CN108596819A - 一种基于稀疏表达的内陆光学复杂水体高光谱重构方法 - Google Patents
一种基于稀疏表达的内陆光学复杂水体高光谱重构方法 Download PDFInfo
- Publication number
- CN108596819A CN108596819A CN201810261895.2A CN201810261895A CN108596819A CN 108596819 A CN108596819 A CN 108596819A CN 201810261895 A CN201810261895 A CN 201810261895A CN 108596819 A CN108596819 A CN 108596819A
- Authority
- CN
- China
- Prior art keywords
- hyperspectral
- formula
- dictionary
- multispectral
- coefficient
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001228 spectrum Methods 0.000 title claims abstract description 24
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 4
- 239000000049 pigment Substances 0.000 claims description 22
- 238000002310 reflectometry Methods 0.000 claims description 22
- 238000010521 absorption reaction Methods 0.000 claims description 18
- 230000003287 optical effect Effects 0.000 claims description 14
- 239000002245 particle Substances 0.000 claims description 14
- 239000013618 particulate matter Substances 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 9
- 230000003595 spectral effect Effects 0.000 claims description 8
- 238000012952 Resampling Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 229930002868 chlorophyll a Natural products 0.000 claims description 6
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 6
- 238000005316 response function Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- LRFVTYWOQMYALW-UHFFFAOYSA-N 9H-xanthine Chemical class O=C1NC(=O)NC2=C1NC=N2 LRFVTYWOQMYALW-UHFFFAOYSA-N 0.000 claims description 4
- 229940065721 systemic for obstructive airway disease xanthines Drugs 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- GJCOSYZMQJWQCA-UHFFFAOYSA-N 9H-xanthene Chemical compound C1=CC=C2CC3=CC=CC=C3OC2=C1 GJCOSYZMQJWQCA-UHFFFAOYSA-N 0.000 claims description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 2
- 210000000476 body water Anatomy 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- QDLAGTHXVHQKRE-UHFFFAOYSA-N lichenxanthone Natural products COC1=CC(O)=C2C(=O)C3=C(C)C=C(OC)C=C3OC2=C1 QDLAGTHXVHQKRE-UHFFFAOYSA-N 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 241001420622 Meris Species 0.000 claims 5
- 239000006185 dispersion Substances 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 238000005259 measurement Methods 0.000 abstract description 5
- JEGUKCSWCFPDGT-UHFFFAOYSA-N h2o hydrate Chemical compound O.O JEGUKCSWCFPDGT-UHFFFAOYSA-N 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 5
- 238000012417 linear regression Methods 0.000 description 5
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 108091092919 Minisatellite Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0007—Image acquisition
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/55—Specular reflectivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/58—Extraction of image or video features relating to hyperspectral data
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及基于稀疏表达的内陆光学复杂水体高光谱重构方法,可有效解决针对内陆光学复杂水体,通过模拟高光谱库及与同传感器对应的多光谱库,生成高光谱冗余字典和多光谱冗余字典,进而利用多光谱冗余字典对实测多光谱数据进行分解,用分解得到的多光谱稀疏系数和高光谱冗余字典,重构得到高光谱数据,实现对水体质量的精准监测,促进环境保护。方法是,通过水体辐射传输模型模拟生成水体高光谱数据,利用高光谱数据库生成字典对,利用字典对进行高光谱重构。本发明方法简单,易操作,应用面广,测量准确,精度高,稳定可靠,可广泛应用于对水陆水环境遥感测量,具有很强的实际应用价值,非常利于对内陆水体的保护和环境保护。
Description
技术领域
本发明涉及遥感技术领域,特别是针对内陆水色遥感进行高光谱重构的处理的一种基于稀疏表达的内陆光学复杂水体高光谱重构方法。
背景技术
遥感技术能够快速地对水体状况进行监测,具有传统人工实地采样监测无法比拟的优势,已经成为水环境监测的重要手段。由于内陆水体边界复杂,面积较小,以及硬件条件的限制,目前,在内陆水环境监测中应用较多的数据源是宽波段多光谱遥感卫星,如MERIS(Medium Resolution Imaging Spectrometer),GOCI(Geostationary Ocean ColorImager),Landsat OLI(Operational Land Imager),国产的环境小卫星CCD传感器(HJ-1CCD),以及近年来的Sentinel-2,3号卫星数据。但较宽的波段往往模糊了水体的一些重要光谱特征,影响了内陆水体遥感监测的精度。
利用水体光谱先验特征进行水体反射率高光谱重构是解决该问题的一个有效方法。然而目前常用的多元线性回归方法以及水体生物光学模型拟合法需要大量实测光谱作为训练数据集,势必存在模型精度和普适性之间难以平衡的问题,建立的模型难以推广使用。因此,充分利用内陆水体光谱先验特征,研究适宜的光谱重构方法,使其在具有高精度的同时,具有高普适性,对内陆水环境遥感具有重要实用应用价值,可有效用于对水体的保护和环境保护。
发明内容
针对上述情况,为克服现有技术之缺陷,本发明之目的就是提供一种基于稀疏表达的内陆光学复杂水体高光谱重构方法,可有效解决针对内陆光学复杂水体,通过模拟高光谱库及与同传感器对应的多光谱库,生成高光谱冗余字典和多光谱冗余字典,进而利用多光谱冗余字典对实测多光谱数据进行分解,用分解得到的多光谱稀疏系数和高光谱冗余字典,重构得到高光谱数据,实现对水体质量的精准监测,促进环境保护。
本发明解决的技术方案是,一种基于稀疏表达的内陆光学复杂水体高光谱重构方法,包括以下步骤:
(1)、生成模拟高光谱、多光谱库:
通过水体辐射传输模型模拟生成水体高光谱数据,方法是,建立水体表面遥感反射率Rrs与水表面以下遥感反射率rrs之间的关系,即
Rrs(λ)=ξrrs(λ)/(1-Γrrs(λ));
式中,ξ为离散作用系数,Γ是气水界面折射系数,rrs为水表面以下遥感反射率,波长为λ;进而建立水面反射率模拟模型:
式中为非色素颗粒物的比吸收系数,为色素颗粒物的比吸收系数,为非色素颗粒物的比散射系数,为非色素颗粒物的后向散射概率,S为黄质的斜率指数,bw为纯水的散射系数,f为常数;
水体遥感反射率表示为悬浮颗粒物、叶绿素a、以及黄质三种水体水色组分的函数;
以固定步长变化输入悬浮颗粒物、叶绿素a、以及黄质三种水色要素的浓度,将输出的高光谱数据存储下来,即得高光谱数据库;
再利用不同传感器的波段响应函数,将高光谱曲线重采样为多光谱曲线,存储下来,即得多光谱数据库;
(2)利用高光谱数据库生成字典对:
采用图像处理领域常用的K_SVD方法对高光谱数据库(集)和多光谱数据库(集)进行字典选取,对传统图像领域而言,字典的选择对稀疏表达结果影响显著,因此一般都是从实验所在图像或者具有代表性的图片中进行选取;对水体而言,模拟数据集包括了理论上的各种情况,因此通过模拟数据集选取字典,具有理论上的普适性;分别在高光谱数据集和多光谱数据集中选取字典,得到高光谱冗余字典Dh和多光谱冗余字典Dm的字典对;
(3)利用字典对进行高光谱重构:
D代表冗余字典,则每一条光谱信号x是由冗余字典D和稀疏系数矩阵α的积记为:x=Dα,对冗余字典D而言,存在很多可能的稀疏矩阵α满足x=Dα,因此需要通过稀疏约束来求解:
式中||α||0代表α中非零元素的个数,求解采用正交匹配追踪算法(OMP);
利用求解得到的稀疏系数和高光谱冗余词典Dh,来重构高光谱信号
本发明方法简单,易操作,应用面广,测量准确,精度高,稳定可靠,可广泛应用于对水陆水环境遥感测量,具有很强的实际应用价值,非常利于对内陆水体的保护和环境保护,有显著的经济和社会效益。
附图说明
图1为本发明方法的流程图。
图2为本发明方法输入的多光谱数据曲线图。
图3为本发明方法的波动误差曲线图。
具体实施方式
以下结合附图和实施例对本发明的具体实施方式作详细说明。
本发明在具体实施中,一种基于稀疏表达的内陆光学复杂水体高光谱重构方法,包括以下步骤:
(1)生成模拟高光谱、多光谱库:
首先建立水面反射率模型,方法是:
构建体表面遥感反射率Rrs与水表面以下遥感反射率rrs之间的关系,即
Rrs(λ)=ξrrs(λ)/(1-Γrrs(λ)) 式(1)
式中,ξ为离散作用系数,为内反射作用,在天顶观测时,ξ≈0.52,Γ≈1.7,rrs为总吸收系数a和总后向散射系数bb之间的函数:
式中,f为常数,取值范围为0.2~0.56,a(λ)为水体组分吸收系数,bb(λ)为后向散射系数之和:
a(λ)=ad(λ)+aph(λ)+aCDOM(λ)+aw(λ) 式(3)
bb(λ)=bbp(λ)+bbw(λ) 式(4)
其中,下标d,ph,CDOM,w分别为非色素颗粒物、色素颗粒物、黄色物质和纯水,非色素颗粒物、色素颗粒物的吸收系数通过下式计算:
aph(λ)=a*ph(λ)×Cchla 式(6)
其中为非色素颗粒物的比吸收系数;Cs为总悬浮物浓度;a*ph为色素颗粒物的比吸收系数;Cchla为叶绿素a浓度;
黄质吸收系数利用指数函数进行参数化:
aCDOM(λ)=aCDOM(λ0)exp(-S(λ-λ0)) 式(7)
其中,aCDOM(λ0)为参考波段λ0处的黄质吸收系数,λ0为440nm,S为黄质的斜率指数;
非色素颗粒物的后向散射系数可以通过下式进行计算:
其中,为非色素颗粒物的比散射系数;为非色素颗粒物的后向散射概率;
将式(5)~(7)带入式(3),式(8)带入式(4),进而将式(3)、式(4)带入式(2),得到式(9)
遥感反射率Rrs为Cs、Cchla和aCDOM440的函数;
利用式(1)、(9)进行模拟高光谱数据库的构建:
将不同的Cs、Cchla和aCDOM440三组分浓度组合代入式(9),进而将式(9)代入式(1),即得水体光谱数据;其中Cs取值0~1000mg/L,步长为20mg/L;Cchla取值0~500μg/L,步长为10μg/L;aCDOM440取值0~2m-1,步长为0.2m-1,共得到2761011组高光谱数据;为了提高运算效率,生成400~888nm波段的高光谱数据,以8nm为步长,每条光谱包含62个波段;
再以MERIS影像光谱,将以上高光谱数据重采样为多光谱MERIS数据
Rm=SmRh
式中Rm为重采样得到的MERIS光谱数据;Rh为模拟得到的高光谱反射率数据集;Sm代表MERIS数据的波普响应函数;
(2)利用高光谱数据库生成字典对:
采用图像处理领域常用的K_SVD算法对高光谱数据库和多光谱数据库进行字典选取,生成包含100个原子的冗余字典,高光谱冗余字典Dh为62×100的矩阵,多光谱冗余字典Dm为14×100的矩阵(由于MERIS第一个波段位于900nm处,未参与计算);
(3)利用字典对进行高光谱重构
将地面实测高光谱数据利用波段响应函数重采样成MERIS波段,利用下式进行多光谱数据稀疏分解:
求得稀疏系数对每条MERIS光谱,为一个100×1的系数矩阵,稀疏系数中非零元素个数为7;
利用下式重构得到高光谱数据:
从而实现基于稀疏表达的内陆光学复杂水体高光谱重构。
本发明的内陆光学复杂水体高光谱重构方法不需要实测数据集作为模型训练数据集,兼具高精度和普适性。
以下是本发明的高光谱重构方法与常用的多元线性回归方法的对比结果。采用平均相对误差MAPE和均方根误差RMSE对结果进行评价。
式中N代表参与评价的光谱个数,MAPE和RMSE数值越小,表明重构光谱和真实光谱之间越接近。
首先,图2为本发明方法输入的MERIS多光谱数据,根据本发明方法重构得到的高光谱数据,以及根据多元线性回归方法重构得到的光谱数据。从结果中可以看出,相较于多元线性回归方法,本发明可以基于输入的多光谱数据,成功的重构得到光谱信息更丰富的高光谱数据,与此同时,在光谱特征的保持上(如700nm左右的反射峰、谷信息)具有明显优势,利于后续的水色要素估算模型构建,以及提高水色要素反演精度。
进而,从图3中各个波段的误差来看,多元回归方法误差波动明显,在580nm、650nm、700nm、800nm左右有明显的偏差。最大相对误差超过1,最大均方根误差接近0.05。与之对应的,本发明算法的平均绝对百分误差(MAPE)和均方根误差(RMSE)在整个波段区间内波动较小,且整体较低,稳定可靠,效果好。
以上表明,本发明的高光谱重构方法,以水体遥感反射率信号稀疏性为基础,利用水体辐射传输模型生成的模拟高光谱数据,生成高光谱、多光谱冗余字典;进而对多实测多光谱信号进行分解得到该条光谱的稀疏系数;最后利用该稀疏系数和高光谱冗余字典进行高光谱信号重构。相较于传统数理统计方法(如多元线性回归模型),利用模拟数据库进行字典的构建,建模过程不需要实测数据参与,且具有理论上的普适性。综上,本发明特别适合于内陆光学复杂水体遥感高光谱曲线的重构。本发明是充分利用光谱特征研制具有实际应用价值的光谱构建方法,在具有精度高的同时,又具有高普适性,应用面广,对内陆水环境遥感具有重要实际应用价值,可有效用于对水体质量的监测和环境保护,经济和社会效益显著。
Claims (2)
1.一种基于稀疏表达的内陆光学复杂水体高光谱重构方法,包括以下步骤:
(1)、生成模拟高光谱、多光谱库:
通过水体辐射传输模型模拟生成水体高光谱数据,方法是,建立水体表面遥感反射率Rrs与水表面以下遥感反射率rrs之间的关系,即
Rrs(λ)=ξrrs(λ)/(1-Γrrs(λ));
式中,ξ为离散作用系数,Γ是气水界面折射系数,rrs为水表面以下遥感反射率,波长为λ;进而建立水面反射率模拟模型:
式中为非色素颗粒物的比吸收系数,为色素颗粒物的比吸收系数,为非色素颗粒物的比散射系数,为非色素颗粒物的后向散射概率,S为黄质的斜率指数,bw为纯水的散射系数,f为常数;
水体遥感反射率表示为悬浮颗粒物、叶绿素a、以及黄质三种水体水色组分的函数;
以固定步长变化输入悬浮颗粒物、叶绿素a、以及黄质三种水色要素的浓度,将输出的高光谱数据存储下来,即得高光谱数据库;
再利用不同传感器的波段响应函数,将高光谱曲线重采样为多光谱曲线,存储下来,即得多光谱数据库;
(2)利用高光谱数据库生成字典对:
采用图像处理领域常用的K_SVD方法分别在高光谱数据库和多光谱数据库中选取字典,得到高光谱冗余字典Dh和多光谱冗余字典Dm的字典对;
(3)利用字典对进行高光谱重构:
D代表冗余字典,则每一条光谱信号x是由冗余字典D和稀疏系数矩阵α的积记为:x=Dα,通过稀疏约束来求解:
式中||α||0代表α中非零元素的个数,求解采用正交匹配追踪算法;
利用求解得到的稀疏系数和高光谱冗余词典Dh,来重构高光谱信号
从而实现基于稀疏表达的内陆光学复杂水体高光谱重构。
2.根据权利要求1所述的基于稀疏表达的内陆光学复杂水体高光谱重构方法,其特征在于,包括以下步骤:
(1)生成模拟高光谱、多光谱库:
首先建立水面反射率模型,方法是:
构建体表面遥感反射率Rrs与水表面以下遥感反射率rrs之间的关系,即
Rrs(λ)=ξrrs(λ)/(1-Γrrs(λ)) 式(1)
式中,ξ为离散作用系数,为内反射作用,在天顶观测时,ξ≈0.52,Γ≈1.7,rrs为总吸收系数a和总后向散射系数bb之间的函数:
式中,f为常数,取值范围为0.2~0.56,a(λ)为水体组分吸收系数,bb(λ)为后向散射系数之和:
a(λ)=ad(λ)+aph(λ)+aCDOM(λ)+aw(λ) 式(3)
bb(λ)=bbp(λ)+bbw(λ) 式(4)
其中,下标d,ph,CDOM,w分别为非色素颗粒物、色素颗粒物、黄色物质和纯水,非色素颗粒物、色素颗粒物的吸收系数通过下式计算:
aph(λ)=a* ph(λ)×Cchla 式(6)
其中为非色素颗粒物的比吸收系数;Cs为总悬浮物浓度;a* ph为色素颗粒物的比吸收系数;Cchla为叶绿素a浓度;
黄质吸收系数利用指数函数进行参数化:
aCDOM(λ)=aCDOM(λ0)exp(-S(λ-λ0)) 式(7)
其中,aCDOM(λ0)为参考波段λ0处的黄质吸收系数,λ0为440nm,S为黄质的斜率指数;
非色素颗粒物的后向散射系数可以通过下式进行计算:
其中,为非色素颗粒物的比散射系数;为非色素颗粒物的后向散射概率;
将式(5)~(7)带入式(3),式(8)带入式(4),进而将式(3)、式(4)带入式(2),得到式(9)
遥感反射率Rrs为Cs、Cchla和aCDOM440的函数;
利用式(1)、式(9)进行模拟高光谱数据库的构建:
将不同的Cs、Cchla和aCDOM440三组分浓度组合代入式(9),进而将式(9)代入式(1),即得水体光谱数据;其中Cs取值0~1000mg/L,步长为20mg/L;Cchla取值0~500μg/L,步长为10μg/L;aCDOM 440取值0~2m-1,步长为0.2m-1,共得到2761011组高光谱数据;为了提高运算效率,生成400~888nm波段的高光谱数据,以8nm为步长,每条光谱包含62个波段;
再以MERIS影像光谱,将以上高光谱数据重采样为多光谱MERIS数据
Rm=SmRh
式中Rm为重采样得到的MERIS光谱数据;Rh为模拟得到的高光谱反射率数据集;Sm代表MERIS数据的波普响应函数;
(2)利用高光谱数据库生成字典对:
采用图像处理领域常用的K_SVD算法在高光谱数据库和多光谱数据库中进行字典选取,生成包含100个原子的冗余字典,高光谱冗余字典Dh为62×100的矩阵,多光谱冗余字典Dm为14×100的矩阵;
(3)利用字典对进行高光谱重构
将地面实测高光谱数据利用波段响应函数重采样成MERIS波段,利用下式进行多光谱数据稀疏分解:
求得稀疏系数对每条MERIS光谱,为一个100×1的系数矩阵,稀疏系数中非零元素个数为7;
利用下式重构得到高光谱数据:
从而实现基于稀疏表达的内陆光学复杂水体高光谱重构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810261895.2A CN108596819A (zh) | 2018-03-28 | 2018-03-28 | 一种基于稀疏表达的内陆光学复杂水体高光谱重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810261895.2A CN108596819A (zh) | 2018-03-28 | 2018-03-28 | 一种基于稀疏表达的内陆光学复杂水体高光谱重构方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108596819A true CN108596819A (zh) | 2018-09-28 |
Family
ID=63624831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810261895.2A Pending CN108596819A (zh) | 2018-03-28 | 2018-03-28 | 一种基于稀疏表达的内陆光学复杂水体高光谱重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596819A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109406457A (zh) * | 2018-11-08 | 2019-03-01 | 北京航空航天大学 | 一种基于半分析模型的沉水植被光谱水体影响校正方法 |
CN112085781A (zh) * | 2020-09-08 | 2020-12-15 | 中国农业科学院农业资源与农业区划研究所 | 一种基于光谱重构技术提取冬小麦种植面积的方法 |
CN113609907A (zh) * | 2021-07-01 | 2021-11-05 | 奥比中光科技集团股份有限公司 | 一种多光谱数据的获取方法、装置及设备 |
CN117315470A (zh) * | 2023-09-25 | 2023-12-29 | 湖南省自然资源事务中心 | 基于地空全谱段高光谱数据的水质参数反演系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103247034A (zh) * | 2013-05-08 | 2013-08-14 | 中国科学院光电研究院 | 一种基于稀疏光谱字典的压缩感知高光谱图像重构方法 |
CN105303539A (zh) * | 2015-05-29 | 2016-02-03 | 李云梅 | 一种基于辐射传输模拟的遥感影像融合方法 |
US20160307073A1 (en) * | 2015-04-20 | 2016-10-20 | Los Alamos National Security, Llc | Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery |
CN106251320A (zh) * | 2016-08-15 | 2016-12-21 | 西北大学 | 基于联合稀疏与结构字典的遥感图像融合方法 |
CN107274343A (zh) * | 2017-06-01 | 2017-10-20 | 清华大学 | 一种稀疏框架下基于光谱库的多光谱遥感图像光谱超分辨率方法 |
-
2018
- 2018-03-28 CN CN201810261895.2A patent/CN108596819A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103247034A (zh) * | 2013-05-08 | 2013-08-14 | 中国科学院光电研究院 | 一种基于稀疏光谱字典的压缩感知高光谱图像重构方法 |
US20160307073A1 (en) * | 2015-04-20 | 2016-10-20 | Los Alamos National Security, Llc | Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery |
CN105303539A (zh) * | 2015-05-29 | 2016-02-03 | 李云梅 | 一种基于辐射传输模拟的遥感影像融合方法 |
CN106251320A (zh) * | 2016-08-15 | 2016-12-21 | 西北大学 | 基于联合稀疏与结构字典的遥感图像融合方法 |
CN107274343A (zh) * | 2017-06-01 | 2017-10-20 | 清华大学 | 一种稀疏框架下基于光谱库的多光谱遥感图像光谱超分辨率方法 |
Non-Patent Citations (2)
Title |
---|
LEYUANFANG: "Super-resolution of hyperspectral image via superpixel-based sparse representation", 《NEUROCOMPUTING》 * |
郭宇龙: "基于生物光学模型的水体多源遥感图像融合算法研究", 《光学学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109406457A (zh) * | 2018-11-08 | 2019-03-01 | 北京航空航天大学 | 一种基于半分析模型的沉水植被光谱水体影响校正方法 |
CN109406457B (zh) * | 2018-11-08 | 2021-04-06 | 北京航空航天大学 | 一种基于半分析模型的沉水植被光谱水体影响校正方法 |
CN112085781A (zh) * | 2020-09-08 | 2020-12-15 | 中国农业科学院农业资源与农业区划研究所 | 一种基于光谱重构技术提取冬小麦种植面积的方法 |
CN112085781B (zh) * | 2020-09-08 | 2021-05-11 | 中国农业科学院农业资源与农业区划研究所 | 一种基于光谱重构技术提取冬小麦种植面积的方法 |
CN113609907A (zh) * | 2021-07-01 | 2021-11-05 | 奥比中光科技集团股份有限公司 | 一种多光谱数据的获取方法、装置及设备 |
CN113609907B (zh) * | 2021-07-01 | 2024-03-12 | 奥比中光科技集团股份有限公司 | 一种多光谱数据的获取方法、装置及设备 |
CN117315470A (zh) * | 2023-09-25 | 2023-12-29 | 湖南省自然资源事务中心 | 基于地空全谱段高光谱数据的水质参数反演系统 |
CN117315470B (zh) * | 2023-09-25 | 2024-03-08 | 湖南省自然资源事务中心 | 基于地空全谱段高光谱数据的水质参数反演系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596819A (zh) | 一种基于稀疏表达的内陆光学复杂水体高光谱重构方法 | |
CN113128134B (zh) | 一种矿区生态环境演变驱动因子权重量化分析方法 | |
CN113327218B (zh) | 一种基于级联网络的高光谱与全色图像融合方法 | |
CN104764716B (zh) | 一种水体悬浮泥沙浓度的反演方法及装置 | |
Gross et al. | Applying artificial neural network methodology to ocean color remote sensing | |
CN112666328B (zh) | 基于遗传神经网络模型的叶绿素a遥感反演方法和装置 | |
CN110728642A (zh) | 一种针对goci卫星晨昏观测的神经网络大气校正方法 | |
CN112881308B (zh) | 一种基于宽光谱编码和深度学习的光谱相机 | |
CN117152636B (zh) | 一种基于双波段关系的浅海底质反射率遥感监测方法 | |
CN115512192A (zh) | 基于跨尺度的octave卷积网络的多光谱和高光谱图像融合方法 | |
CN114529769B (zh) | 一种面向大场景遥感图像分类的可分离多模联合表示方法 | |
CN115731191A (zh) | 一种基于神经网络的窄波段光谱成像方法 | |
CN105303539A (zh) | 一种基于辐射传输模拟的遥感影像融合方法 | |
CN113916808B (zh) | 一种营养盐浓度的获得方法、装置、终端设备及存储介质 | |
Qamar et al. | Atmospheric correction of vegetation reflectance with simulation-trained deep learning for ground-based hyperspectral remote sensing | |
CN113421198B (zh) | 一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法 | |
CN115931123A (zh) | 基于自适应优化稀疏字典的光谱重建计算方法及光谱系统 | |
CN115855839A (zh) | 一种基于admm框架的改进空谱融合高光谱计算重构方法 | |
CN115342916A (zh) | 一种基于高阶数学建模和拟合标定的光谱成像方法 | |
CN111795742B (zh) | 一种用于单幅rgb图像重建光谱的降维方法 | |
CN114781242A (zh) | 富营养化湖泊真光层内藻总量遥感监测方法 | |
Li et al. | Multi-sensor multispectral reconstruction framework based on projection and reconstruction | |
Feinholz et al. | Stray light correction of the Marine Optical System | |
CN109272561B (zh) | 基于空谱联合多假设预测的高光谱图像压缩感知重构方法 | |
CN111445543A (zh) | 一种将卷积神经网络编码成光谱透过率的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180928 |
|
RJ01 | Rejection of invention patent application after publication |