CN105571716B - 一种基于差分与卷积核的线采样高光谱数据目标探测方法 - Google Patents
一种基于差分与卷积核的线采样高光谱数据目标探测方法 Download PDFInfo
- Publication number
- CN105571716B CN105571716B CN201510969368.3A CN201510969368A CN105571716B CN 105571716 B CN105571716 B CN 105571716B CN 201510969368 A CN201510969368 A CN 201510969368A CN 105571716 B CN105571716 B CN 105571716B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- count
- cuboid
- line
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000001228 spectrum Methods 0.000 claims abstract description 45
- 238000005070 sampling Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000017105 transposition Effects 0.000 claims abstract description 7
- 238000005303 weighing Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims abstract description 3
- 230000003595 spectral effect Effects 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 12
- 238000010521 absorption reaction Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000004611 spectroscopical analysis Methods 0.000 claims description 3
- 238000013450 outlier detection Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000000205 computational method Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 claims 1
- 239000011159 matrix material Substances 0.000 description 12
- 239000000523 sample Substances 0.000 description 8
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2823—Imaging spectrometer
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于差分与卷积核的线采样高光谱数据目标探测方法,其步骤如下:一、高光谱数据预处理,去除水分波段并进行去均值化处理;二、选择合适的步长对数据进行线采样,进行差分运算与卷积运算获得衡量采样长方体的特征值;三、选用合适的阈值特征值进行处理,超过阈值的区域即包含目标点;四、重复步骤二和三,直至遍历整个长方体数据集,找到目标点行位置信息;五、对步骤一得到的高光谱数据在图像维转置,重复步骤二至四直至遍历整个长方体数据集,找到目标点列位置信息,从而定位目标点在图像中的位置信息。该方法原理清楚,结构清晰,计算开销小,时间复杂性低,探测辨识率高,适用于单一背景下高光谱图像快速目标探测与定位应用。
Description
技术领域
本发明涉及一种高光谱图像方法,具体涉及一种基于差分与卷积运算的线采样高光谱探测方法。
背景技术
高光谱探测成像是将目标探测技术与光谱成像技术相结合的多维地物光谱信息获取技术。高光谱成像的谱间分辨率很高,一般波段宽度在10nm以内,以纳米级的超高光谱分辨率对目标地物进行成像,同时获取数十甚至上百个波段,形成连续光谱图像。高光谱图像可以同时获取描述地物分布的二维空间信息与描述地物光谱特征属性的一维光谱信息,波谱范围覆盖可见光、近红外、短波红外及中红外波段,使得许多原本在多光谱遥感图像中无法获取的光谱信息得以探测,地物光谱信息的精确处理与分析成为可能。随着成像光谱仪光谱分辨率的不断增加,人们对地物光谱属性特征的认知也不断随之深入,许多隐藏在狭窄光谱范围内的地物特性逐渐被人们所发现,使高光谱成像技术成为21世纪遥感探测领域重要的研究方向之一。目前,许多国家开展大量的科研项目对高光谱遥感进行研究,逐步从地面遥感发展到航空和航天遥感应用平台相结合的阶段,并在诸如地图绘制、资源勘探、农作物监测、精细农业、灾害调查、目标侦查、海洋环境监测和战场环境监测等领域发挥重要的作用。
高光谱图像可以看作一个数据立方体,其二维空间特征可以用来表述待测地物的地表空间分布,一维光谱特征可以用来表述每个像素所代表地物的光谱属性信息,从而实现高光谱遥感图像二维空间特征信息与一维光谱特征信息的有机结合。光谱空间中,高光谱图像的每个像素对应一条近似连续的光谱曲线,反映了待测地物光谱反射率随光谱波长的变化情况。使用光谱空间对高光谱图像分析时,主要是利用不同类别地物的光谱特征属性不同,同类别地物的光谱特征属性相似的特点,通过实际获得的光谱曲线与光谱数据库的样本光谱曲线间的对比来区分不同地物。
线采样是对高光谱三维立体数据进行数据采样截取的方法之一,三维长方体数据通过对空间位置的逐次平行截取获得描述各行(或各列)的所有像素不同波段的光谱信息。背景点处像素的光谱曲线变化较缓,而目标点像素的光谱曲线变化较剧烈。通过对比各点多个波段处的采样光谱值即可判断出目标点的空间位置。
发明内容
为了解决了单一背景下目标识别探测的问题,本发明提出了一种基于差分与卷积运算的线采样高光谱图像探测方法,实现目标点在背景图像中的探测。
本发明的目的是通过以下技术方案实现的:
一种基于差分与卷积核的线采样高光谱数据目标探测方法,包括如下步骤:
一、高光谱数据预处理,去除水分波段并进行去均值化处理;
二、选择合适步长对数据进行线采样,进行差分运算与卷积运算获得衡量采样长方体的特征值,所述步长宜选为3~8之间,步长过小会提高计算复杂性,步长过大则可能出现漏检现象;
三、选用合适阈值对特征值进行处理,超过阈值的区域即包含目标点,所述阈值范围宜选为6×105~1.4×106,过小的阈值会引入噪声,过大的阈值可能会造成漏检现象;
四、重复步骤二和三,直至遍历整个长方体数据集,找到目标点行位置信息;
五、对步骤一得到的高光谱数据在图像维转置,重复步骤二至四直至遍历整个长方体数据集,找到目标点列位置信息,从而定位目标点在图像中的位置信息。
由于高光谱图像相邻波段的光谱信息有较强的谱间相关性,相邻空间位置的同一光谱段的光谱信息是相似的,采用斜向截取长方体数据的方法以扩大采样范围,即在一个很小的步长下,采样不同位置上不同波段的光谱的信息并整合成矩阵,以其光谱信息代表采样数据的光谱信息并进行分析、处理与判断,最终获得代表采样长方体的参数来判断异常点是否在采样区间中。由于样本点通常较小,在图像中只占几个像素的大小,因而采样长方体的高度不能取得太大,即斜向截取长方体数据的角度不能过大,否则无法保证目标的波段信息落在采样数据中,可能会造成漏检现象。通过数据的处理来进行判断是否有目标点。采用差分的方法对长方体采样获得的二维数据进行处理,以去除背景影响,突出异常点与背景点光谱信息的差异。利用卷积核对图像进行降噪处理,突出目标点的光谱信息。对长方体数据进行遍历后,超过阈值的长方体所在的行(列)即为目标点所在区域。考虑到大气中水分的影响,在目标点与背景点的光谱曲线上均会在特定波段产生光谱强烈的吸收峰,因此,在数据进行预处理时,首先应抛去水分波段的影响,在进行数据的处理操作。本发明基于上述原理,对高光谱数据进行处理,使得能够发现均一背景下的异常目标,从而达到探测目标的目的。
本发明与现有技术相比,具有如下优点:
长方体数据线采样获得的二维数据矩阵,光谱维反映了处于线采样所在行(或列)的所有像素的光谱信息,由于在大气或外太空环境下,太阳是光源,目标物体反射的是太阳光谱,虽然排除了水汽吸收波段,但是仍然存在各种各样的干扰与噪声,不利于目标的探测;而另一维度可以确定像素在二维图像截线的位置信息,本身就具有连续的形态学特征,可以探测;本发明通过差分能够将光谱信息与空间信息结合起来,使得整个差分后的数据矩阵在两个维度都可检测出背景中的异常点。通过卷积运算的方法降噪并突出异常点,通过线采样的方式遍历整个长方体数据集以寻找异常点所在区域。相比于其他方法,该方法原理清楚,结构清晰,计算开销小,时间复杂性低,同时探测辨识率高,是针对高光谱数据的一个有效探测方法,适用于单一背景下高光谱图像快速目标探测与定位应用。
附图说明
图1为本发明的流程图;
图2为基于拍摄数据的原始光谱信息图;
图3为拍摄数据伪彩色图;
图4为目标点线采样并差分及卷积运算后得到的二维矩阵;
图5为不包含目标的背景线采样并差分及卷积运算后得到的二维矩阵。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明,但并不局限于此,凡是对本发明技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,均应涵盖在本发明的保护范围中。
具体实施方式一:本实施方式提供了一种基于差分与卷积核的线采样高光谱数据目标探测方法,通过对高光谱数据集采用线采样的方法获得能表征某一空间区域的光谱信息特征;采用差分的方法对获得的二维光谱数据进行处理,去除谱间相关性,并利用卷积核对图像进行降噪处理,突出目标点光谱特征;对长方体数据进行逐行与逐列的遍历处理后,超过阈值的像素点集所在的行与列即为目标点所在区域。如图1所示,共分为五个步骤,具体步骤如下:
步骤一:数据加载与参数初始化
由于大气成分,尤其是水分对特定光谱吸收的影响,不论背景点还是目标点,光谱曲线在特定波段处均会有谷值,如图2所示,不利于分析与数据处理。因此在数据预处理过程中去除明显的代表吸收峰的波段是十分必要的。
1)加载高光谱数据Ix,y,z,获得高光谱三维长方体数据维度信息x,y,z;x代表三维矩阵行数,y代表列数,x与y衡量数据集图像维的长宽信息,z代表拍摄波段数。
2)去除数据集Ix,y,z中受水汽吸收影响的波段ΔZ(一般为一小段连续的波段)中的光谱数据,防止大气影响探测算法,同时对高光谱图像进行去均值处理,去除图像中的背景光谱信息,获得数据集
3)设定线采样长方体截取高度h,同时设定异常点检测时的光谱特征阈值Tr;长方体运算的起始层k=1,运算次数count=1。
步骤二:对包含第k行至第k+h行采样长方体进行光谱信息采样与运算。是一个三维矩阵,是的一部分,其中前两维代表图像维,衡量图像的长宽信息,第三维由下标确定,下标k与k+h分别衡量采样长方体在数据集中的位置下界与上界。
1)对第k行至第k+h行高光谱采样长方体数据进行线采样,获得表示光谱信息的矩阵A。
2)对获得的二维数据进行差分运算:
Fi,j=Ai,j+1-Ai,j。
其中,Ai,j表示第i行第j个波段的光谱信息,Fi,j表示第i行第j个段的光谱差分信息。
3)设定卷积核并进行卷积运算。选取合适的卷积核进行差分矩阵的降噪,结合周遭位置信息与光谱信息并突出中心点。卷积核的构造方式如下:
其中,Gi,j表示第i行第j个波段的光谱卷积运算后的特征信息。
步骤三:判断采样长方体是否包目标点。
针对实验数据,选择最大的卷积特征值作为采样长方体的特征值超过设定阈值Tr的线采样长方体即可确定为异常点所在的长方体。引入Wcount来衡量第count次循环时采样长方体是否包含待检测目标点:
Wcount=sgn(λcount-Tr)。
其中sgn(·)函数为符号函数,限制Wcount的取值范围为{0,1}。Wcount通过衡量第count次循环时采样长方体特征值是否超过给定值来标识采样立方体是否包含目标点,即若Wcount=1,则说明采样立方体包含目标点;若Wcount=0,则说明采样立方体未包含目标点。当Wcount>0时,记录下超过设定值的异常点的行位置p。
步骤四:进行下一个采样长方体的数据处理,取k=k+h,循环次数count=count+1,重复步骤二、三直至遍历整个长方体,需要截取采样长方体的次数即count=c0时循环终止。
步骤五:通过对步骤一得到的数据进行转置,并重复步骤二至步骤四来确定异常点的列位置。
长方体数据图像维进行转置,重置长方体运算的起始层k=1与循环次数count=1,重复步骤二至步骤四。遍历次数记录下超过阈值的异常点的列位置q。目标点所在区间即为行位置[p,p+h],列位置[q,q+h]的二维图像坐标区间内。
具体实施方式二:本实施方式将基于差分与卷积运算的线采样高光谱图像探测方法运用到拍摄的单一背景下飞机的探测中。
本实施方式所用拍摄设备是V10-PS型号的成像光谱仪,成像波长范围400nm-1000nm,光谱分辨率8nm,对得到的数据进行切割,选取包含异常点的50×50大小的像素集图像作为输入,从而获得50×50×520维三维长方体高光谱数据集,见图3。
执行步骤一:加载数据image_50x50_520.mat作为输入I50,50,520,获得高光谱三维长方体数据维度信息x=50,y=50,z=520;去除水汽吸收所影响的波段(波段号ΔZ=[311,319]);对高光谱图像进行去均值处理,获得高光谱数据集设定斜截长方体高度h=5;设定阈值Tr=1×106;长方体运算的起始层k=1,初始迭代次数count=1。
执行步骤二:对包含第k行至第k+h行采样长方体进行光谱信息采样与运算。对选取的高光谱采样长方体数据进行线采样获得矩阵F={Fi,j},并对获得的二维数据进行差分运算得到矩阵A={Ai,j}。用上述方法构造的卷积核进行卷积运算以获得二维卷积值G={Gi,j}。
执行步骤三:针对实验数据,选择最大的卷积特征值作为采样长方体的特征值λcount。超过阈值的线采样长方体即可确定为异常点所在的长方体。
Wcount=sgn(λcount-Tr)
执行步骤四:重复步骤二至三直至遍历整个长方体。遍历次数c0=10。记录下超过阈值的异常点的行位置p=31。
执行步骤五:对长方体数据进行转置重复步骤二至四。遍历次数c1=10。记录下超过阈值的异常点的列位置q=11。目标点所在区间即为行位置[31,36],列位置[11,16]的二维图像坐标区间内。
通过以上步骤的周期运行,就可以从三维长方体高光谱数据集中找到目标点所在区间。再进行细分即可找到所在行(或列)。实验结果如表1:
表1不同行、列线采样卷积特征值Wcount
count | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
按行线采样 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
按列线采样 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 |
由表1可以发现异常目标点在图像11-16行31-36列区域内。这与观察结果相符。选取包含目标点的线采样处理后得到的二维矩阵(图4)与不包含目标点的背景线采样处理后得到的二维矩阵(图5),可以看到图4具有一个较大的峰值,而图5分布较为平坦,说明本发明方法是有效的。
Claims (6)
1.一种基于差分与卷积核的线采样高光谱数据目标探测方法,其特征在于所述方法步骤如下:
一、高光谱数据预处理,去除水分波段并进行去均值化处理;
二、选择合适的步长对数据进行线采样,进行差分运算与卷积运算获得衡量采样长方体的特征值;所述步骤二的具体步骤如下:
1)对第k行至第k+h行高光谱采样长方体数据进行线采样,获得表示光谱信息的矩阵A;
2)对获得的二维数据进行差分运算:
Fi,j=Ai,j+1-Ai,j
其中,Ai,j表示第i行第j个波段的光谱信息,Fi,j表示第i行第j个段的光谱差分信息;
3)设定卷积核并进行卷积运算;
所述卷积核的构造方式如下:
<mrow>
<msub>
<mi>G</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>F</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>+</mo>
<msubsup>
<mi>F</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mn>2</mn>
</msubsup>
</mrow>
<mn>5</mn>
</mfrac>
<mo>,</mo>
</mrow>
其中,Gi,j表示第i行第j个波段的光谱卷积运算后的特征信息;
三、选用合适的阈值对特征值进行处理,超过阈值的区域即包含目标点;
所述步骤三的具体步骤如下:
针对实验数据,选择最大的卷积特征值作为采样长方体的特征值引入Wcount来衡量第count次循环时采样长方体是否包含待检测目标点,Wcount的计算方法如下:
Wcount=sgn(λcount-Tr);
其中,sgn(·)函数为符号函数,限制Wcount的取值范围为{0,1},Tr为阈值,若Wcount=1,则说明采样立方体包含目标点;若Wcount=0,则说明采样立方体未包含目标点,当Wcount>0时,记录下超过设定值的异常点的行位置p;
四、重复步骤二和三,直至遍历整个长方体数据集,找到目标点行位置信息;
五、对步骤一得到的高光谱数据在图像维转置,重复步骤二至四直至遍历整个长方体数据集,找到目标点列位置信息,从而定位目标点在图像中的位置信息。
2.根据权利要求1所述的基于差分与卷积核的线采样高光谱数据目标探测方法,其特征在于所述步骤一的具体步骤如下:
1)加载高光谱数据Ix,y,z,获得高光谱三维长方体数据维度信息x,y,z;x代表三维矩阵行数,y代表列数,z代表拍摄波段数;
2)去除数据集Ix,y,z中受水汽吸收影响的波段ΔZ中的光谱数据,同时对高光谱图像进行去均值处理,去除图像中的背景光谱信息,获得数据集
3)设定线采样长方体截取高度h,同时设定异常点检测时的光谱特征阈值Tr;长方体运算的起始层k=1,运算次数count=1。
3.根据权利要求1所述的基于差分与卷积核的线采样高光谱数据目标探测方法,其特征在于所述步骤二中,步长为3~8之间。
4.根据权利要求1所述的基于差分与卷积核的线采样高光谱数据目标探测方法,其特征在于所述阈值为6×105~1.4×106。
5.根据权利要求1所述的基于差分与卷积核的线采样高光谱数据目标探测方法,其特征在于所述步骤四的具体步骤如下:
进行下一个采样长方体的数据处理时,取k=k+h,循环次数count=count+1,重复步骤二、三直至遍历整个长方体,需要截取采样长方体的次数即count=c0时循环终止。
6.根据权利要求1所述的基于差分与卷积核的线采样高光谱数据目标探测方法,其特征在于所述步骤五的具体步骤如下:
长方体数据图像维进行转置,重置长方体运算的起始层k=1与循环次数count=1,重复步骤二至步骤四,遍历次数记录下超过阈值的异常点的列位置q,目标点所在区间即为行位置[p,p+h],列位置[q,q+h]的二维图像坐标区间内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510969368.3A CN105571716B (zh) | 2015-12-22 | 2015-12-22 | 一种基于差分与卷积核的线采样高光谱数据目标探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510969368.3A CN105571716B (zh) | 2015-12-22 | 2015-12-22 | 一种基于差分与卷积核的线采样高光谱数据目标探测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105571716A CN105571716A (zh) | 2016-05-11 |
CN105571716B true CN105571716B (zh) | 2018-03-30 |
Family
ID=55882110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510969368.3A Active CN105571716B (zh) | 2015-12-22 | 2015-12-22 | 一种基于差分与卷积核的线采样高光谱数据目标探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105571716B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111679287B (zh) * | 2020-06-05 | 2023-01-17 | 中国科学院空天信息创新研究院 | 一种主动视频立体高光谱成像方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0463600A2 (en) * | 1990-06-22 | 1992-01-02 | Matsushita Electric Industrial Co., Ltd. | Method of spectral measurement |
CN101632011A (zh) * | 2007-01-17 | 2010-01-20 | 创新美国科技有限公司 | 用于光谱分析的高级模式识别系统 |
CN102024155A (zh) * | 2010-12-06 | 2011-04-20 | 广州科易光电技术有限公司 | 基于边缘检测的多光谱图像快速匹配方法 |
CN103674244A (zh) * | 2013-07-05 | 2014-03-26 | 北京师范大学 | 一种基于gpu的快速反卷积二维光纤光谱抽取方法 |
CN104316188A (zh) * | 2014-11-15 | 2015-01-28 | 中国科学院光电研究院 | 一种干涉光谱成像仪相位误差修正方法及装置 |
CN104463229A (zh) * | 2014-12-30 | 2015-03-25 | 哈尔滨工业大学 | 基于相关系数冗余度的高光谱数据有监督分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9012849B2 (en) * | 2012-07-10 | 2015-04-21 | Massachusetts Institute Of Technology | Direct and quantitative broadband absorptance spectroscopy with multilayer cantilever probes |
-
2015
- 2015-12-22 CN CN201510969368.3A patent/CN105571716B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0463600A2 (en) * | 1990-06-22 | 1992-01-02 | Matsushita Electric Industrial Co., Ltd. | Method of spectral measurement |
CN101632011A (zh) * | 2007-01-17 | 2010-01-20 | 创新美国科技有限公司 | 用于光谱分析的高级模式识别系统 |
CN102024155A (zh) * | 2010-12-06 | 2011-04-20 | 广州科易光电技术有限公司 | 基于边缘检测的多光谱图像快速匹配方法 |
CN103674244A (zh) * | 2013-07-05 | 2014-03-26 | 北京师范大学 | 一种基于gpu的快速反卷积二维光纤光谱抽取方法 |
CN104316188A (zh) * | 2014-11-15 | 2015-01-28 | 中国科学院光电研究院 | 一种干涉光谱成像仪相位误差修正方法及装置 |
CN104463229A (zh) * | 2014-12-30 | 2015-03-25 | 哈尔滨工业大学 | 基于相关系数冗余度的高光谱数据有监督分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105571716A (zh) | 2016-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | New methods for improving the remote sensing estimation of soil organic matter content (SOMC) in the Ebinur Lake Wetland National Nature Reserve (ELWNNR) in northwest China | |
Hong et al. | Comparing laboratory and airborne hyperspectral data for the estimation and mapping of topsoil organic carbon: Feature selection coupled with random forest | |
Qiao et al. | Improving estimation of LAI dynamic by fusion of morphological and vegetation indices based on UAV imagery | |
Tagliabue et al. | Exploring the spatial relationship between airborne-derived red and far-red sun-induced fluorescence and process-based GPP estimates in a forest ecosystem | |
Deng et al. | Moisture content prediction in tealeaf with near infrared hyperspectral imaging | |
Ali et al. | Retrieval of forest leaf functional traits from HySpex imagery using radiative transfer models and continuous wavelet analysis | |
Zheng et al. | Retrieving leaf area index (LAI) using remote sensing: theories, methods and sensors | |
Ullah et al. | An accurate retrieval of leaf water content from mid to thermal infrared spectra using continuous wavelet analysis | |
CN104318243B (zh) | 基于稀疏表示和空谱拉普拉斯图的高光谱数据降维方法 | |
CN109389080A (zh) | 基于半监督wgan-gp的高光谱图像分类方法 | |
CN107609573A (zh) | 基于低秩分解和空谱约束的高光谱图像时变特征提取方法 | |
CN108108719A (zh) | 一种加权核稀疏和协同表示系数的高光谱影像分类方法 | |
CN115372282B (zh) | 一种基于无人机高光谱影像的农田土壤含水量监测方法 | |
CN106097321A (zh) | 一种基于张量表示的偏振高光谱图像目标检测方法 | |
Yang et al. | Chlorophyll content retrieval from hyperspectral remote sensing imagery | |
Qiao et al. | Estimating maize LAI by exploring deep features of vegetation index map from UAV multispectral images | |
Omari et al. | Retrieval of forest canopy parameters by inversion of the PROFLAIR leaf-canopy reflectance model using the LUT approach | |
US10215642B2 (en) | System and method for polarimetric wavelet fractal detection and imaging | |
Lee et al. | A multi-layer perceptron-based approach for early detection of BSR disease in oil palm trees using hyperspectral images | |
Matese et al. | Are unmanned aerial vehicle-based hyperspectral imaging and machine learning advancing crop science? | |
Feng et al. | Estimating the canopy chlorophyll content of winter wheat under nitrogen deficiency and powdery mildew stress using machine learning | |
Zhu et al. | Quantitative detection of Aflatoxin B1 by subpixel CNN regression | |
CN105571716B (zh) | 一种基于差分与卷积核的线采样高光谱数据目标探测方法 | |
Agjee et al. | Remote sensing bio-control damage on aquatic invasive alien plant species | |
Yessenova et al. | Features of growth of agricultural crops and factors negatively affecting their growth |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |