CN104268896B - 基于光谱抽样直方图的超光谱降维匹配方法及系统 - Google Patents
基于光谱抽样直方图的超光谱降维匹配方法及系统 Download PDFInfo
- Publication number
- CN104268896B CN104268896B CN201410584276.9A CN201410584276A CN104268896B CN 104268896 B CN104268896 B CN 104268896B CN 201410584276 A CN201410584276 A CN 201410584276A CN 104268896 B CN104268896 B CN 104268896B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- sampling
- spectra
- normalization
- library
- 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.)
- Expired - Fee Related
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 272
- 238000005070 sampling Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000010606 normalization Methods 0.000 claims abstract description 64
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 230000003595 spectral effect Effects 0.000 claims description 47
- 230000005855 radiation Effects 0.000 claims description 16
- 230000008878 coupling Effects 0.000 claims description 10
- 238000010168 coupling process Methods 0.000 claims description 10
- 238000005859 coupling reaction Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 3
- 230000036039 immunity Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明提供一种基于光谱抽样直方图的超光谱降维匹配方法及系统,包括对待匹配光谱和光谱库中的所有光谱分别进行归一化处理,分别获取归一化后的待匹配光谱和光谱库中所有光谱的抽样直方图,计算待匹配光谱的抽样直方图与光谱库中所有光谱的抽样直方图的欧氏距离,在光谱库中选取与待匹配光谱抽样直方图欧氏距离最小的一条光谱作为匹配对象。本发明通过对归一化后的光谱使用等间距的窄带进行抽样,从而获得维数远小于原始光谱的抽样直方图,完成了光谱的降维,然后使用降维后的抽样直方图代替原始光谱进行匹配,显著降低了后续匹配时的运算量,同时在抽样时利用分段提取的方法保留了光谱图中的相对位置信息,提高了匹配的精度。
Description
技术领域
本发明涉及超光谱降维匹配技术领域,具体地说,本发明涉及一种基于光谱抽样直方图的超光谱降维匹配方法及系统。
背景技术
光谱遥感仪器正向着更高的光谱分辨率、空间分辨率以及时间分辨率的方向发展,测量得到的光谱数据维数可达数千维甚至数万维。在得到超光谱数据后,最常见也是最基础的需求是鉴别物质的种类,而鉴别种类就需要进行光谱的匹配。简单的说,光谱匹配是通过计算逐一比较光谱数据库中的所有参考光谱与待测光谱,选择最近似的一条光谱作为待测光谱的匹配结果。匹配结果可用于确定待测光谱的种类,或者作为对照信息供进一步分析时参考。
然而,传统的光谱匹配算法很难适应超光谱数据维数巨大这一特性,计算复杂度大而且耗时长,无法达到实时性的要求。解决这一问题的关键在于使用适当的光谱降维算法对超光谱数据进行降维处理,即通过大幅降低光谱维数来减小运算量,提高实时性,同时保证光谱匹配的准确性尽量不受影响。但从研究现状来看,还没有专门用于超光谱数据的降维匹配算法,目前的光谱降维算法都是为几百维的高光谱数据而设计的,若直接用于超光谱数据降维然后再匹配,其性能不佳。
发明内容
为克服相应技术缺陷,本发明提出了一种基于光谱抽样直方图的超光谱降维匹配技术方案。
本发明技术方案提供一种基于光谱抽样直方图的超光谱降维匹配方法,包括以下步骤:
步骤1,光谱归一化,包括对待匹配光谱和光谱库中的所有光谱分别进行归一化处理,归一化公式如下,
ρn=(ρ-ρmin)/(ρmax-ρmin)
其中,ρn为归一化后的光谱辐射值,ρ为原始光谱的辐射值,ρmax为该条原始光谱中辐射值的最大值,ρmin为该条原始光谱中辐射值的最小值;
步骤2,获取抽样直方图,包括分别获取归一化后的待匹配光谱和光谱库中所有光谱的抽样直方图,实现方式为对归一化后的待匹配光谱和归一化后的光谱库中任一光谱,按照相应归一化后的光谱图,分别执行以下操作,
将归一化后的光谱图在整个超光谱波段范围平均划分为s段,s为预设参数;
在归一化后的光谱图上作M条互相平行且等间隔的宽度为2d的水平窄带,M和d为预设参数,则M条窄带在s个不同波段内与归一化后的光谱图中光谱曲线相交的次数组成抽样直方图,用(s×M)维向量{α11,α12,…α1M,…,αs1,…,αsM}表示,其中αij为第i个波段中第j条窄带与光谱曲线相交的次数,i=1,2,…,s,j=1,2,…,M;
步骤3,计算欧氏距离,包括计算待匹配光谱的抽样直方图与光谱库中所有光谱的抽样直方图的欧氏距离,设光谱库中有N条光谱,则分别计算得到待测光谱与光谱库中每条光谱抽样直方图的欧氏距离EDk,k=1,…,N,实现方式为对待匹配光谱的抽样直方图与光谱库中任一光谱的抽样直方图计算欧氏距离如下,
设A′={α′11,α′12,…α′1M,…α′s1,…α′sM}为待测光谱的抽样直方图,α′ij为待测光谱相应第i个波段中第j条窄带与光谱曲线相交的次数,A″={α″11,α″12,…α″1M,…α″s1,…α″sM}为光谱库中任意一条光谱的抽样直方图,α″ij为光谱库中任意一条光谱相应第i个波段中第j条窄带与光谱曲线相交的次数,
计算欧氏距离的公式为,
步骤4,光谱匹配,包括在光谱库中选取与待匹配光谱抽样直方图欧氏距离最小的一条光谱作为匹配对象。
本发明还相应提供一种基于光谱抽样直方图的超光谱降维匹配系统,包括以下模块:
光谱归一化模块,用于对待匹配光谱和光谱库中的所有光谱分别进行归一化处理,归一化公式如下,
ρn=(ρ-ρmin)/(ρmax-ρmin)
其中,ρn为归一化后的光谱辐射值,ρ为原始光谱的辐射值,ρmax为该条原始光谱中辐射值的最大值,ρmin为该条原始光谱中辐射值的最小值;
抽样直方图获取模块,用于分别获取归一化后的待匹配光谱和光谱库中所有光谱的抽样直方图,实现方式为对归一化后的待匹配光谱和归一化后的光谱库中任一光谱,按照相应归一化后的光谱图,分别执行以下操作,
将归一化后的光谱图在整个超光谱波段范围平均划分为s段,s为预设参数;
在归一化后的光谱图上作M条互相平行且等间隔的宽度为2d的水平窄带,M和d为预设参数,则M条窄带在s个不同波段内与归一化后的光谱图中光谱曲线相交的次数组成抽样直方图,用(s×M)维向量{α11,α12,…α1M,…,αs1,…,αsM}表示,其中αij为第i个波段中第j条窄带与光谱曲线相交的次数,i=1,2,…,s,j=1,2,…,M;
欧氏距离计算模块,用于计算待匹配光谱的抽样直方图与光谱库中所有光谱的抽样直方图的欧氏距离,设光谱库中有N条光谱,则分别计算得到待测光谱与光谱库中每条光谱抽样直方图的欧氏距离EDk,k=1,…,N,实现方式为对待匹配光谱的抽样直方图与光谱库中任一光谱的抽样直方图计算欧氏距离如下,
设A′={α′11,α′12,…α′1M,…α′s1,…α′sM}为待测光谱的抽样直方图,α′ij为待测光谱相应第i个波段中第j条窄带与光谱曲线相交的次数,A″={α″11,α″12,…α″1M,…α″s1,…α″sM}为光谱库中任意一条光谱的抽样直方图,α″ij为光谱库中任意一条光谱相应第i个波段中第j条窄带与光谱曲线相交的次数,
计算欧氏距离的公式为,
光谱匹配模块,用于在光谱库中选取与待匹配光谱抽样直方图欧氏距离最小的一条光谱作为匹配对象。
本发明分析超光谱的抽样直方图信息,通过对归一化后的光谱使用等间距的窄带进行抽样,从而获得维数远小于原始光谱的抽样直方图,完成了光谱的降维,显著降低了后续匹配时的运算量,同时在抽样时利用分段提取的方法保留了光谱图中的相对位置信息,提高了匹配的精度。本发明的技术方案可以抑制不同级别的噪声对光谱图抽样的影响,具有良好的抗噪性和鲁棒性,相对传统方法可以显著降低匹配运算量,实时性好,具有良好的抗噪性和鲁棒性,匹配精度高。
附图说明
图1是本发明实施例的流程图。
图2是本发明实施例的分波段抽样示意图。
具体实施方式
下面结合附图和实施例对本发明进行进一步的说明。
参照附图1,本发明主要由4个步骤组成:光谱归一化,获取光谱的抽样直方图,计算欧氏距离,取最小欧氏距离完成匹配。实施例选取含有1432种物质光谱的光谱库,每种物质在光谱库中只有一条光谱数据。光谱分辨率为Δσ=0.1cm-1,波长范围为2-14μm,对应波数范围为5000-714cm-1。在此光谱范围内共有N=42861个采样点,即原始光谱为42861维。
具体实施时,本发明技术方案可采用计算机软件技术实现自动运行流程。实施例执行步骤如下:
(1)光谱归一化步骤包括,分别对待匹配光谱和光谱库中的所有光谱进行归一化处理,归一化公式如下:
ρn=(ρ-ρmin)/(ρmax-ρmin)
其中,ρn为归一化后的光谱辐射值,ρ为原始光谱的辐射值,ρmax为该条原始光谱中辐射值的最大值,ρmin为该条原始光谱中辐射值的最小值。
将待匹配光谱和光谱库中的所有光谱分别作为原始光谱,按以上归一化公式进行处理,得到相应归一化后的待匹配光谱和光谱库中所有光谱。
(2)获取抽样直方图步骤包括,分别获取归一化后的待匹配光谱和光谱库中所有光谱的抽样直方图。
实施例中,对归一化后的待匹配光谱和归一化后的光谱库中任一光谱,按照相应归一化后的光谱图,分别执行包括以下操作:
(2.1)划分波段,包括将归一化后的光谱图在整个超光谱波段范围平均划分为s段,s为预设参数,具体实施时本领域技术人员可自行预设的s取值,本实施例中s取3;
(2.2)在每个波段分别抽样,联合起来组成光谱的抽样直方图:在归一化后的光谱图上作M条互相平行且等间隔的宽度为2d的水平窄带,M和d为预设参数,具体实施时本领域技术人员可自行预设的M、d取值,则M条窄带在s个不同波段内与归一化后的光谱图中光谱曲线相交的次数组成光谱的抽样直方图,可以用(s×M)维向量{α11,α12,…α1M,…,αs1,…,αsM}来表示,其中αij为第i个波段中第j条窄带与光谱曲线相交的次数,i=1,2,…,s,j=1,2,…,M。
实施例中d为0.001,M取3,则3条窄带在3个不同波段内与光谱曲线相交的次数组成光谱抽样直方图,可以用(s×M)=维向量{α11,α12,α13,…,α31,α32,α33}来表示,其中αij为第i个波段中第j条窄带与光谱曲线相交的次数,i=1,2,3,j=1,2,3;附图2所示光谱的抽样直方图为{1,1,4,1,1,0,0,0,0}。
(3)计算欧氏距离步骤包括,计算待匹配光谱的抽样直方图与光谱库中的所有光谱的抽样直方图的欧氏距离,计算公式如下:
其中,设A′={α′11,α′12,…α′1M,…α′s1,…α′sM}为待测光谱的抽样直方图,α′ij为待测光谱相应第i个波段中第j条窄带与光谱曲线相交的次数,i=1,2,…,s,j=1,2,…,M;A″={α″11,α″12,…α″1M,…α″s1,…α″sM}为光谱库中任意一条光谱的抽样直方图,α″ij为光谱库中任意一条光谱相应第i个波段中第j条窄带与光谱曲线相交的次数,i=1,2,…,s,j=1,2,…,M;设光谱库中有N条光谱,则分别计算得到待测光谱与光谱库中每条光谱抽样直方图的欧氏距离EDk,k=1,…,N。
实施例的光谱库中有1432条光谱,则分别计算得到待测光谱与光谱库中每条光谱的抽样直方图的欧氏距离EDk,k=1,…,1432。
(4)光谱匹配步骤包括,在光谱库中选取与待匹配光谱抽样直方图欧氏距离最小的一条光谱作为匹配对象,可表达如下:
Αmin|EDmin=min{EDk}
上式的意思为Amin为光谱数据库中与待匹配光谱的抽样直方图欧氏距离最小的抽样直方图,则Amin所对应的光谱库中的原始光谱即为待匹配光谱的匹配对象。
本实施例中M和s均取3,仅为了便于理解示范,一般这两个参数均取20左右为佳,考虑运算时间也不宜太大。
本发明还相应提供一种基于光谱抽样直方图的超光谱降维匹配系统,包括以下模块:
光谱归一化模块,用于对待匹配光谱和光谱库中的所有光谱分别进行归一化处理,归一化公式如下,
ρn=(ρ-ρmin)/(ρmax-ρmin)
其中,ρn为归一化后的光谱辐射值,ρ为原始光谱的辐射值,ρmax为该条原始光谱中辐射值的最大值,ρmin为该条原始光谱中辐射值的最小值;
抽样直方图获取模块,用于分别获取归一化后的待匹配光谱和光谱库中所有光谱的抽样直方图,实现方式为对归一化后的待匹配光谱和归一化后的光谱库中任一光谱,按照相应归一化后的光谱图,分别执行以下操作,
将归一化后的光谱图在整个超光谱波段范围平均划分为s段,s为预设参数;
在归一化后的光谱图上作M条互相平行且等间隔的宽度为2d的水平窄带,M和d为预设参数,则M条窄带在s个不同波段内与归一化后的光谱图中光谱曲线相交的次数组成抽样直方图,用(s×M)维向量{α11,α12,…α1M,…,αs1,…,αsM}表示,其中αij为第i个波段中第j条窄带与光谱曲线相交的次数,i=1,2,…,s,j=1,2,…,M;
欧氏距离计算模块,用于计算待匹配光谱的抽样直方图与光谱库中所有光谱的抽样直方图的欧氏距离,设光谱库中有N条光谱,则分别计算得到待测光谱与光谱库中每条光谱抽样直方图的欧氏距离EDk,k=1,…,N,实现方式为对待匹配光谱的抽样直方图与光谱库中任一光谱的抽样直方图计算欧氏距离如下,
设A′={α′11,α′12,…α′1M,…α′s1,…α′sM}为待测光谱的抽样直方图,α′ij为待测光谱相应第i个波段中第j条窄带与光谱曲线相交的次数,A″={α″11,α″12,…α″1M,…α″s1,…α″sM}为光谱库中任意一条光谱的抽样直方图,α″ij为光谱库中任意一条光谱相应第i个波段中第j条窄带与光谱曲线相交的次数,
计算欧氏距离的公式为,
光谱匹配模块,用于在光谱库中选取与待匹配光谱抽样直方图欧氏距离最小的一条光谱作为匹配对象。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
总体来说,本发明所提出的基于抽样直方图的超光谱降维匹配方法,在保证了很高匹配成功率的前提下,极大降低了匹配时间。此外,一些具体参数的取值可根据不同情况灵活选择,在实时性和准确性间取得平衡,满足实际应用的需求。
Claims (2)
1.一种基于光谱抽样直方图的超光谱降维匹配方法,其特征在于,包括以下步骤:
步骤1,光谱归一化,包括对待匹配光谱和光谱库中的所有光谱分别进行归一化处理,归一化公式如下,
ρn=(ρ-ρmin)/(ρmax-ρmin)
其中,ρn为归一化后的光谱辐射值,ρ为原始光谱的辐射值,ρmax为该条原始光谱中辐射值的最大值,ρmin为该条原始光谱中辐射值的最小值;
步骤2,获取抽样直方图,包括分别获取归一化后的待匹配光谱和光谱库中所有光谱的抽样直方图,实现方式为对归一化后的待匹配光谱和归一化后的光谱库中任一光谱,按照相应归一化后的光谱图,分别执行以下操作,
将归一化后的光谱图在整个超光谱波段范围平均划分为s段,s为预设参数;
在归一化后的光谱图上作M条互相平行且等间隔的宽度为2d的水平窄带,M和d为预设参数,则M条窄带在s个不同波段内与归一化后的光谱图中光谱曲线相交的次数组成抽样直方图,用s×M维向量{α11,α12,…α1M,…,αs1,…,αsM}表示,其中αij为第i个波段中第j条窄带与光谱曲线相交的次数,i=1,2,…,s,j=1,2,…,M;
步骤3,计算欧氏距离,包括计算待匹配光谱的抽样直方图与光谱库中所有光谱的抽样直方图的欧氏距离,设光谱库中有N条光谱,则分别计算得到待匹配光谱与光谱库中每条光谱抽样直方图的欧氏距离EDk,k=1,…,N,实现方式为对待匹配光谱的抽样直方图与光谱库中任一光谱的抽样直方图计算欧氏距离如下,
设A′={α′11,α′12,…α′1M,…α′s1,…α′sM}为待匹配光谱的抽样直方图,α′ij为待匹配光谱相应第i个波段中第j条窄带与光谱曲线相交的次数,A″={α″11,α″12,…α″1M,…α″s1,…α″sM}为光谱库中任意一条光谱的抽样直方图,α″ij为光谱库中任意一条光谱相应第i个波段中第j条窄带与光谱曲线相交的次数,
计算欧氏距离的公式为,
步骤4,光谱匹配,包括在光谱库中选取与待匹配光谱抽样直方图欧氏距离最小的一条光谱作为匹配对象。
2.一种基于光谱抽样直方图的超光谱降维匹配系统,其特征在于,包括以下模块:
光谱归一化模块,用于对待匹配光谱和光谱库中的所有光谱分别进行归一化处理,归一化公式如下,
ρn=(ρ-ρmin)/(ρmax-ρmin)
其中,ρn为归一化后的光谱辐射值,ρ为原始光谱的辐射值,ρmax为该条原始光谱中辐射值的最大值,ρmin为该条原始光谱中辐射值的最小值;
抽样直方图获取模块,用于分别获取归一化后的待匹配光谱和光谱库中所有光谱的抽样直方图,实现方式为对归一化后的待匹配光谱和归一化后的光谱库中任一光谱,按照相应归一化后的光谱图,分别执行以下操作,
将归一化后的光谱图在整个超光谱波段范围平均划分为s段,s为预设参数;
在归一化后的光谱图上作M条互相平行且等间隔的宽度为2d的水平窄带,M和d为预设参数,则M条窄带在s个不同波段内与归一化后的光谱图中光谱曲线相交的次数组成抽样直方图,用s×M维向量{α11,α12,…α1M,…,αs1,…,αsM}表示,其中αij为第i个波段中第j条窄带与光谱曲线相交的次数,i=1,2,…,s,j=1,2,…,M;
欧氏距离计算模块,用于计算待匹配光谱的抽样直方图与光谱库中所有光谱的抽样直方图的欧氏距离,设光谱库中有N条光谱,则分别计算得到待匹配光谱与光谱库中每条光谱抽样直方图的欧氏距离EDk,k=1,…,N,实现方式为对待匹配光谱的抽样直方图与光谱库中任一光谱的抽样直方图计算欧氏距离如下,
设A′={α′11,α′12,…α′1M,…α′s1,…α′sM}为待匹配光谱的抽样直方图,αi′j为待匹配光谱相应第i个波段中第j条窄带与光谱曲线相交的次数,A″={α″11,α″12,…α″1M,…α″s1,…α″sM}为光谱库中任意一条光谱的抽样直方图,α″ij为光谱库中任意一条光谱相应第i个波段中第j条窄带与光谱曲线相交的次数,
计算欧氏距离的公式为,
光谱匹配模块,用于在光谱库中选取与待匹配光谱抽样直方图欧氏距离最小的一条光谱作为匹配对象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410584276.9A CN104268896B (zh) | 2014-10-27 | 2014-10-27 | 基于光谱抽样直方图的超光谱降维匹配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410584276.9A CN104268896B (zh) | 2014-10-27 | 2014-10-27 | 基于光谱抽样直方图的超光谱降维匹配方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104268896A CN104268896A (zh) | 2015-01-07 |
CN104268896B true CN104268896B (zh) | 2017-02-15 |
Family
ID=52160415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410584276.9A Expired - Fee Related CN104268896B (zh) | 2014-10-27 | 2014-10-27 | 基于光谱抽样直方图的超光谱降维匹配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104268896B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005795A (zh) * | 2015-08-03 | 2015-10-28 | 武汉大学 | 一种基于空间分层匹配的超光谱分类方法和装置 |
CN106568724B (zh) * | 2016-11-01 | 2019-03-01 | 清华大学 | 光谱曲线预处理及特征挖掘方法及装置 |
CN107679131B (zh) * | 2017-09-22 | 2019-10-01 | 电子科技大学 | 一种快速谱图匹配方法 |
CN113567390A (zh) * | 2021-06-24 | 2021-10-29 | 贵州省茶叶研究所 | 一种基于近红外光谱技术审评红茶的方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950361A (zh) * | 2010-09-06 | 2011-01-19 | 中国科学院遥感应用研究所 | 一种基于光谱匹配度的遥感影像专题信息自适应提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8456700B2 (en) * | 2009-12-23 | 2013-06-04 | Xerox Corporation | Spectral matching guide for spot color print applications |
-
2014
- 2014-10-27 CN CN201410584276.9A patent/CN104268896B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950361A (zh) * | 2010-09-06 | 2011-01-19 | 中国科学院遥感应用研究所 | 一种基于光谱匹配度的遥感影像专题信息自适应提取方法 |
Non-Patent Citations (2)
Title |
---|
Spectral matching accuracy in processing hyperspectral data;Stefan A. Robila等;《International Symposium on Signals, Circuits and Systems, 2005. ISSCS 2005》;20050715;第1卷;第163-166页 * |
地物光谱匹配模型比较研究;许卫东等;《红外与毫米波学报》;20050831;第24卷(第4期);第296-300页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104268896A (zh) | 2015-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nason et al. | NLO Higgs boson production via vector-boson fusion matched with shower in POWHEG | |
CN104268896B (zh) | 基于光谱抽样直方图的超光谱降维匹配方法及系统 | |
CN101866424B (zh) | 基于独立分量分析的高光谱遥感图像混合像元分解方法 | |
CN103076308B (zh) | 激光诱导击穿光谱的重叠峰分辨的方法 | |
Wei et al. | Unsupervised nonlinear spectral unmixing based on a multilinear mixing model | |
Chengxu et al. | Detection of K in soil using time-resolved laser-induced breakdown spectroscopy based on convolutional neural networks | |
CN102540271B (zh) | 基于增强约束稀疏回归的半监督高光谱亚像元目标检测法 | |
CN102521605A (zh) | 一种高光谱遥感图像波段选择方法 | |
CN103886337A (zh) | 基于多稀疏描述的最近邻子空间sar目标识别方法 | |
CN105354841A (zh) | 一种快速遥感影像匹配方法及系统 | |
CN104374739A (zh) | 一种基于近红外定性分析的种子品种真实性鉴别方法 | |
Wu et al. | Sparse non-negative matrix factorization on GPUs for hyperspectral unmixing | |
CN110110789A (zh) | 一种基于多谱图信息融合技术的中草药品质鉴别方法 | |
CN103955711B (zh) | 一种成像光谱目标识别分析中的模式识别方法 | |
CN108846360A (zh) | 草原盐渍化的遥感识别方法、装置及计算机可读储存介质 | |
CN107993212A (zh) | 基于二维pca的多目标光纤光谱减天光处理方法 | |
CN104897709A (zh) | 一种基于x-射线荧光分析的农产品元素定量检测模型构建方法 | |
Hu et al. | Recognition method of coal and gangue based on multispectral spectral characteristics combined with one-dimensional convolutional neural network | |
CN104331482B (zh) | 基于特征索引的超光谱匹配方法及系统 | |
Jinglei et al. | Distance-based separability criterion of ROI in classification of farmland hyper-spectral images | |
Li et al. | Tropical forest AGB estimation based on structure parameters extracted by TomoSAR | |
CN116881814A (zh) | 一种基于高光谱数据升维的特征光谱提取方法 | |
Chen et al. | A Joint Saliency Temporal-Spatial-Spectral Information Network for Hyperspectral Image Change Detection | |
CN104406696A (zh) | 一种高光谱成像仪外场光谱辐射定标方法及装置 | |
Alamery | Cryptocurrency analysis using machine learning and deep learning approaches |
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: 20170215 Termination date: 20171027 |