CN110880166A - 多目标光纤光谱减天光处理方法 - Google Patents
多目标光纤光谱减天光处理方法 Download PDFInfo
- Publication number
- CN110880166A CN110880166A CN201911144302.5A CN201911144302A CN110880166A CN 110880166 A CN110880166 A CN 110880166A CN 201911144302 A CN201911144302 A CN 201911144302A CN 110880166 A CN110880166 A CN 110880166A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- sky
- light
- matrix
- target
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 151
- 239000013307 optical fiber Substances 0.000 title claims abstract description 29
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 81
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000005070 sampling Methods 0.000 claims abstract description 40
- 230000009467 reduction Effects 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000003595 spectral effect Effects 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 8
- 239000000835 fiber Substances 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 5
- 239000004576 sand Substances 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 239000000470 constituent Substances 0.000 claims 1
- 230000003287 optical effect Effects 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000012864 cross contamination Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000011410 subtraction method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Optical Communication System (AREA)
Abstract
本发明涉及一种多目标光纤光谱减天光处理方法,包括:设计适合减天光的NMF+S方法;光谱预处理;选取天光光谱采样矩阵;4.提取天光光谱发射线采样矩阵;提取目标光谱发射线采样矩阵;对天光光谱发射线采样矩阵做NMF+S分解;重建天光光谱;完成减天光处理。本发明主要应用于处理通过多目标光纤光谱望远镜的光学系统及CCD相机获得的光纤光谱图像的数据处理流程中的核心步骤,可提高减天光的精度,进而提高整个光纤光谱数据处理流程的精度和可靠性。
Description
技术领域
本发明属于光纤光谱图像和数据处理领域,特别涉及一种多目标光纤光谱减天光处理方法。
背景技术
减天光是多目标光纤光谱数据处理流程中的核心步骤,其算法精确度对整个光谱数据处理系统起着决定性作用。天光光谱主要由连续谱和发射线构成,减天光的残差过大主要是由天光发射线造成的。需要针对天光谱特点研究并提出高精度的减天光方法。一维的B样条曲线拟合算法和PCA算法是目前国际上公认的以及各大多目标光纤光谱数据处理系统中通用的精度较高的减天光算法。例如国内的LAMOST系统、国外的SDSS望远镜的APOGEE系统、AAT望远镜的GAMA系统等。但是这种一维的减天光算法先进行抽谱处理,在这个由二维数据还原为一维数据的过程中,破坏了二维光谱空间和波长两个方向之间的相关性,也不符合二维光谱数据的形成过程。我们在此基础上提出了基于二维模型的减天光方法,在进行减天光处理后再进行抽谱处理,进一步提高减天光的精度以及整个数据处理流程的精确度。
在天光光谱图像中,同一根天光光谱的波长方向和空间方向都含有天光的重要信息,波长方向突出表现天光发射线对应的波长位置,而对于空间方向来说,距离空间方向轮廓的中心位置不同的波长方向的切片,其流量值以及信噪比有较大的差异,可以充分利用空间方向的信号与噪声之间的关系,提取更加准确的天光信息来建立天光模型。利用二维模型的减天光算法对二维目标光谱进行减天光处理,将减天光处理步骤放置于抽谱步骤之前,也符合光谱数据的形成原理。因此设计基于二维模型的减天光方法是必要的。
已经提出的二维天光建模方法有基于B样条曲线拟合算法的二维减天光方法。采用B样条拟合法进行二维天光建模的减天光处理方法耗时太大,不适于天文台实际工作中的大量数据处理。
针对上述问题,我们充分利用天光的波长和空间两个方向的光谱信息和特征,提出了基于稀疏约束的非负矩阵分解(Nonnegative Matrix Factorization withSparsity,NMF+S)的减天光方法,并建立基于NMF+S方法的二维天光模型,实现减天光的二维算法,有效提高减天光处理的精度。
发明内容
本发明的目的在于提供一种基于二维模型的光谱数据处理方法,用于解决上述现有技术的问题。
本发明一种基于二维模型的光谱数据处理方法,其中,包括:
光谱预处理,分别对天光和目标光谱进行光纤效率校正,将每一根光谱的每一个空间方向的切片都插值到统一的波长坐标上,插值后的坐标包含光谱中波长的最小值到波长的最大值,等间距排列,坐标长度为波长方向像素点个数;
选取天光光谱采样矩阵S,包括:
将空间和波长两个方向所含有的光谱信息都利用起来用于天光的建模,并在沿空间方向的切片中选取靠近轮廓中心位置的高质量光谱分量,去除距离空间方向轮廓中心较远的易受噪声干扰的采样点;
对n条长度为M的天光谱,选取每根天光光纤空间方向坐标为靠近空间方向轮廓中心点附近的d个点,作为采样的切片光谱数据,组成天光光谱采样矩阵s;
进行减天光处理,得到减天光后的二维目标光谱每个切片的流量;
从待处理的目标光谱O中减去重建的天光光谱,得到减天光后的二维目标光谱每个切片的流量:
根据本发明的基于二维模型的光谱数据处理方法的一实施例,其中,通过计算不同天光光谱在每个波长位置流量的方差或者均值选定阈值,选出组成天光光谱发射线采样矩阵作为NMF+S样本矩阵做分解,选择目标光谱发射线采样矩阵利用NMF+S方法进行训练,得到基矩阵W作为基矩阵,并固定基矩阵的值,代入到目标样本矩阵中利用NMF+S方法进行测试,从而重建出天光发射线
根据本发明的基于二维模型的光谱数据处理方法的一实施例,其中,NMF+S包括:
对于任意一个m×n维的非负矩阵X,寻找m×r维的基矩阵W和r×n维的系数矩阵H,使得:
X≈WH s.t.W,H≥0 (1)
NMF分解过程是一个寻优的过程,初始化W和H,并对它们进行交替迭代,使得(1)式近似度最高,
设计的约束条件和目标函数如下:
c(W,H)=cr(W,H)+αcs(H)+βch(W)
其中,α是用来平衡相似度和稀疏度的稀疏约束项的权重,β是一致性约束项的权重,wi是W的行向量,||wi||2是向量wi的模;
D(X||WH)函数:
为了估计出W和H,最小化目标函数c(W,H);采用乘法更新准则进行迭代更新,目标函数的值不断减小直至算法收敛。
根据本发明的基于二维模型的光谱数据处理方法的一实施例,其中,计算W和H的更新准则,分别对目标函数求梯度:
其中,diag(d)表示以向量d中元素为对角线元素的对角阵。
根据本发明的基于二维模型的光谱数据处理方法的一实施例,其中,在减天光处理之前,使用预处理阶段得到的光纤效率修正曲线,分别对天光和目标光谱进行光纤效率校正。
综上所述,本发明根据天光光谱特征,同时利用空间和波长两个方向的光谱信息,提出了基于二维NMF+S的多目标光纤光谱减天光处理方法。采用NMF+S算法建立二维天光背景模型,从二维目标光谱中减去天光流量完成减天光处理。
附图说明
图1为LAMOST二维天光光谱图像;
图2沿空间方向的部分分量的完整切片。
具体实施方式
为使本发明的目的、内容、和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
图1为LAMOST二维天光光谱图像,图2为沿空间方向的部分分量的完整切片,如图1以及图2所示,本发明多目标光纤光谱减天光处理方法包括:
1、设计适合减天光的NMF+S方法
NMF是一种基于乘性迭代的矩阵分解方法。对于任意一个m×n维的非负矩阵X,寻找n×r维的基矩阵W和r×n维的系数矩阵H,使得:
X≈WH s.t.W,H≥0 (1)
NMF分解过程是一个寻优的过程,初始化W,H,并对它们进行交替迭代,使得(1)式近似度最高。为了找到(1)式的近似解,定义目标函数来量化近似的效果。
针对天光光谱的特点,设计适合的约束条件和目标函数如下:
c(W,H)=cr(W,H)+αcs(H)+βch(W)
其中,α是用来平衡相似度和稀疏度的稀疏约束项的权重。β是一致性约束项的权重。wi是W的行向量。||wi||2是向量wi的模。
cT(W,H)与基本的NMF方法相同,由于天光发射线是服从泊松分布的,K-L离散度更适合作为目标函数来刻画泊松分布特征的数据的NMF分解,因此我们选取K-L离散度,即D(X||WH)函数:
为了估计出W和H,最小化目标函数c(W,H)。
采用乘法更新准则进行迭代更新,目标函数的值不断减小直至算法收敛。
为了计算W和H的更新准则,分别对目标函数求梯度:
其中,diag(d)表示以向量d中元素为对角线元素的对角阵。
所提的NMF+S算法的步骤如下:
(a)对W和H进行随机的正值初始化。
(c)计算重建的X:
(d)更新系数矩阵:
(e)用更新后的系数矩阵计算重建的X:
(f)更新基矩阵:
(h)回到(c)直至达到收敛。
2、光谱预处理
在减天光处理之前,首先使用预处理阶段得到的光纤效率修正曲线,分别对天光和目标光谱进行光纤效率校正。然后,由于每根光谱的色散曲线不同,为了将对应波长的天光减去,将每一根光谱的每一个空间方向的切片都插值到统一的波长坐标上。插值后的坐标包含光谱中波长的最小值到波长的最大值,等间距排列,坐标长度为波长方向像素点个数(LAMOST为4096个)。
3.选取天光光谱采样矩阵S
天光光谱和目标光谱都是由波长方向和空间方向组成的,从空间方向来看,二维光谱图像可以看做由不同空间位置的完整的波长方向的切片组成的。每个切片上相同波长位置对应的天光发射线和连续谱的流量是等比例一一对应的。越靠近空间方向轮廓的中心位置,该切片上的像素点对应的流量值越高,受到的噪声的影响相对越小(如图1所示)。
因此,将空间和波长两个方向所含有的光谱信息都利用起来用于天光的建模,并在沿空间方向的切片中选取靠近轮廓中心位置的高质量光谱分量,去除距离空间方向轮廓中心较远的易受噪声干扰的采样点,使得采样点的选取更加有效。
对n条长度为M的天光谱,选取每根天光光纤空间方向坐标为靠近空间方向轮廓中心点附近的d个点(LAMOST光谱空间方向轮廓宽度一般为16左右,d的选取应视噪声以及交叉污染的程度决定,但必须小于16),作为采样的切片光谱数据,组成天光光谱采样矩阵s。其他位置的切片由于受到噪声以及轮廓交叉污染的影响会降低减天光的精度,不作为NMF+S分解的采样数据。
为了提取天光发射线的特征进行NMF+S分解,需要把天光光谱s中的天光发射线与连续光谱分开。鉴于天光的观测原理,我们可以近似认为,对于空间位置相同的切片,每根天光连续谱部分流量是相同的,因此可以将每根天光光谱的连续谱部分的平均值作为对应位置切片的连续谱流量值。对每根天光的每一个切片进行中值滤波,得到对应的连续谱流量,再从每个切片中减去对应位置连续谱的平均值,就得到了每一个切片的天光发射线部分,组成天光光谱发射线采样矩阵
为了提高运算速度,需要通过计算不同天光光谱在每个波长位置流量的方差或者均值按照一定的准则选定阈值,判定那些认定为含发射线的点用于NMF+S计算。用这些选出的点组成的天光光谱发射线采样矩阵作为NMF+S样本矩阵做分解。在同样的位置用相同的方法选择目标光谱发射线采样矩阵
利用1中的NMF+S方法进行训练,得到基矩阵W。然后将它作为基矩阵,并固定基矩阵的值,代入到目标样本矩阵中利用NMF+S方法进行测试。
8.完成减天光处理
从待处理的目标光谱O中减去重建的天光光谱,得到减天光后的二维目标光谱每个切片的流量:
本发明多目标光纤光谱减天光处理方法的另一实施例包括:
1.首先需要分别对目标光谱和天光光谱进行预处理,包括:效率改正和插值处理,统一波长坐标;中值滤波,得到天光发射线流量。
2.对n条长度为M的天光谱,选取每根天光光纤空间方向靠近空间方向轮廓中心点附近的d个点,作为采样的切片光谱数据,组成天光光谱采样矩阵s。
5.通过计算不同天光光谱在每个波长位置流量的方差或者均值按照一定的准则选定阈值,从而选出组成天光光谱发射线采样矩阵作为NMF+S样本矩阵做分解,在同样的位置用相同的方法选择目标光谱发射线采样矩阵根据公式(12)-(13),利用步骤(a)~(h)中的NMF+S方法进行训练,得到基矩阵W。然后将它作为基矩阵,并固定基矩阵的值,代入到目标样本矩阵中利用NMF+S方法进行测试。从而重建出天光发射线
本发明的有益效果如下:
二维减天光算法的实验通过北京天文台提供的LAMOST光谱图像数据来进行验证,证明所提算法的有效性和优越性。
为了比较所提算法性能并且从数学角度客观评价算法性能,利用方差这一指标来衡量算法的精确度。定义目标光谱减天光处理后的光谱的方差为:
通过随机选取的十根目标光纤光谱数据来验证算法的优越性,计算减天光后目标谱结果的方差(如表1所示)。
表1不同算法减天光处理后的目标光谱的方差
从表格的统计数据中可以看出,基于二维NMF+S方法的减天光结果方差最小,说明该方法减天光的精确度最高。
二维NMF+S减天光方法的意义不仅仅是提高减天光处理的精度,该算法考虑到了空间方向与波长方向的关系,进行二维天光建模,符合我们根据二维光纤光谱形成机理而设计的基于二维算法的光纤光谱数据处理流程,为后面的抽谱等步骤提供了良好的数据处理基础。
综上所述:
1.本发明提出了一种高效快速且更加符合二维光纤光谱图像数据形成原理的二维减天光方法,适用于基于二维模型的多目标光纤光谱数据处理流程,进一步提高了减天光和数据处理流程的精确度。
2.针对国内多目标光纤光谱望远镜数据处理现状,即基于一维模型的光纤光谱数据处理流程,本发明提出了一种可行高效高精度的二维减天光方法,供后续改进的基于二维模型的光纤光谱数据处理流程参考使用。
综上所述,本发明根据天光光谱特征,同时利用空间和波长两个方向的光谱信息,提出了基于二维NMF+S的多目标光纤光谱减天光处理方法。采用NMF+S算法建立二维天光背景模型,从二维目标光谱中减去天光流量完成减天光处理。
本发明主要应用于处理通过多目标光纤光谱望远镜的光学系统及CCD相机获得的光纤光谱图像的数据处理流程中的核心步骤,可提高减天光的精度,进而提高整个光纤光谱数据处理流程的精度和可靠性。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种基于二维模型的光谱数据处理方法,其特征在于,包括:
光谱预处理,分别对天光和目标光谱进行光纤效率校正,将每一根光谱的每一个空间方向的切片都插值到统一的波长坐标上,插值后的坐标包含光谱中波长的最小值到波长的最大值,等间距排列,坐标长度为波长方向像素点个数;
选取天光光谱采样矩阵S,包括:
将空间和波长两个方向所含有的光谱信息都利用起来用于天光的建模,并在沿空间方向的切片中选取靠近轮廓中心位置的高质量光谱分量,去除距离空间方向轮廓中心较远的易受噪声干扰的采样点;
对n条长度为M的天光谱,选取每根天光光纤空间方向坐标为靠近空间方向轮廓中心点附近的d个点,作为采样的切片光谱数据,组成天光光谱采样矩阵s;
进行减天光处理,得到减天光后的二维目标光谱每个切片的流量;
从待处理的目标光谱O中减去重建的天光光谱,得到减天光后的二维目标光谱每个切片的流量:
4.如权利要求1所述的基于二维模型的光谱数据处理方法,其特征在于,NMF+S包括:
对于任意一个m×n维的非负矩阵X,寻找m×r维的基矩阵W和r×n维的系数矩阵H,使得:
X≈WH s.t.W,H≥0 (1)
NMF分解过程是一个寻优的过程,初始化W和H,并对它们进行交替迭代,使得(1)式近似度最高,
设计的约束条件和目标函数如下:
c(W,H)=cr(W,H)+acs(H)+βch(W)
其中,α是用来平衡相似度和稀疏度的稀疏约束项的权重,β是一致性约束项的权重,wi是W的行向量,||wi||2是向量wi的模;
D(X||WH)函数:
为了估计出W和H,最小化目标函数c(W,H);采用乘法更新准则进行迭代更新,目标函数的值不断减小直至算法收敛。
6.如权利要求1所述的基于二维模型的光谱数据处理方法,其特征在于,在减天光处理之前,使用预处理阶段得到的光纤效率修正曲线,分别对天光和目标光谱进行光纤效率校正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911144302.5A CN110880166A (zh) | 2019-11-20 | 2019-11-20 | 多目标光纤光谱减天光处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911144302.5A CN110880166A (zh) | 2019-11-20 | 2019-11-20 | 多目标光纤光谱减天光处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110880166A true CN110880166A (zh) | 2020-03-13 |
Family
ID=69730421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911144302.5A Pending CN110880166A (zh) | 2019-11-20 | 2019-11-20 | 多目标光纤光谱减天光处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110880166A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012001949A1 (ja) * | 2010-06-30 | 2012-01-05 | 日本電気株式会社 | カラー画像処理方法、カラー画像処理装置およびカラー画像処理プログラム |
US20180055365A1 (en) * | 2016-09-01 | 2018-03-01 | SCREEN Holdings Co., Ltd. | Image processing apparatus and image processing method |
CN107993212A (zh) * | 2017-12-12 | 2018-05-04 | 天津津航计算技术研究所 | 基于二维pca的多目标光纤光谱减天光处理方法 |
CN109816607A (zh) * | 2019-01-22 | 2019-05-28 | 北京师范大学 | 一种基于多层前馈神经网络的二维光纤光谱图像校正技术 |
-
2019
- 2019-11-20 CN CN201911144302.5A patent/CN110880166A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012001949A1 (ja) * | 2010-06-30 | 2012-01-05 | 日本電気株式会社 | カラー画像処理方法、カラー画像処理装置およびカラー画像処理プログラム |
US20180055365A1 (en) * | 2016-09-01 | 2018-03-01 | SCREEN Holdings Co., Ltd. | Image processing apparatus and image processing method |
CN107993212A (zh) * | 2017-12-12 | 2018-05-04 | 天津津航计算技术研究所 | 基于二维pca的多目标光纤光谱减天光处理方法 |
CN109816607A (zh) * | 2019-01-22 | 2019-05-28 | 北京师范大学 | 一种基于多层前馈神经网络的二维光纤光谱图像校正技术 |
Non-Patent Citations (1)
Title |
---|
张博: "LAMOST光谱数据的二维处理关键技术研究" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921799B (zh) | 基于多尺度协同学习卷积神经网络的遥感图像薄云去除方法 | |
CN109493303B (zh) | 一种基于生成对抗网络的图像去雾方法 | |
CN111369487B (zh) | 一种高光谱和多光谱图像融合方法、系统及介质 | |
CN107507135B (zh) | 基于编码光圈和靶标的图像重构方法 | |
CN111274525B (zh) | 一种基于多线性增广拉格朗日乘子法的张量数据恢复方法 | |
CN113870124B (zh) | 基于弱监督的双网络互激励学习阴影去除方法 | |
CN114119444A (zh) | 一种基于深度神经网络的多源遥感图像融合方法 | |
CN109215025B (zh) | 一种基于非凸秩逼近极小化的红外弱小目标检测方法 | |
CN112949414B (zh) | 一种宽视域高分六号卫星影像地表水体智能制图方法 | |
CN108921170B (zh) | 一种有效的图像噪声检测和去噪方法及系统 | |
CN108133182B (zh) | 一种基于云成像的新能源发电预测方法及装置 | |
CN111126185B (zh) | 一种针对道路卡口场景的深度学习车辆目标识别方法 | |
CN114332070A (zh) | 一种基于智能学习网络模型压缩的陨坑检测方法 | |
CN107993212A (zh) | 基于二维pca的多目标光纤光谱减天光处理方法 | |
CN113962878B (zh) | 一种低能见度图像去雾模型方法 | |
CN114419463A (zh) | 一种基于云平台的全球太阳能光伏板遥感自动识别方法 | |
CN111091580B (zh) | 一种基于改进ResNet-UNet网络的立木图像分割方法 | |
CN111626948B (zh) | 一种基于图像补的低光子泊松图像复原方法 | |
CN110880166A (zh) | 多目标光纤光谱减天光处理方法 | |
CN113989612A (zh) | 基于注意力及生成对抗网络的遥感影像目标检测方法 | |
Chan et al. | Fast non-local filtering by random sampling: it works, especially for large images | |
CN114862711B (zh) | 基于双重互补先验约束的低照度图像增强与去噪方法 | |
CN116152206A (zh) | 一种光伏输出功率预测方法、终端设备及存储介质 | |
CN114140361A (zh) | 融合多级特征的生成式对抗网络图像去雾方法 | |
CN114298945B (zh) | 一种基于构建虚拟影像的光学遥感影像厚云去除方法 |
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 |