CN110794472B - 一种基于旋翼无人机的植被背景下隐藏地物的探测方法 - Google Patents

一种基于旋翼无人机的植被背景下隐藏地物的探测方法 Download PDF

Info

Publication number
CN110794472B
CN110794472B CN201911015653.6A CN201911015653A CN110794472B CN 110794472 B CN110794472 B CN 110794472B CN 201911015653 A CN201911015653 A CN 201911015653A CN 110794472 B CN110794472 B CN 110794472B
Authority
CN
China
Prior art keywords
image
fluorescence
remote sensing
data
target area
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
Application number
CN201911015653.6A
Other languages
English (en)
Other versions
CN110794472A (zh
Inventor
丑述仁
陈斌
章杰
王鹏
夏鲁瑞
苏宪程
刘甜甜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Geographic Sciences and Natural Resources of CAS
Original Assignee
Institute of Geographic Sciences and Natural Resources of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Geographic Sciences and Natural Resources of CAS filed Critical Institute of Geographic Sciences and Natural Resources of CAS
Priority to CN201911015653.6A priority Critical patent/CN110794472B/zh
Publication of CN110794472A publication Critical patent/CN110794472A/zh
Application granted granted Critical
Publication of CN110794472B publication Critical patent/CN110794472B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V8/00—Prospecting or detecting by optical means
    • G01V8/10—Detecting, e.g. by using light barriers
    • 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
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence

Landscapes

  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明公开了一种基于旋翼无人机的植被背景下隐藏地物的探测方法，该方法通过搭载高光谱成像光谱仪的旋翼无人机，对目标区域进行逐行扫描，获得光谱数据并存储数据；同时采用荧光提取算法计算出目标区域的荧光值信息；再通过卫星获取目标地区的遥感高分辨率光学遥感图像，对步荧光值信息和遥感图像进行预处理得到荧光值信息；最后采用夫琅禾费暗线方法从荧光值信息中提取荧光探针，进而判定该目标区域是否存在隐藏地物。本发明的探测方法对植被伪装技术有很好的探测作用，在国防领域可以有着广泛的应用。而且探测的叶绿素荧光可用于指示植物细胞生理生化过程，及时准确反映植物光合作用的真实工作状态、诊断植物的健康状况等。

Description

一种基于旋翼无人机的植被背景下隐藏地物的探测方法
技术领域
本发明属于隐藏地物探测领域，具体涉及一种基于旋翼无人机的植被背景下隐藏地物的探测方法。
背景技术
伪装是通过使用电子、电磁、光学、热学、声学等技术手段，改变与军事有关目标的自身原有特征信息，降低或消除目标真实目标的检测特征，实现目标的“隐真”；或模拟目标的检测特征，或模拟目标的检测特征，仿造假目标以“示假”。伪装的基本方法有自然伪装、植物伪装、迷彩伪装、人工遮障伪装、烟雾伪装等技术。自然伪装是在充分利用地况、物体、夜色或能见度差的天气气候增加隐藏目标或者减少目标的显著性。植被伪装技术是利用采收植物等方法对目标进行伪装的技术。迷彩伪装是利用染料、涂料或其他材料来改变目标色彩或使用迷彩图案降低目标与背景差异和变化目标外部形状。人工遮障伪装是采用各类伪装材料，对目标设置隐藏的障屏，主要有丛林迷彩伪装网、多频谱伪装遮障和反中红外波段侦查伪装遮障。烟雾伪装主要使用烟雾遮蔽目标，用于干扰对方光学波段的侦查。
目前，国外重点发展能够在全天候、各个时段、整个过程的目标与天然背景自然融合的自适应伪装技术(变色多光谱伪装、发射率和温控可调伪装材料、轻型宽频雷达材料等)。例如针对遥感可见光和多光谱遥感侦查的特点，伪装材料在原有的色彩伪装的基础上，研发出接近目标背景地物光谱的自适应伪装材料，利用此类材料对目标地物进行隐藏，这大大增加了通过传统遥感手段检测此类目标的难度。常用于植被环境中的丛林迷彩、纯绿色的伪装网，在可见光和近红外部分区域具有与植被相似的光谱特征。传统的可见光遥感，其能够直观地反映地物的尺寸、形状、大小等信息，对于改变颜色和亮度，并具有与背景颜色相匹配的迷彩图目标，检测难度很大。多光谱遥感能够很好地对植被等典型地物进行识别，但接近目标背景地物光谱的伪装材料检测能力是有限的。
叶绿素荧光遥感是遥感对地观测领域最前沿的研究热点之一。叶绿素荧光是植物所发出的微弱光芒，可以指示植物细胞生理生化过程。根据卫星遥感植被荧光探针特性可以很好的对以植被为背景的伪装地物进行探测识别。中国2017年发射的碳卫星(TanSat)搭载了专门探测叶绿素荧光的超光谱成像仪，可以捕捉植物光合作用过程中所发出的微弱光芒，即叶绿素荧光。通过探测卫星进行遥感探测可以为研究收集合适的数据源。
目前，叶绿素荧光动力学技术广泛应用于植物生理、植物生态等领域。研究手段多借助调制式叶绿素荧光仪尽管能够揭示植物光合作用机理，但多限于叶片“点”式接触测量。建立在目标荧光光谱探测基础上的激光诱导荧光技术(laser induced fluorescence,LIF),通常以320nm-380nm的紫外光作为激发光源，在一定的距离范围内，光谱仪可以检测到植物发出的荧光光谱信号。但是，研究表明植物的荧光光谱特征(如强度、谱形及不同波长区的相对强度对比等)除了与探测仪器的激发波长、性能有关外、还与色素种类、浓度及生物量等密切相关，在实际应用中激光诱导荧光遥感存在一定的局限性.激光诱导荧光技术通常要长时间对叶片进行不间断照射，之后获取荧光信号。这在一定程度上限制了利用荧光信号探测隐藏地物。同时激光诱导荧光技术需要有大容量的供电设备，搭载在无人机条件比较实现困难。
很多学者认为，要实现空间遥感探测植物荧光，可行的是依靠测量日光诱导的荧光信号。虽然由于叶绿素荧光的信号很弱，但根据植被指数和太阳夫琅禾费暗线线提取等方法，能够从反射率中得到植物发射的叶绿素荧光信息。通过卫星携带高光谱分辨率的成像光谱仪，将从表观反射中分离出荧光信号。当以合适的波长光照射植物时，植物会激发出荧光，在660nm到800nm波段之间,存在两个明显的荧光峰分别位于687nm和760.5nm处(Perez-Priego et al.,2005)。红光区荧光来源于与光系统II内部的叶绿素有关，近红外SIF来源于光系统II和光系统I内的叶绿素有关(Meroni et al.,2009)，如图1所示。但是单纯通过卫星遥感收集到的植被指数特性并不能准确探测识别植被背景下隐藏地物。因此，急需研发出一种利用遥感手段很好地对接近目标背景地物光谱的伪装材料进行检测识别的方法。
发明内容
解决的技术问题：本发明提供一种基于旋翼无人机的植被背景下隐藏地物的探测方法。本发明利用卫星遥感植被探针对隐藏目标进行识别和探测，通过定量化的分析方法，为以植被为背景的隐藏目标提供了一种新的检测方式，在检测目标方面具有更大优势。叶绿素荧光是植物所发出的微弱光芒，可以指示植物细胞生理生化过程。根据卫星遥感植被荧光探针特性可以很好的对以植被为背景的伪装地物进行探测识别。
技术方案：一种基于旋翼无人机的植被背景下隐藏地物的探测方法，包括以下步骤：
步骤S1：采用了搭载高光谱成像光谱仪的旋翼无人机，将该旋翼无人机悬停与待探测的目标区域上空；
步骤S2：旋翼无人机悬停后，通过高光谱成像光谱仪对目标区域进行逐行扫描，并采用荧光提取算法将扫描获得数据进行提取，获得荧光图像数据并存储数据；
步骤S3：通过卫星获取目标地区的遥感高分辨率光学遥感图像，对步骤S2得到的荧光图像数据和高分辨率光学遥感图像进行预处理得到荧光值信息，所述预处理为遥感图像预处理、图像配准、融合、分类和剔除非植被图像信息；
步骤S4：采用夫琅禾费暗线方法从预处理后的荧光值信息中提取荧光探针，根据荧光探针进行判定该目标区域是否存在隐藏地物，若荧光探针的荧光值＜0.1mW m-2nm-1sr-1时，则判定该目标区域存在隐藏地物；若0.1≤荧光探针的荧光值≤2.5mW m-2nm-1sr-1时，通过高分辨率光学遥感图像人工识别出目标区域的植被的种类，再将查找出该种类植被的实际荧光参数与荧光探针的荧光值进行对比，如荧光探针符合相应的参数范围，则不存在隐藏地物；如荧光探针不符合相应的参数范围，则存在隐藏地物；若荧光探针的荧光值＞2.5mW m-2nm-1sr-1时，则不存在隐藏地物。
进一步，所述步骤S2采用荧光3FLD提取算法将扫描获得数据进行提取，获得荧光图像数据并存储数据。
进一步，所述高光谱成像光谱仪为Headwall高分辨率成像光谱仪。
进一步，所述遥感图像预处理为对遥感高分辨率光学遥感图像上的数据的进行辐射校正、大气校正和影像裁剪。
本发明的机理为：植被的叶绿素荧光在自然光下非常微弱，只相当于植被吸收光能的0.5％-2％，然而由于大气对太阳光谱的吸收，到达地表的太阳光谱中有许多波段宽度为0.1-10的暗线，即夫琅和费吸收暗线：氢吸收在656nm形成的Hα暗线；大气中氧分子吸收在760nm和687nm附近形成的O2-A暗线和O2-B暗线。在夫琅和费吸收暗线波段，植物的反射光也很微弱，荧光凸显，表现为植被的表观反射率大于真实的反射率。
有益效果：本发明提出基于旋翼无人机机载高光谱成像光谱仪提取植被荧光探针对以植被为背景的伪装目标进行探测识别。该技术方案对植被伪装技术有很好的探测作用，在国防领域可以有着广泛的应用。同时叶绿素荧光是植物所发出的微弱光芒，可以指示植物细胞生理生化过程，及时准确反映植物光合作用的真实工作状态、诊断植物的健康状况等。
附图说明
图1、日光诱导叶绿素荧光辐亮度和反射率光谱图(引自Meroni et al.,2009)，其中(A)为荧光辐亮度，(B)为反射率光谱。
图2、荧光算法的基本原理示意图(引自Meroni et al.,2009)，其中(A)为太阳的辐照度光谱，(B)为观测的地物总的辐亮度光谱叶绿素荧光和绿色植被反射率光谱图。
图3、本发明所述的无人机上的高光谱成像光谱仪对目标区域进行扫描的示意图。
图4、采用荧光3FLD提取算法逐行计算测量的光谱图像中每个像元的荧光值得出整幅图相关的荧光值特征的过程示意图。
具体实施方式
下面结合附图，对本发明作详细说明。
实施例1
本实例在北京怀柔地区开展基于载有Headwall高分辨率成像光谱仪旋翼无人机和超光谱分辨率的卫星(例如碳卫星)对以植被为背景的隐藏目标进行探测识别。选用具有高载重的无人机(例如大疆T16无人飞机)，采用了T16植保无人飞机重塑了整体结构，采用模块化设计，带来了DJI大疆无人飞机的高载重与宽喷幅。强大的硬件协同AI智能引擎技术及三维作业规划功能，将作业效率提升至新高度。
如图3所示，一种基于旋翼无人机的植被背景下隐藏地物的探测方法，包括如下步骤：
步骤S1：采用了搭载Headwall高光谱成像光谱仪的大疆T16旋翼无人机(信噪比680:1，光谱分辨率≤0.25半高宽(FWHM),空间像素≤1600，光谱通道：670-780nm,全反射同心光学设计)，将该旋翼无人机悬停与待探测的目标区域上空；
步骤S2：旋翼无人机悬停后，通过Headwall高分辨率成像光谱仪对目标区域进行逐行扫描，通过Headwall高分辨率成像光谱仪上的Matlab程序，实时对扫描获得数据采用荧光提取算法(即荧光3FLD提取算法)进行提取，获取荧光图像数据并存储在数据存储介质之中；
其中，步骤S2中荧光提取算法计算荧光值信息的过程如下：
荧光提取算法是基于Headwall高分辨率成像光谱仪，利用自带的Matlab程序，实时通过荧光3FLD提取算法直接计算得出整幅图相关的荧光值特征。其过程是利用基于辐亮度的3FLD算法逐行计算测量的光谱图像中每个像元的荧光值，直至完成整幅图像荧光信息的计算，如图4所示。
荧光提取算法原理是根据太阳的辐照度光谱和地物辐亮度光谱，采取3FLD算法进行叶绿素荧光探针的提取，利用一个在夫琅和费线内的波段(λin)和一个(或多个)在夫琅和费线外的波段(λout)的表观辐亮度，基于自然光激发的荧光对“夫琅和费井”的填充程度，获取荧光信息(如图2所示)，荧光3FLD提取算法的计算公式如下：
F＝f(L(λin),L(λout-1),L(λout-2),.....,L(λout-n))
式中：L(λin)为夫琅和费线内波段的表观辐亮度，L(λout-i)为夫琅和费线外第I∈[1,n]波段的表观辐亮度。
步骤S3：通过卫星获取目标地区的遥感高分辨率光学遥感图像，对步骤S3得到的荧光图像数据和高分辨率光学遥感图像进行预处理得到荧光值信息，所述预处理为遥感图像预处理、图像配准、融合、分类和剔除非植被图像信息；所述非植被图像信息如公路或者裸地、河流等典型地物；
步骤S3中遥感图像预处理具体过程如下：
遥感图像预处理采用遥感软件ENVI进行数据的预处理(将位于不通坐标系下同一场景的二幅或多幅影像寻找一种特定的几何变换，将两幅或多幅图像变换到同一坐标系的过程)包括辐射校正、大气校正、影像裁剪。具体步骤：(1)图像源文件信息查看(2)辐射校正：将卫星传感器捕获的瞬时视场角值转化为传感器上空的反射值(ENVI里面的DataSpecial-utilities)(3)大气校正：将计算的点的辐射值进行大气校正，消除大气层吸收、散射的影响，获取地面对照地物的反射率(ENVI里面的FLAASH功能)(4)图像裁剪：将卫星数据与地图有机配合起来，将卫星数据按所要求的地理空间裁剪出来，让计算机只分析我们感兴趣的地点(ENVI里面的Masking功能)。
荧光特征图像与遥感图像进行配准步骤如下：(1)通过利用互相关函数，评价两块影像的相似性以确定同名点。即首先取出以待定点为中心的小区域中的影像信号，然后取出其在另一影像中相应区域的影像信号，计算二者的相关函数，以相关函数最大值对应的相应区域中心点为同名点。Image Registration Workflow工具需要两幅影像，其中一幅是基准影像，另一幅则是待配准影像。配准工具支持的数据格式有：ENVI,TIFF,NITF,JPEG2000,JPEG,基准图像包括标准的地图坐标或者RPC信息；待配准影像没有严格约束，但如果没有坐标信息，需要手动选择至少3个同名点。Image Registration Workflow工具中进行图像自动配准的特定步骤如下：①选择图像配准的文件；②生成Tie点；③检查Tie点和待配准图像；④输出图像配准的结果。整个过程是在流程化操作Image Registration Workflow工具中完成的。
荧光特征图像与配准后的图像融合具体步骤为：①选择File>Open，将荧光特征数据.img和配准后的待融合数据.img分别打开。②在Toolbox中，打开/Image Sharpening/Gram-Schmidt Pan Sharpening，在文件选择框中分别选择荧光特征数据.img和配准后的待融合数据.img影像，单击OK。打开Pan Sharpening Parameters面板。③在PanSharpening Parameters面板中，选择传感器类型(Sensor)：Unknown，重采样方法(Resampling)：Cubic Convolution，输出格式为：ENVI。④选择输出路径及文件名，单击OK执行融合处理。
图像融合的分类具体步骤：①类别定义②样本选择，在图层管理器Layer Manager中，图层上右键，选择New region of interest,打开Region of interest(ROI)tool面板(ROI Color设置(0,153,0))③分类器选择，选择神经网络(Neural Net)④影像分类，选择支持向量机分类方法⑤分类后处理。
步骤S4：采用夫琅禾费暗线方法从预处理后的荧光值信息中提取荧光探针(即为紫外-可见-近红外区提取的荧光信号)，根据荧光探针进行判定该目标区域是否存在隐藏地物，若荧光探针的荧光值＜0.1mWm-2nm-1sr-1时，则判定该目标区域存在隐藏地物；若荧光探针在0.1≤荧光探针的荧光值≤2.5mW m-2nm-1sr-1之间时，通过高分辨率光学遥感图像人工识别出目标区域的植被的种类，再将该种类植被的实际荧光参数与荧光探针的荧光值进行对比，植被的实际荧光参数可从公开的出版物中查找，公开的出版物包括但不限于专利文献、科学技术杂志、科学技术书籍、学术论文、专业文献、教科书等，本实施例提供了从期刊文献中查找的一些常见植物荧光参数，如表1所示，如荧光探针符合相应的参数范围，则不存在隐藏地物；如荧光探针不符合相应的参数范围，则存在隐藏地物；若荧光探针的荧光值＞2.5mW m-2nm-1sr-1时，则不存在隐藏地物。
步骤S4中夫琅和费线提取算法(Franuhofer Line Deiscrimination,FLD),该算法假定荧光值不变，但是假定反射率在很窄的范围内线性变化，需要1个夫琅禾费线内的波段和2个分别位于夫琅禾费线外的波段计算得到，用以下公式进行提取出荧光探针；
Figure BDA0002245614670000061
式中：L(λin)为夫琅和费线内波段的表观辐亮度，L(λout)为夫琅和费线外波段的表观辐亮度，E(λin)为夫琅和费线内的辐照度，E(λout)为夫琅和费线外的辐照度。
表1.从Web of science数据库中检索到的SCI文献中记载的一些常见植物的荧光参数汇总表。
Figure BDA0002245614670000062
Figure BDA0002245614670000071

Claims (4)

1.一种基于旋翼无人机的植被背景下隐藏地物的探测方法，其特征在于包括以下步骤：
步骤S1：采用了搭载高光谱成像光谱仪的旋翼无人机，将该旋翼无人机悬停于待探测的目标区域上空；
步骤S2：旋翼无人机悬停后，通过高光谱成像光谱仪对目标区域进行逐行扫描，并采用荧光提取算法将扫描获得数据进行提取，获得荧光图像数据并存储数据；
步骤S3：通过卫星获取目标地区的高分辨率光学遥感图像，对步骤S2得到的荧光图像数据和高分辨率光学遥感图像进行预处理得到荧光值信息，所述预处理为遥感图像预处理、图像配准、融合、分类和剔除非植被图像信息；
其中，图像配准步骤如下：（1）通过利用互相关函数，评价两块影像的相似性以确定同名点；即首先取出以待定点为中心的小区域中的影像信号，然后取出其在另一影像中相应区域的影像信号，计算二者的相关函数，以相关函数最大值对应的相应区域中心点为同名点；Image Registration Workflow工具需要两幅影像，其中一幅是基准影像，另一幅则是待配准影像；配准工具支持的数据格式有：ENVI, TIFF, NITF, JPEG 2000, JPEG, 基准图像包括标准的地图坐标或者RPC信息；待配准影像没有严格约束，但如果没有坐标信息，需要手动选择至少3个同名点；Image Registration Workflow工具中进行图像自动配准的特定步骤如下：① 选择图像配准的文件；② 生成Tie点；③ 检查Tie点和待配准图像；④ 输出图像配准的结果；整个过程是在流程化操作Image Registration Workflow工具中完成的；
所述融合的步骤为：① 选择File > Open，将荧光特征数据.img和配准后的待融合数据.img分别打开；② 在Toolbox中，打开/ Image Sharpening /Gram-Schmidt PanSharpening，在文件选择框中分别选择荧光特征数据.img和配准后的待融合数据.img影像，单击OK；打开Pan Sharpening Parameters面板；③ 在Pan Sharpening Parameters面板中，选择传感器类型：Unknown，重采样方法：Cubic Convolution，输出格式为：ENVI；④选择输出路径及文件名，单击OK执行融合处理；
所述分类的步骤为：① 类别定义； ② 样本选择，在图层管理器 Layer Manager 中，图层上右键，选择New region of interest, 打开Region of interest tool 面板，ROIColor 设置：0, 153, 0； ③ 分类器选择，选择神经网络；④ 影像分类，选择支持向量机分类方法； ⑤ 分类后处理；
步骤S4：采用夫琅禾费暗线方法从预处理后的荧光值信息中提取荧光探针，根据荧光探针进行判定该目标区域是否存在隐藏地物，若荧光探针的荧光值＜0.1mW m-2 nm-1 sr-1时，则判定该目标区域存在隐藏地物；若0.1≤荧光探针的荧光值≤2.5 mW m-2 nm-1 sr-1时，通过高分辨率光学遥感图像人工识别出目标区域的植被的种类，再将查找出该种类植被的实际荧光参数与荧光探针的荧光值进行对比，如荧光探针符合相应的参数范围，则不存在隐藏地物；如荧光探针不符合相应的参数范围，则存在隐藏地物；若荧光探针的荧光值＞2.5 mW m-2 nm-1 sr-1时，则不存在隐藏地物。
2.根据权利要求1所述的一种基于旋翼无人机的植被背景下隐藏地物的探测方法，其特征在于：所述步骤S2采用荧光3FLD提取算法将扫描获得数据进行提取，获得荧光图像数据并存储数据。
3.根据权利要求1所述的一种基于旋翼无人机的植被背景下隐藏地物的探测方法，其特征在于：所述高光谱成像光谱仪为Headwall高分辨率成像光谱仪。
4.根据权利要求1所述的一种基于旋翼无人机的植被背景下隐藏地物的探测方法，其特征在于：所述遥感图像预处理为对遥感高分辨率光学遥感图像上的数据的进行辐射校正、大气校正和影像裁剪。
CN201911015653.6A 2019-10-24 2019-10-24 一种基于旋翼无人机的植被背景下隐藏地物的探测方法 Expired - Fee Related CN110794472B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911015653.6A CN110794472B (zh) 2019-10-24 2019-10-24 一种基于旋翼无人机的植被背景下隐藏地物的探测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911015653.6A CN110794472B (zh) 2019-10-24 2019-10-24 一种基于旋翼无人机的植被背景下隐藏地物的探测方法

Publications (2)

Publication Number Publication Date
CN110794472A CN110794472A (zh) 2020-02-14
CN110794472B true CN110794472B (zh) 2020-11-06

Family

ID=69441103

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911015653.6A Expired - Fee Related CN110794472B (zh) 2019-10-24 2019-10-24 一种基于旋翼无人机的植被背景下隐藏地物的探测方法

Country Status (1)

Country Link
CN (1) CN110794472B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111323077B (zh) * 2020-02-26 2023-01-13 南京林业大学 一种户外高通量植物表型信息采集方法
CN115144350B (zh) * 2022-09-06 2023-02-17 中国科学院地理科学与资源研究所 基于高光谱相似像元比对的场地烃类污染判识方法及系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4829597A (en) * 1986-09-29 1989-05-09 The Aerospace Corporation Low solar background, high sensitivity active atomic resonance filter for underwater laser communications
GB0808340D0 (en) * 2008-05-08 2008-06-18 Univ Edinburgh Remote sensing system
CN101514963A (zh) * 2009-03-25 2009-08-26 北京市农林科学院 一种植被荧光探测方法及装置
WO2017033792A1 (ja) * 2015-08-27 2017-03-02 国立大学法人北海道大学 クロロフィル蛍光測定装置
CN106841116B (zh) * 2016-12-29 2019-08-16 中国科学院遥感与数字地球研究所 人工绿色目标的检测方法和装置
CN108416297B (zh) * 2018-03-09 2018-11-27 河北省科学院地理科学研究所 一种基于叶绿素荧光的植被信息快速识别方法
CN108593611B (zh) * 2018-04-25 2020-10-02 南京大学 一种植被叶绿素荧光的双通道自动观测方法
CN109765204A (zh) * 2019-01-08 2019-05-17 中国农业科学院农业资源与农业区划研究所 一种基于碳卫星数据的ki夫琅和费暗线反演叶绿素荧光的方法

Also Published As

Publication number Publication date
CN110794472A (zh) 2020-02-14

Similar Documents

Publication Publication Date Title
Shi et al. Tree species classification using plant functional traits from LiDAR and hyperspectral data
Jia et al. Status and application of advanced airborne hyperspectral imaging technology: A review
Thakur et al. A review of the application of multispectral remote sensing in the study of mangrove ecosystems with special emphasis on image processing techniques
Pu Mapping tree species using advanced remote sensing technologies: A state-of-the-art review and perspective
Van Aardt Spectral separability among six southern tree species
Varshney et al. Advanced image processing techniques for remotely sensed hyperspectral data
EP1008098B1 (en) Method for remote sensing analysis by decorrelation statistical analysis and hardware therefor
Immitzer et al. Early detection of bark beetle infestation in Norway spruce (Picea abies, L.) using WorldView-2 data
Han et al. Mapping hydrothermally altered rocks with Landsat 8 imagery: A case study in the KSM and Snow field zones, northwestern British Columbia
Mateen et al. The role of hyperspectral imaging: A literature review
CN112541921A (zh) 城市绿地植被信息数据化精准测定方法
CN110794472B (zh) 一种基于旋翼无人机的植被背景下隐藏地物的探测方法
Sudharsan et al. A survey on hyperspectral imaging for mineral exploration using machine learning algorithms
Hornero et al. Assessing the contribution of understory sun-induced chlorophyll fluorescence through 3-D radiative transfer modelling and field data
Cross et al. Determining effective meter-scale image data and spectral vegetation indices for tropical forest tree species differentiation
Liu et al. Tracking photosynthetic injury of Paraquat-treated crop using chlorophyll fluorescence from hyperspectral data
Liu et al. Mapping C3 and C4 plant functional types using separated solar-induced chlorophyll fluorescence from hyperspectral data
Yang et al. Research and application of UAV-based hyperspectral remote sensing for smart city construction
Biney et al. Bor uvka
Kaasalainen Multispectral terrestrial lidar: State of the art and challenges
Pan et al. Feature extraction for urban vegetation stress identification using hyperspectral remote sensing
Guiang et al. Cloud detection and characterization using topological data analysis
Xu et al. Ill-posed surface emissivity retrieval from multi-geometry hyperspectral images using a hybrid deep neural network
Segl et al. Endmember detection in urban environments using hyperspectral HyMap data
Gautam et al. A Comprehensive Literature Review on Hyperspectral Remote Sensing Techniques and Applications

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
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20201106

Termination date: 20211024

CF01 Termination of patent right due to non-payment of annual fee