其他光谱下的镜像,得到了各个光谱下探测到的所有分解目标及其镜像,使用一种基于目标边缘与目标的阶跃差异值来衡量此目标的成像质量,选择出每一组伪单目标像及其镜像中的最佳目标像,最后将选择的出来的所有最佳目标像叠加、灰度压缩就形成了最终的探测图像。本发明能够甄选场景中不同目标在不同光谱下的最佳成像效果并且加以融合,有效综合各个光谱的优势,能对隐身材料或者暗目标探测更加有效。
Description
技术领域
本发明属于目标成像探测技术,特别是一种基于窄带扫描的目标最佳探测谱段成像探测方法。
背景技术
多光谱成像技术是将成像技术和光谱测量技术相结合,获取的信息不仅包括二维空间信息,还包含随波长分布的光谱辐射信息。丰富的目标光谱信息结合目标空间影像提高了目标探测的准确性、扩展了传统探测技术的功能,因此广泛应用于地理遥感、军事侦察、医疗光谱和环境监测等等。
目前基于多光谱的探测方法大部分方法局限在对目标在不同光谱下的图像进行信息融合,这类融合方法常见的有彩色空间变换(IHS变换)、PCA(主成分分析)变换、HPF(高通滤波方法)、多分辨率小波分析;或者利用光谱波形匹配方法进行目标探测,以光谱波形特征参数表征为探测的切入点进行成像探测。例如上海交通大学在2004年申请的“基于影像局部光谱特性的遥感影像融合方法”申请号200410018480,利用遥感影像的局部相关矩和局部方差,使用小波对遥感影像高低频采用不同融合方法来提高遥感图像的分辨率,就属于第一大类。中国科学院遥感应用研究所的博士学位论文“高、多光谱遥感目标识别算法及其在岩性目标提取中的应用”(王钦军)就是利岩石的光谱特性在多光谱遥感图像中提取岩石目标,属于第二大类。除此之外也有一部分新的多光谱探测方法出现,例如武春风、张伟等人在“基于红外多光谱图像相关性的自动目标识别算法”(红外与毫米波学报,2003年04期)提出的基于多光谱图像相关性的目标探测方法。
上述方法在目标光谱能量比较暗,或者目标采用了降低材料发射率和反射率的隐身技术时其探测效果将会大打折扣。在采用多光谱图像色彩融合方面由于不同光谱段材料的成像质量存在差异,融合之后会出现“取长补短”的现象没有合理利用材料最佳的探测波段成像。
发明内容
本发明的目的在于提供一种基于窄带扫描的目标最佳探测谱段成像探测方法,利用多光谱窄带扫描机能,扫描不同材料的最佳探测频段,然后使用获得的各个目标在其最佳探测谱段下的图像融合生成最佳探测图像,为隐形目标、暗目标(常规成像方式中较暗目标)的探测提供更加有效方式。
实现本发明目的的技术解决方案为:一种基于窄带扫描的目标最佳探测谱段成像探测方法,步骤如下:
(1)将目标场景通过镜头汇聚到光谱分谱扫描装置上,光谱分谱扫描装置驱动器驱动对目标场景光谱分光,每一分光后的光谱达到起始波长为Nj nm,带宽为10nm的窄带光谱,N为总的波段数,j为第几段波段;
(2)经过光谱扫描分光的每一个光谱段下的目标场景到达成像器件形成图像,这样一幅10nm窄带光谱段下的场景所成图像称为“单分帧图像”,图像分辨率即为L*P;图像经过图像采集模块采集传递到图像处理器中,保存在一个三维数组中;对图像进行分层操作,将图像灰度平均分为10-20层,每一层包含12-25个灰度等级;新建10-20个三维数组分别用来保存图像的对应分层,遍历每幅“单分帧图像”所有像素,将每个像素依据其灰度值所属区间归属到对应的分层,将这些分层图像称为“伪单目标像”;
(3)对每幅“伪单目标像”计算“边缘突变差异值”,用来标记与背景的差异程度,进而衡量目标在此光谱下的成像效果,计算“边缘突变差异值”的方法为:首先建立一个图像分辨率大小L*P的空三维矩阵,将本“伪单目标像”中所有像素点在此矩阵中存在的点全部赋值为1,其他的像素点全部赋值为0,定义为“伪单目标像”的“坐标图像”Zl*p;
(4)对每幅“坐标图像”使用canny算子求出边缘图像Al*p即内边界,由于所求内边界图像是坐标图像边界仍然属于坐标图像,为了求出坐标图像的所有外边界坐标矩阵,需要将边界图像按照下列十字矩阵膨胀:
0 | 1 | 0 |
1 | 1 | |
0 | 1 | 0 |
(5)针对求出的所有“伪单目标像”坐标像,使用每一个坐标像点乘M-1幅“单分帧图像”获取其在M-1幅“单分帧图像”中对应的M-1幅镜像;用“伪单目标像”坐标像点乘“单分帧图像”获取的,即为在此“单分帧图像”下的镜像,然后计算这一组图像的质量评价因子“边缘突变差异值”;
(6)获取了所有的最佳目标像之后,首先建立一个空的三维坐标P[x, y, g]用来记录叠加所有最佳目标图像数据,然后叠加所有最佳目标图像数据,将每个x、y坐标对应的所有灰度值之和存入P数组中,最后由于像素灰度值不能超过255,所以需要对P中的灰度值标准化,采用如下格式:
式中:
是P中的x、y坐标对;
此标准化既是将叠加后的最大灰度值压缩为255,然后其他的灰度值也要按此压缩比例整体压缩,标准化后的P数组记录了最终的成像探测灰度图像。
本发明与现有技术相比,其显著优点:利用了多光谱成像优势,所探测的目标总是在其最佳探测谱段成像,在对抗隐身目标或者处于“阴暗”点的目标有着更好的探测效果,对光谱较为敏感,很好的融合探测出在各个光谱下面的目标细节。在图2中可以看出最终的最佳探测图像很好的体现了a~c图像的轮廓,d~e图像的细节,甚至只在e幅图像中出现的光线也被包含了,因此体现了本发明综合各个光谱探测能力的优势。(1)先找到各个目标能达到最佳成像质量的光谱段,然后采用目标叠加的方式融合所有目标在最佳光谱段下的图像形成最终的最佳探测图像。(2)在理想状态下,相同材质在同种光谱下具有相同的成像效果,在灰度图像中就是表现在灰度相同,这一图像分解原则。在此基础上也提出了“伪单目标像”的定义和具体如何分解图像为“伪单目标像”的方法。(3)提出了求“边缘突变差异值”的方法来评价“伪单目标像”质量,算法简洁可靠,有效避免通常融合算法的“取长补短”缺点,能对隐身材料或者暗目标探测更加有效。
下面结合附图对本发明作进一步详细描述。
附图说明
图1是本发明基于窄带扫描的目标最佳探测谱段成像探测方法的实现系统框图。
图2是本发明基于窄带扫描的目标最佳探测谱段成像探测方法最终的最佳探测图像效果展示:a.单分帧像1,b.单分帧像2,c.单分帧像3,d.单分帧像4,e.单分帧像5,f.最佳探测图像。
图3是本发明基于窄带扫描的目标最佳探测谱段成像探测方法流程框图。
具体实施方式
本发明基于窄带扫描的目标最佳探测谱段成像探测方法,首先要对场景采用声光调谐滤波器分谱成像,然后对场景的各个分谱图进行按照灰度相近的方式分解为各个光谱下的多个伪单目标像,针对每个伪单目标像采用坐标映射的方式获取其在其他光谱下的镜像,这样就得到了各个光谱下探测到的所有分解目标及其镜像,使用一种基于目标边缘与目标的阶跃差异值来衡量此目标的成像质量,选择出每一组伪单目标像及其镜像中的最佳目标像,最后将选择的出来的所有最佳目标像叠加、灰度压缩就形成了最终的探测图像。
不同材质目标其光谱特性也不相同,反应在彩色图像上就是目标的颜色亮度各不相同,在灰度图像上就是灰度值不同,因此形成边界、形状及层次等等。与常规图像探测方法采用一种或者多种谱段成像,然后进行融合不同,本发明是通过寻找判断不同材质的最佳探测谱段,然后融合所有目标在对应最佳谱段下的探测图像以提高目标的探测效率。在确认不同材料最佳探测谱段上,本发明使用了一种求目标“边缘突变差异值”方法来衡量确认,“边缘突变差异值”的计算方法在后面具体说明。
结合图1和图3,本发明基于窄带扫描的目标最佳探测谱段成像探测方法的步骤如下:
1.将目标场景通过镜头汇聚到光谱分谱扫描装置(如现有技术的窄带光谱扫描机构)上,本发明采用的是声光调谐滤波器的光谱分谱扫描装置。光谱扫描装置扫描波长范围(500nm~700nm),光谱分辨率小于10nm。光谱分谱扫描装置驱动器驱动对目标场景光谱分光,每一分光后的光谱达到起始波长为Nj nm带宽为10nm的窄带光谱,经过分谱后的光谱(起始波长Nj nm,步进带宽10nm,N=200)传递到成像器件(EMCCD)上形成第j幅“单分帧图像”。在形成一幅“单分帧图像”之后,重复“单分帧图像”成像过程形成下一幅图像,当扫描完设定的局域光谱段时结束光谱成像。其中N为总的波段数,j为第几段波段。这样(500nm~700nm)的局域光谱被分割为200段窄带光谱,每一窄带光谱的带宽为10nm。
2.经过光谱扫描分光的每一个光谱段下的目标场景到达成像器件(EMCCD相机)形成图像,这样一幅10nm窄带光谱段下的场景所成图像称为“单分帧图像”,图像分辨率即为L*P。这里,使用的EMCCD相机采用Andor Luca EMCCD相机。图像经过图像采集模块采集传递到图像处理器中,保存在一个三维数组中,此图像处理器采用数字信号处理芯片(如TMS320DM642),视频图像采集模块采用四片视频解码器(如SAA7111),将NTSC、PAL视频信号转换成数字色差信号,其输出格式为ITU-R BT.656。视频解码器的配置是通过数字信号处理芯片的控制总线来完成,数据存储模块采用4M×64位的SDRAM;程序存储器采用4M×8位的FLASH。
对每幅“单分帧图像”利用“灰度平均分层法”进行分层。扫描形成的M幅“单分帧图像”,将这M幅像全部分层处理。“灰度平均分层法”具体方法如下:首先每一幅图像在图像处理器中存储为一个3维矩阵即像素X坐标、像素Y坐标和像素灰度值。然后设定层数K,把灰度值(0-255)平均分成K个区间,依据每个像素的灰度值把每个像素归于某个区间实现分层。这里的K值决定了每幅图像的分解精细程度,称之为图像的“分解度”。在理想状态下,相同材质在同种光谱下具有相同的成像效果,在灰度图像中就是表现在灰度相同。本步骤将每幅图像分解为灰度值接近的K幅分层图像,换而言之,也就是分层后的每幅分层图像展现的是此光谱下的“同材质”目标像,这里称为“伪单目标像”。
下面对图像进行分层操作,对图像进行分层操作,将图像灰度平均分为10-20层,每一层包含12-25个灰度等级。以图像灰度平均分为15层为例进行说明,即每一层包含17个灰度等级,第一层灰度从1~17,第二层灰度从18~34……。新建15个三维数组分别用来保存图像的对应分层。遍历每幅“单分帧图像”所有像素,将每个像素依据其灰度值所属区间归属到对应的分层。这样,每幅“单分帧图像”就形成了15幅分层图像。根据相同材质在同种光谱下具有相同的成像效果,在灰度图像中就是表现在灰度相同,本发明将这些分层图像称为“伪单目标像”。
3.获取每幅“单分帧图像”中每一个“伪单目标像”即分层像在其他“单分帧图像”中对应的镜像。这样,同一场景存在M幅“单分帧图像”,每一幅“单分帧图像”被分解为不多于K幅的“伪单目标像”,每一幅“伪单目标像”对应M-1幅的镜像。对每幅“伪单目标像”计算“边缘突变差异值”,用来标记与背景的差异程度,进而衡量目标在此光谱下的成像效果,关于计算“边缘突变差异值”的方法为,首先建立一个图像分辨率大小L*P的空三维矩阵,将本“伪单目标像”中所有像素点在此矩阵中存在的点全部赋值为1,其他的像素点全部赋值为0,定义为“伪单目标像”的“坐标图像”Zl*p。
4.在每一组“伪单目标像”和其镜像中选择一幅最佳目标像。对于每幅“伪单目标像”及其镜像,使用“边缘突变差异值”来标记此图像在本光谱波段下的成像质量。“边缘突变差异值”是评价图像目标像与背景差异程度的一种方式。首先在图像中找到属于“伪单目标像”的边界点集合,称为“伪单目标像”的“内边界”,然后采用腐蚀的方式获取属于背景的与“伪单目标像”接触的边界点集合,作为“伪单目标像”的“外边界”。先计算“外边界”中所有点灰度值与“伪单目标像”平均灰度值差的绝对值和,然后用求出的和除以“外边界”点的像素个数求出灰度平均值,得出的值作为“边缘突变差异值”。求出“伪单目标像”和其镜像对应的“边缘突变差异值”后,对比寻找“边缘突变差异值”最大的像,此像即为所要寻找的此“伪单目标”最佳目标像,将此像保存为在图像处理器中的最佳目标像存储器中。
对每幅“坐标图像”使用canny算子求出边缘图像Al*p即“内边界”。由于所求边缘图像是坐标图像边界仍然属于坐标图像,为了求出坐标图像的所有“外边界”坐标矩阵,需要将边界图像按照下列十字矩阵膨胀:
5.针对之前求出的所有“伪单目标像”坐标像,使用每一个坐标像点乘M-1幅“单分帧图像”获取其在M-1幅“单分帧图像”中对应的M-1幅镜像。用“伪单目标像”坐标像点乘“单分帧图像”获取的即为在此“单分帧图像”下的镜像。然后计算这一组图像的质量评价因子“边缘突变差异值”。
计算“边缘突变差异值”方法为:首先利用所求外边界坐标矩阵点乘“伪单目标像”或者其镜像所在的“单分帧图像”获取自身的外边界灰度值三维数组。然后计算“伪单目标像”或者其镜像的平均灰度值作为其与背景差异的评价阈值,计算方法为。最后计算此分层的“边缘突变差异值”公式如下:
其中:
g是所求K值的“伪单目标像”或者其镜像的平均灰度值;
N是此分层“外边界”像素个数。
取每一组“伪单目标像”及其镜像中K值最大的一幅图像,作为此“伪目标”最佳目标图像保存在图像处理器的最佳目标图像存储器中。
6.获取了所有的最佳目标像之后,首先建立一个空的三维坐标P[x, y, g]用来记录叠加所有最佳目标图像数据。然后叠加所有最佳目标图像数据,将每个x、y坐标对应的所有灰度值之和存入P数组中。最后由于像素灰度值不能超过255,所以需要对P中的灰度值标准化,采用如下格式:
式中:
此标准化既是将叠加后的最大灰度值压缩为255,然后其他的灰度值也要按此压缩比例整体压缩,标准化后的P数组记录了最终的成像探测灰度图像。求出每一组“伪单目标像”和其镜像中的最佳目标像,然后重组所有最佳目标像为最佳成像探测图像。按照灰度叠加方式融合各最佳目标像,叠加之后的灰度图像可能出现像素点灰度值超过255的情况,所以需要对最终灰度图像整体做均衡压缩将最大灰度值限制在255。
Claims (3)
1.一种基于窄带扫描的目标最佳探测谱段成像探测方法,其特征在于,首先要对场景采用声光调谐滤波器分谱成像,然后对场景的各个分谱图进行按照灰度相近的方式分解为各个光谱下的多个伪单目标像,针对每个伪单目标像采用坐标映射的方式获取其在其他光谱下的镜像,这样就得到了各个光谱下探测到的所有分解目标及其镜像,使用一种基于目标边缘与目标的阶跃差异值来衡量此目标的成像质量,选择出每一组伪单目标像及其镜像中的最佳目标像,最后将选择的出来的所有最佳目标像叠加、灰度压缩就形成了最终的探测图像。
2.根据权利要求1所述的基于窄带扫描的目标最佳探测谱段成像探测方法,其特征在于步骤如下:
(1)将目标场景通过镜头汇聚到光谱分谱扫描装置上,光谱分谱扫描装置驱动器驱动对目标场景光谱分光,每一分光后的光谱达到起始波长为Nj nm,带宽为10nm的窄带光谱,N为总的波段数,j为第几段波段;
(2)经过光谱扫描分光的每一个光谱段下的目标场景到达成像器件形成图像,这样一幅10nm窄带光谱段下的场景所成图像称为“单分帧图像”,图像分辨率即为L*P;图像经过图像采集模块采集传递到图像处理器中,保存在一个三维数组中;对图像进行分层操作,将图像灰度平均分为10-20层,每一层包含12-25个灰度等级;新建10-20个三维数组分别用来保存图像的对应分层,遍历每幅“单分帧图像”所有像素,将每个像素依据其灰度值所属区间归属到对应的分层,将这些分层图像称为“伪单目标像”;
(3)对每幅“伪单目标像”计算“边缘突变差异值”,用来标记与背景的差异程度,进而衡量目标在此光谱下的成像效果,计算“边缘突变差异值”的方法为:首先建立一个图像分辨率大小L*P的空三维矩阵,将本“伪单目标像”中所有像素点在此矩阵中存在的点全部赋值为1,其他的像素点全部赋值为0,定义为“伪单目标像”的“坐标图像”Zl*p;
(4)对每幅“坐标图像”使用canny算子求出边缘图像Al*p即内边界,由于所求内边界图像是坐标图像边界仍然属于坐标图像,为了求出坐标图像的所有外边界坐标矩阵,需要将边界图像按照下列十字矩阵膨胀:
(5)针对求出的所有“伪单目标像”坐标像,使用每一个坐标像点乘M-1幅“单分帧图像”获取其在M-1幅“单分帧图像”中对应的M-1幅镜像;用“伪单目标像”坐标像点乘“单分帧图像”获取的,即为在此“单分帧图像”下的镜像,然后计算这一组图像的质量评价因子“边缘突变差异值”;
(6)获取了所有的最佳目标像之后,首先建立一个空的三维坐标P[x, y, g]用来记录叠加所有最佳目标图像数据,然后叠加所有最佳目标图像数据,将每个x、y坐标对应的所有灰度值之和存入P数组中,最后由于像素灰度值不能超过255,所以需要对P中的灰度值标准化,采用如下格式:
式中:
此标准化既是将叠加后的最大灰度值压缩为255,然后其他的灰度值也要按此压缩比例整体压缩,标准化后的P数组记录了最终的成像探测灰度图像。
3.根据权利要求2所述的基于窄带扫描的目标最佳探测谱段成像探测方法,其特征在于在步骤(5)中,计算“边缘突变差异值”方法为:首先利用所求“伪单目标像”外边界坐标矩阵点乘“伪单目标像”或者其镜像所在的“单分帧图像”获取自身的外边界灰度值三维数组,然后计算“伪单目标像”或者其镜像的平均灰度值作为其与背景差异的评价阈值,计算方法为;最后计算此分层的“边缘突变差异值”公式如下:
其中:
g是所求K值的“伪单目标像”或者其镜像的平均灰度值;
取此分层“外边界”的X坐标和对应Y坐标;
N是此分层“外边界”像素个数;
取每一组“伪单目标像”及其镜像中K值最大的一幅图像,作为此“伪目标”最佳目标图像保存在图像处理器的最佳目标图像存储器中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110025654.6A CN102176066B (zh) | 2011-01-24 | 2011-01-24 | 基于窄带扫描的目标最佳探测谱段成像探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110025654.6A CN102176066B (zh) | 2011-01-24 | 2011-01-24 | 基于窄带扫描的目标最佳探测谱段成像探测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102176066A true CN102176066A (zh) | 2011-09-07 |
CN102176066B CN102176066B (zh) | 2014-09-17 |
Family
ID=44519268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110025654.6A Expired - Fee Related CN102176066B (zh) | 2011-01-24 | 2011-01-24 | 基于窄带扫描的目标最佳探测谱段成像探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102176066B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107770554A (zh) * | 2017-10-26 | 2018-03-06 | 胡明建 | 一种并行位移小波法对图像分层并压缩的设计方法 |
CN109620078A (zh) * | 2018-12-18 | 2019-04-16 | 广东美的白色家电技术创新中心有限公司 | 洗碗机智能控制方法、洗碗机及具有存储功能的装置 |
CN110765853A (zh) * | 2019-09-10 | 2020-02-07 | 中国科学院上海技术物理研究所 | 一种多谱段相机的图像处理方法 |
CN113762266A (zh) * | 2021-09-01 | 2021-12-07 | 北京中星天视科技有限公司 | 目标检测方法、装置、电子设备和计算机可读介质 |
CN113762266B (zh) * | 2021-09-01 | 2024-04-26 | 北京中星天视科技有限公司 | 目标检测方法、装置、电子设备和计算机可读介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1990005921A1 (en) * | 1988-11-17 | 1990-05-31 | Grumman Aerospace Corporation | Adaptive waveform radar |
JPH09329497A (ja) * | 1996-04-11 | 1997-12-22 | Olympus Optical Co Ltd | 測色装置及び測色方法 |
CN1581230A (zh) * | 2004-05-20 | 2005-02-16 | 上海交通大学 | 基于影像局部光谱特性的遥感影像融合方法 |
US20060051036A1 (en) * | 2004-09-03 | 2006-03-09 | Treado Patrick J | Method and apparatus for fiberscope |
JP2007127657A (ja) * | 1995-05-23 | 2007-05-24 | Olympus Corp | 撮像装置、撮像方法、色分類装置、色分類方法および色むら検査装置 |
CN101807301A (zh) * | 2010-03-17 | 2010-08-18 | 北京航空航天大学 | 一种基于高阶统计量的高光谱图像目标检测方法 |
-
2011
- 2011-01-24 CN CN201110025654.6A patent/CN102176066B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1990005921A1 (en) * | 1988-11-17 | 1990-05-31 | Grumman Aerospace Corporation | Adaptive waveform radar |
JP2007127657A (ja) * | 1995-05-23 | 2007-05-24 | Olympus Corp | 撮像装置、撮像方法、色分類装置、色分類方法および色むら検査装置 |
JPH09329497A (ja) * | 1996-04-11 | 1997-12-22 | Olympus Optical Co Ltd | 測色装置及び測色方法 |
CN1581230A (zh) * | 2004-05-20 | 2005-02-16 | 上海交通大学 | 基于影像局部光谱特性的遥感影像融合方法 |
US20060051036A1 (en) * | 2004-09-03 | 2006-03-09 | Treado Patrick J | Method and apparatus for fiberscope |
CN101807301A (zh) * | 2010-03-17 | 2010-08-18 | 北京航空航天大学 | 一种基于高阶统计量的高光谱图像目标检测方法 |
Non-Patent Citations (5)
Title |
---|
周建勋等: "窄带成像光谱仪技术与实时多光谱图像处理", 《南京理工大学学报》, vol. 20, no. 2, 30 April 1996 (1996-04-30) * |
张闯: "单通道双谱微光彩色夜视技术研究", 《中国博士学位论文全文数据库 信息科技辑》, 15 January 2009 (2009-01-15) * |
张闯等: "单通道双谱夜视系统中的光谱匹配及滤光技术", 《光子学报》, vol. 36, no. 9, 30 September 2007 (2007-09-30) * |
武春风等: "基于红外多光谱图像相关性的自动目标识别算法", 《红外与毫米波学报》, no. 4, 31 December 2003 (2003-12-31) * |
王钦军: "高/多光谱遥感目标识别算法及其在岩性目标提取中的应用", 《中国优秀博硕士学位论文全文数据库(博士) 信息科技辑》, 15 December 2006 (2006-12-15) * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107770554A (zh) * | 2017-10-26 | 2018-03-06 | 胡明建 | 一种并行位移小波法对图像分层并压缩的设计方法 |
CN107770554B (zh) * | 2017-10-26 | 2020-08-18 | 胡明建 | 一种并行位移小波法对图像分层并压缩的设计方法 |
CN109620078A (zh) * | 2018-12-18 | 2019-04-16 | 广东美的白色家电技术创新中心有限公司 | 洗碗机智能控制方法、洗碗机及具有存储功能的装置 |
CN110765853A (zh) * | 2019-09-10 | 2020-02-07 | 中国科学院上海技术物理研究所 | 一种多谱段相机的图像处理方法 |
CN110765853B (zh) * | 2019-09-10 | 2023-05-05 | 中国科学院上海技术物理研究所 | 一种多谱段相机的图像处理方法 |
CN113762266A (zh) * | 2021-09-01 | 2021-12-07 | 北京中星天视科技有限公司 | 目标检测方法、装置、电子设备和计算机可读介质 |
CN113762266B (zh) * | 2021-09-01 | 2024-04-26 | 北京中星天视科技有限公司 | 目标检测方法、装置、电子设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN102176066B (zh) | 2014-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | A comparison of multisensor integration methods for land cover classification in the Brazilian Amazon | |
JPWO2010021090A1 (ja) | 距離推定装置、距離推定方法、プログラム、集積回路およびカメラ | |
KR102170260B1 (ko) | 합성 개구 레이더 영상 및 다중분광영상의 융합 장치, 방법 및 그를 이용한 변화 검출 방법 | |
US10949700B2 (en) | Depth based image searching | |
JP6497579B2 (ja) | 画像合成システム、画像合成方法、画像合成プログラム | |
US20050286770A1 (en) | Endmember spectrum database construction method, endmember spectrum database construction apparatus and endmember spectrum database construction program | |
JP6200826B2 (ja) | 林相解析装置、林相解析方法及びプログラム | |
EP2711730A1 (en) | Monitoring of people and objects | |
WO2021084907A1 (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
IL157098A (en) | Spectral tracking of a target | |
CN102176066B (zh) | 基于窄带扫描的目标最佳探测谱段成像探测方法 | |
CA3038176C (en) | Object motion mapping from single-pass electro-optical satellite imaging sensors | |
Altmann et al. | Efficient range estimation and material quantification from multispectral lidar waveforms | |
US11455710B2 (en) | Device and method of object detection | |
CN106910178B (zh) | 一种基于色调统计特性分类的多角度sar图像融合方法 | |
CA3140449A1 (en) | System and method for object recognition using 3d mapping and modeling of light | |
Chen et al. | Fusion of LIDAR data and high resolution images for forest canopy modelling | |
Jabari et al. | Improving UAV imaging quality by optical sensor fusion: an initial study | |
JP6334281B2 (ja) | 林相解析装置、林相解析方法及びプログラム | |
Bandyopadhyay et al. | On the fusion of lidar and aerial color imagery to detect urban vegetation and buildings | |
JP6218678B2 (ja) | 林相解析装置、林相解析方法及びプログラム | |
JP6200821B2 (ja) | 林相解析装置、林相解析方法及びプログラム | |
Yan et al. | Integration of spatial-spectral information for hyperspectral image classification | |
Zheng | A channel-based color fusion technique using multispectral images for night vision enhancement | |
Kedzierski et al. | Integration of point clouds and images acquired from a low-cost NIR camera sensor for cultural heritage purposes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140917 |