CN110940638A - 一种高光谱图像亚像元级水体边界探测方法及探测系统 - Google Patents

一种高光谱图像亚像元级水体边界探测方法及探测系统 Download PDF

Info

Publication number
CN110940638A
CN110940638A CN201911139365.1A CN201911139365A CN110940638A CN 110940638 A CN110940638 A CN 110940638A CN 201911139365 A CN201911139365 A CN 201911139365A CN 110940638 A CN110940638 A CN 110940638A
Authority
CN
China
Prior art keywords
water body
detection
hyperspectral image
water
detected
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.)
Granted
Application number
CN201911139365.1A
Other languages
English (en)
Other versions
CN110940638B (zh
Inventor
蓝金辉
牛秉青
杜瑜
郑怡笑
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.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
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 University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN201911139365.1A priority Critical patent/CN110940638B/zh
Publication of CN110940638A publication Critical patent/CN110940638A/zh
Application granted granted Critical
Publication of CN110940638B publication Critical patent/CN110940638B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供一种高光谱图像亚像元级水体边界探测方法及探测系统，能够提高高光谱图像亚像元级水体边界探测的速度及精度，并降低虚警率。所述方法包括：获取待探测水域的高光谱图像；将光谱间的相似性度量作为相关性函数，构造探测算子并引入二次约束项，得到有约束后的探测算子，建立水体边界探测函数；根据建立的水体边界探测函数，对待探测水域进行水体边界探测，确定水体范围。本发明涉及遥感图像处理领域。

Description

一种高光谱图像亚像元级水体边界探测方法及探测系统
技术领域
本发明涉及遥感图像处理领域，特别是指一种高光谱图像亚像元级水体边界探测方法及探测系统。
背景技术
高光谱是20世纪80年代初在领域发展起来的新兴成像技术，是指在成像光谱仪的作用下，在电磁波谱中的中远红外光谱、近红外光谱、可见光光谱和紫外光谱区域内，得到的很多光谱分布连续且光谱范围很小的影像信息数据。与传统的全色影像及多光谱图像相比，高光谱图像主要具有以下优点：
1)图谱合一，即同时记录了地物的光谱和图像信息；
2)各个波段各自成像，高光谱图像是各个波段数据叠加在一起的数据立方体；
3)波段多且宽度窄，可以为每个像元提供几十、数百甚至上千个波段；光谱分辨率高，可达5～10nm；
4)波段连续，每个像元可以得到连续的地物光谱曲线；
5)覆盖范围广，能够对大范围地区的信息进行同时提取与研究。
由于成像光谱仪的空间分辨率限制和地物的复杂多样性，高光谱图像的某些像元中往往包含多种物质，这些包含多种物质的像元被称为混合像元。为达到对目标物的精确识别与分析，从混合像元中提取端元(端元只包含一种地物信息)光谱及其特征成为当前研究中的热点问题，即混合像元分解问题。混合像元分解包含两个步骤：端元提取和丰度估计。混合像元中包含的不同的地物称为“端元”，每种端元在像元中所占的比例称为“丰度”。
根据不同地物间是否有相互作用，混合像元模型被分为两大类：线性混合模型和非线性混合模型。线性混合模型假定像元光谱是各个端元光谱的线性组合，而非线性混合模型则认为像元光谱是各个端元光谱按照非线性的关系综合而成。由于线性混合模型建模简单，物理意义明确，求解效果令人满意，是当前研究的主流。
现有技术中的高光谱探测常用方法主要包括：混合像元分解、约束能量最小化方法(CEM)、正交子空间投影方法(OSP)、目标约束下的干扰最小化滤波算法(TCIMF)、广义似然比法(GLRT)、自适应余弦一致性评估器(ACE)和自适应匹配滤波器(AMF)等。
上述高光谱探测方法中，着重考虑像元层级，在亚像元层级的探测方面存在探测精度低下及虚警率高的问题。
发明内容
本发明要解决的技术问题是提供一种高光谱图像亚像元级水体边界探测方法及探测系统，以解决现有技术所存在的在亚像元层级的探测方面存在探测精度低下及虚警率高的问题。
为解决上述技术问题，本发明实施例提供一种高光谱图像亚像元级水体边界探测方法，包括：
获取待探测水域的高光谱图像；
将光谱间的相似性度量作为相关性函数，构造探测算子并引入二次约束项，得到有约束后的探测算子，建立水体边界探测函数；
根据建立的水体边界探测函数，对待探测水域进行水体边界探测，确定水体范围。
进一步地，在将光谱间的相似性度量作为相关性函数，构造新的目标探测算子之前，所述方法还包括：
针对待探测水域设置预设数量的水体样本位置，提取水体样本光谱信息；
将提取的水体样本光谱信息作为目标，确定光谱间的相似性g(·,·)，其中，g(·,·)用于确定高光谱图像中像元光谱与目标之间的相似性。
进一步地，所述将光谱间的相似性度量作为相关性函数，构造探测算子并引入二次约束项，得到有约束后的探测算子，建立水体边界探测函数包括：
根据光谱间的相似性度量，对背景自相关矩阵进行改进，得到：
Figure BDA0002280487020000031
其中，R*表示改进后的背景自相关矩阵；c为归一化系数；上标T表示矩阵转置；N表示高光谱图像的像元数；g(·,·)表示高光谱图像中第i个像元光谱ri与目标d的相似性；f(·)为用于确定改进后的背景自相关矩阵的；
将R*带入目标探测算子得到新的探测算子w*；
对w*引入二次约束项，形成有约束后的探测算子w#，建立水体边界探测函数，其中，二次约束项表示为：
Figure BDA0002280487020000032
其中，J(w*,P)表示二次约束函数，y表示水体边界探测函数，β为调节系数，P为对角阵，||·||F表示F-范数，E表示数学期望。
进一步地，水体边界探测函数表示为：
Figure BDA0002280487020000033
其中，yi表示对第i个像元探测的结果，ri＝[a1,a2,…,aL]T，ri为原始待探测的混合像元光谱，al表示第l个波段的光谱值，l＝1,2,…L，L为高光谱图像的波段数，
Figure BDA0002280487020000034
为改进后的待探测的混合像元光谱，
Figure BDA0002280487020000035
进一步地，所述根据建立的水体边界探测函数，对待探测水域进行水体边界探测，确定水体范围包括：
将水体边界探测函数
Figure BDA0002280487020000036
的求逆与乘法转化为FPGA并行执行的硬件语言，由FPGA对待探测水域的高光谱图像进行水体边界探测，确定水体范围。
进一步地，在根据建立的水体边界探测函数，对待探测水域进行水体边界探测，确定水体范围之后，所述方法还包括：
依据探测到的水体边界规划无人机探测路线，并控制无人机自动飞行，获取覆盖水体的全部图像。
本发明实施例还提供一种高光谱图像亚像元级水体边界探测系统，包括：成像光谱仪和数据处理板组，其中，所述数据处理板组包括：构造模块和探测模块；
所述成像光谱仪，用于获取待探测水域的高光谱图像；
所述构造模块，用于将光谱间的相似性度量作为相关性函数，构造探测算子并引入二次约束项，得到有约束后的探测算子，建立水体边界探测函数；
所述探测模块，用于根据建立的水体边界探测函数，对待探测水域进行水体边界探测，确定水体范围。
本发明的上述技术方案的有益效果如下：
上述方案中，获取待探测水域的高光谱图像；将光谱间的相似性度量作为相关性函数，构造探测算子并引入二次约束项，得到有约束后的探测算子，建立水体边界探测函数；根据建立的水体边界探测函数，对待探测水域进行水体边界探测，确定水体范围。这样，根据混合像元的特点，通过相似光谱特征物质端元间的相似性，提出一种二次约束条件，使用这个二次约束，可以使背景(即：非目标)受目标的影响进一步减小，从而提高高光谱图像亚像元级水体边界探测的速度及精度，并降低虚警率。
附图说明
图1为本发明实施例提供的高光谱图像亚像元级水体边界探测方法的流程示意图；
图2为本发明实施例提供的高光谱图像亚像元级水体边界探测方法中组件的结构示意图；
图3为本发明实施例提供的数据采集板组的结构示意图；
图4为本发明实施例提供的太湖地区各种地物光谱图示意图；
图5为本发明实施例提供的不同算法对水体进行探测的探测结果示意图；
图6为本发明实施例提供的高光谱图像亚像元级水体边界探测系统的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明针对现有的在亚像元层级的探测方面存在探测精度低下及虚警率高的问题，提供一种高光谱图像亚像元级水体边界探测方法及探测系统。
实施例一
如图1所示，本发明实施例提供的高光谱图像亚像元级水体边界探测方法，包括：
S101，获取待探测水域的高光谱图像；
S102，将光谱间的相似性度量作为相关性函数，构造探测算子并引入二次约束项，得到有约束后的探测算子，建立水体边界探测函数；
S103，根据建立的水体边界探测函数，对待探测水域进行水体边界探测，确定水体范围。
本发明实施例所述的高光谱图像亚像元级水体边界探测方法,获取待探测水域的高光谱图像；将光谱间的相似性度量作为相关性函数，构造探测算子并引入二次约束项，得到有约束后的探测算子，建立水体边界探测函数；根据建立的水体边界探测函数，对待探测水域进行水体边界探测，确定水体范围。这样，根据混合像元的特点，通过相似光谱特征物质端元间的相似性，提出一种二次约束条件，使用这个二次约束，可以使背景(即：非目标)受目标的影响进一步减小，从而提高高光谱图像亚像元级水体边界探测的速度及精度，并降低虚警率。
为了更好地理解本发明实施例所述的高光谱图像亚像元级水体边界探测方法，对其进行详细说明，所述方法具体可以包括：
S101，获取待探测水域的高光谱图像；
本实施例中，可以通过成像光谱仪(如图2中的成像系统)获取待探测水域(如图2中的待探测地表)的高光谱图像，所述高光谱图像包括图像信息及光谱信息。
本实施例中，如图2所示，还可以通过计算机监控成像系统获取的待探测地表的高光谱图像。
本实施例中，混合像元线性混合模型由各个端元的光谱按其在混合像元内的组分加权而组成，因此，混合像元线性混合模型可以表示为：
r＝dαp+Uγ+ε
其中，r为混合像元光谱，d为待探测目标的光谱(即：d是纯净像元光谱，没有混合现象，因此，下文中的目标也可以用d表示)，αp为待探测目标光谱的组分，U为背景端元光谱组成的矩阵，γ为背景端元光谱对应组分，ε为噪声信号。
本实施例中，在S102之前，所述方法还需包括以下步骤：
针对待探测水域设置预设数量的水体样本位置，提取水体样本光谱信息；
将提取的水体样本光谱信息作为目标，确定光谱间的相似性g(·,·)，其中，g(·,·)用于确定高光谱图像中像元光谱与目标之间的相似性。
S102，将光谱间的相似性度量作为相关性函数，构造探测算子并引入二次约束项，得到有约束后的探测算子，建立水体边界探测函数；
本实施例中，为降低背景自相关矩阵中目标信息的影响，提高水体边界探测精度，对背景自相关矩阵进行改进与重构，具体的：
根据光谱相似性度量g(·,·)，对背景自相关矩阵进行改进，得到：
Figure BDA0002280487020000061
其中，R*表示改进后的背景自相关矩阵；c为归一化系数；f(0)＝0，f(·)为用于确定改进后的背景自相关矩阵的单调增函数，在实际应用中可以根据实际应用场景确定；N表示高光谱图像的像元数；上标T表示矩阵转置；g(·,·)用来比较高光谱图像中像元光谱ri与目标d的相似性，ri与d越相似，g值越小。
将改进后的R*带入目标探测算子得到新的探测算子w*，其中，目标探测算子表示为：
Figure BDA0002280487020000062
R表示原背景自相关矩阵；
为增强对水体边界的探测能力，对w*引入二次约束项，形成有约束后的探测算子w#，建立水体边界探测函数，其中，二次约束项表示为：
Figure BDA0002280487020000063
其中，J(w*,P)表示二次约束函数，y表示水体边界探测函数，β为调节系数，P为对角阵，||·||F表示F-范数，E表示数学期望，以正则约束项
Figure BDA0002280487020000064
降低系统的复杂性。
本实施例中，在建立背景自相关矩阵R*时，分析高光谱图像中各个像元光谱与目标之间的相似性，在探测算子内对背景自相关矩阵中的目标分量施加约束，并引入二次约束，抑制与目标相同或相近的像元在背景中的比重，使背景自相关矩阵尽可能由背景像元组成，即使得背景自相关矩阵内目标分量的比重进一步降低，以便在应用CEM算法进行高光谱图像亚像元级水体边界探测时，能够提高高光谱图像亚像元级水体边界探测的精度并降低虚警率。
本实施例中，根据约束能量最小化方法(CEM)，可得探测函数为：
y＝DCEM(x)＝wTx
加入光谱间相似性度量和二次约束项后，w变为w#
探测函数转换为：
Figure BDA0002280487020000071
其中，yi表示对第i个像元探测的结果，ri＝[a1,a2,…,aL]T，ri为原始待探测的混合像元光谱，al表示第l个波段的光谱值，l＝1,2,…L，L为高光谱图像的波段数，
Figure BDA0002280487020000072
为改进后的待探测的混合像元光谱，
Figure BDA0002280487020000073
S103，根据建立的水体边界探测函数，对待探测水域进行水体边界探测，确定水体范围。
本实施例中，上述探测函数
Figure BDA0002280487020000074
可以转换为矩阵的加法与乘法运算，且矩阵大小固定。根据这个特点，FPGA的并行运算可以极大的加快算法(指：水体边界探测函数)的运行速度。根据算法的运行流程，将FPGA分为求逆与乘法两个模块，使用高层次综合(HighLevel Synthesis，HLS)技术将
Figure BDA0002280487020000075
的求逆与乘法转换为FPGA并行执行的硬件语言，由FPGA对待探测水域的高光谱图像进行水体边界探测，确定水体范围；这样，充分利用FPGA并行运算速快的优点，将算法转换为求逆与乘法两部分并行加速的硬件语言，由FPGA对水体边界探测进行硬件加速，能够提高水体边界探测的速度，以增加探测的实时性。
本实施例中，S102-S105在数据处理板组中执行，如图3所示，数据处理板组的核心处理器采用Xilinx公司的SOPC芯片ZYNQ，芯片ZYNQ由PS(Process-system)与PL(Programmable-logic)两部分组成；其中，PS部分以ARM Cortex-A9处理器为核心，内部集成DDR存储器控制器和大量的I/O口外设，PL部分由FPGA构成，PS与PL由片内AXI高速总线进行低延迟通信。
本实施例中，成像光谱仪通过PS部分的I/O端口与数据处理板组进行数据传输，并通过AXI总线传入PL部分的FPGA中，由于传入的高光谱图像的大小确定，且水体边界探测函数被划分为求逆与乘法两部分，FPGA被设计为求逆与乘法运算两部分，每部分均有N个并行处理通道，其中，N为传入高光谱图像的像元数，可以极大的提高探测算法的运算效率。
本实施例中，还可以将水体边界探测结果作为依据，规划无人机探测路线，使用数据处理板组中的ARM发送飞行控制信号控制无人机等搭载设备进行自动飞行，获取覆盖水体的全部图像。
本实施例中，ARM由大量的I/O与DDR单元，能够快速的与无人机进行数据交互。使用ZYNQ中的ARM对无人机自动飞行进行控制，使无人机能够围绕水体飞行，直至水体边界闭合，最终确定水体范围。
为了验证本发明实施例所述的高光谱图像亚像元级水体边界探测方法的有效性，将其与经典算法OSP、CEM、加权CEM进行对比。使用谷歌地图高分辨率卫星地图对待探测水域进行真值测定，得到像元亮度值(Digital Number，DN)值曲线如图4所示，得到探测结果如图5所示；并将探测结果进行比较，得到探测准确率和虚警率如表1所示。
表1
探测方法 水体真实目标数 水体探测目标数 准确率 虚警率
OSP 195891 139102 71.01％ 0
CEM 195891 285209 84.01％ 45.60％
加权CEM 195891 243517 88.9％ 24.31％
本发明实施例 195891 201521 92.44％ 2.87％
通过表1可知，本发明实施例提供的高光谱图像亚像元级水体边界探测方法的准确率较高，相比于经典的探测算法有明显优势。
本发明实施例提供的高光谱图像亚像元级水体边界探测方法可应用于同类地区的探测，还可可应用于大、小目标的高光谱图像亚像元探测。
实施例二
本发明还提供一种高光谱图像亚像元级水体边界探测系统的具体实施方式，由于本发明提供的高光谱图像亚像元级水体边界探测系统与前述高光谱图像亚像元级水体边界探测方法的具体实施方式相对应，该高光谱图像亚像元级水体边界探测系统可以通过执行上述方法具体实施方式中的流程步骤来实现本发明的目的，因此上述高光谱图像亚像元级水体边界探测方法具体实施方式中的解释说明，也适用于本发明提供的高光谱图像亚像元级水体边界探测系统的具体实施方式，在本发明以下的具体实施方式中将不再赘述。
如图6所示，本发明实施例还提供一种高光谱图像亚像元级水体边界探测系统，包括：成像光谱仪11和数据处理板组12，其中，所述数据处理板组包括：构造模块和探测模块；
所述成像光谱仪，用于获取待探测水域的高光谱图像；
所述构造模块，用于将光谱间的相似性度量作为相关性函数，构造探测算子并引入二次约束项，得到有约束后的探测算子，建立水体边界探测函数；
所述探测模块，用于根据建立的水体边界探测函数，对待探测水域进行水体边界探测，确定水体范围。
本发明实施例所述的高光谱图像亚像元级水体边界探测系统，获取待探测水域的高光谱图像；将光谱间的相似性度量作为相关性函数，构造探测算子并引入二次约束项，得到有约束后的探测算子，建立水体边界探测函数；根据建立的水体边界探测函数，对待探测水域进行水体边界探测，确定水体范围。这样，根据混合像元的特点，通过分析不同种类端元间的可分性与相似光谱特征物质端元间的相似性，提出一种二次约束条件，使用这个二次约束，可以使背景(即：非目标)受目标的影响进一步减小，从而提高高光谱图像亚像元级水体边界探测的速度及精度，并降低虚警率。
以上所述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，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种高光谱图像亚像元级水体边界探测方法，其特征在于，包括：
获取待探测水域的高光谱图像；
将光谱间的相似性度量作为相关性函数，构造探测算子并引入二次约束项，得到有约束后的探测算子，建立水体边界探测函数；
根据建立的水体边界探测函数，对待探测水域进行水体边界探测，确定水体范围。
2.根据权利要求1所述的高光谱图像亚像元级水体边界探测方法，其特征在于，在将光谱间的相似性度量作为相关性函数，构造新的目标探测算子之前，所述方法还包括：
针对待探测水域设置预设数量的水体样本位置，提取水体样本光谱信息；
将提取的水体样本光谱信息作为目标，确定光谱间的相似性g(·,·)，其中，g(·,·)用于确定高光谱图像中像元光谱与目标之间的相似性。
3.根据权利要求2所述的高光谱图像亚像元级水体边界探测方法，其特征在于，所述将光谱间的相似性度量作为相关性函数，构造探测算子并引入二次约束项，得到有约束后的探测算子，建立水体边界探测函数包括：
根据光谱间的相似性度量，对背景自相关矩阵进行改进，得到：
Figure FDA0002280487010000011
其中，R*表示改进后的背景自相关矩阵；c为归一化系数；上标T表示矩阵转置；N表示高光谱图像的像元数；g(·,·)表示高光谱图像中第i个像元光谱ri与目标d的相似性；f(·)为用于确定改进后的背景自相关矩阵的单调增函数；
将R*带入目标探测算子得到新的探测算子w*；
对w*引入二次约束项，形成有约束后的探测算子w#，建立水体边界探测函数，其中，二次约束项表示为：
Figure FDA0002280487010000012
其中，J(w*,P)表示二次约束函数，y表示水体边界探测函数，β为调节系数，P为对角阵，||·||F表示F-范数，E表示数学期望。
4.根据权利要求3所述的高光谱图像亚像元级水体边界探测方法，其特征在于，水体边界探测函数表示为：
Figure FDA0002280487010000021
其中，yi表示对第i个像元探测的结果，ri＝[a1,a2,…,aL]T，ri为原始待探测的混合像元光谱，al表示第l个波段的光谱值，l＝1,2,…L，L为高光谱图像的波段数，
Figure FDA0002280487010000022
为改进后的待探测的混合像元光谱，
Figure FDA0002280487010000023
5.根据权利要求4所述的高光谱图像亚像元级水体边界探测方法，其特征在于，所述根据建立的水体边界探测函数，对待探测水域进行水体边界探测，确定水体范围包括：
将水体边界探测函数
Figure FDA0002280487010000024
的求逆与乘法转化为FPGA并行执行的硬件语言，由FPGA对待探测水域的高光谱图像进行水体边界探测，确定水体范围。
6.根据权利要求1所述的高光谱图像亚像元级水体边界探测方法，其特征在于，在根据建立的水体边界探测函数，对待探测水域进行水体边界探测，确定水体范围之后，所述方法还包括：
依据探测到的水体边界规划无人机探测路线，并控制无人机自动飞行，获取覆盖水体的全部图像。
7.一种高光谱图像亚像元级水体边界探测系统，其特征在于，包括：成像光谱仪和数据处理板组，其中，所述数据处理板组包括：构造模块和探测模块；
所述成像光谱仪，用于获取待探测水域的高光谱图像；
所述构造模块，用于将光谱间的相似性度量作为相关性函数，构造探测算子并引入二次约束项，得到有约束后的探测算子，建立水体边界探测函数；
所述探测模块，用于根据建立的水体边界探测函数，对待探测水域进行水体边界探测，确定水体范围。
CN201911139365.1A 2019-11-20 2019-11-20 一种高光谱图像亚像元级水体边界探测方法及探测系统 Active CN110940638B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911139365.1A CN110940638B (zh) 2019-11-20 2019-11-20 一种高光谱图像亚像元级水体边界探测方法及探测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911139365.1A CN110940638B (zh) 2019-11-20 2019-11-20 一种高光谱图像亚像元级水体边界探测方法及探测系统

Publications (2)

Publication Number Publication Date
CN110940638A true CN110940638A (zh) 2020-03-31
CN110940638B CN110940638B (zh) 2020-11-06

Family

ID=69906996

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911139365.1A Active CN110940638B (zh) 2019-11-20 2019-11-20 一种高光谱图像亚像元级水体边界探测方法及探测系统

Country Status (1)

Country Link
CN (1) CN110940638B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329791A (zh) * 2020-10-30 2021-02-05 中国电子科技集团公司第五十四研究所 一种高光谱影像水域自动提取方法
CN112489032A (zh) * 2020-12-14 2021-03-12 北京科技大学 一种复杂背景下无人机载小目标检测定位方法及系统
CN114279982A (zh) * 2021-12-14 2022-04-05 北斗导航位置服务（北京）有限公司 水体污染信息获取方法及装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101144861A (zh) * 2007-11-02 2008-03-19 北京航空航天大学 高光谱亚像元目标探测方法及装置
CN103116762A (zh) * 2013-03-20 2013-05-22 南京大学 一种基于自调制字典学习的图像分类方法
CN103237168A (zh) * 2013-04-02 2013-08-07 清华大学 一种基于综合增益的高动态范围图像视频处理方法
CN103500343A (zh) * 2013-09-30 2014-01-08 河海大学 基于mnf变换结合扩展属性滤波的高光谱影像分类方法
CN103914688A (zh) * 2014-03-27 2014-07-09 北京科技大学 一种城市道路障碍物识别系统
CN104331880A (zh) * 2014-10-20 2015-02-04 西安电子科技大学 基于几何空谱结构信息的高光谱混合像元分解方法
CN105678715A (zh) * 2016-02-15 2016-06-15 江苏大学 一种基于核回归全变分的去除图像噪声的方法
CN105957112A (zh) * 2016-05-06 2016-09-21 西安电子科技大学 基于快速uncls的高光谱亚像素探测方法
CN205940767U (zh) * 2016-08-10 2017-02-08 南京高恳特科技有限公司 一种多功能高光谱图像探测装置
CN109492605A (zh) * 2018-11-26 2019-03-19 湖南师范大学 一种基于目标光谱的高光谱图像探测方法及装置
CN109886351A (zh) * 2019-03-04 2019-06-14 北京麦飞科技有限公司 高光谱数据和高分辨率图像融合方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101144861A (zh) * 2007-11-02 2008-03-19 北京航空航天大学 高光谱亚像元目标探测方法及装置
CN103116762A (zh) * 2013-03-20 2013-05-22 南京大学 一种基于自调制字典学习的图像分类方法
CN103237168A (zh) * 2013-04-02 2013-08-07 清华大学 一种基于综合增益的高动态范围图像视频处理方法
CN103500343A (zh) * 2013-09-30 2014-01-08 河海大学 基于mnf变换结合扩展属性滤波的高光谱影像分类方法
CN103914688A (zh) * 2014-03-27 2014-07-09 北京科技大学 一种城市道路障碍物识别系统
CN104331880A (zh) * 2014-10-20 2015-02-04 西安电子科技大学 基于几何空谱结构信息的高光谱混合像元分解方法
CN105678715A (zh) * 2016-02-15 2016-06-15 江苏大学 一种基于核回归全变分的去除图像噪声的方法
CN105957112A (zh) * 2016-05-06 2016-09-21 西安电子科技大学 基于快速uncls的高光谱亚像素探测方法
CN205940767U (zh) * 2016-08-10 2017-02-08 南京高恳特科技有限公司 一种多功能高光谱图像探测装置
CN109492605A (zh) * 2018-11-26 2019-03-19 湖南师范大学 一种基于目标光谱的高光谱图像探测方法及装置
CN109886351A (zh) * 2019-03-04 2019-06-14 北京麦飞科技有限公司 高光谱数据和高分辨率图像融合方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YANG SHAO ET AL.: "A Novel Method for Improving the Accuracy of Hyperspectral Remote Sensing for Detecting Surface Minerals on the Earth", 《IOP CONFERENCE SERIES: MATERIALS SCIENCE AND ENGINEERING》 *
YANG SHAO ET AL.: "Spectral Unmixing of Hyperspectral Remote Sensing Imagery via Preserving the Intrinsic Structure Invariant", 《SENSORS》 *
蓝金辉: "高光谱遥感影像混合像元分解研究进展", 《遥感学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329791A (zh) * 2020-10-30 2021-02-05 中国电子科技集团公司第五十四研究所 一种高光谱影像水域自动提取方法
CN112329791B (zh) * 2020-10-30 2022-12-27 中国电子科技集团公司第五十四研究所 一种高光谱影像水域自动提取方法
CN112489032A (zh) * 2020-12-14 2021-03-12 北京科技大学 一种复杂背景下无人机载小目标检测定位方法及系统
CN114279982A (zh) * 2021-12-14 2022-04-05 北斗导航位置服务（北京）有限公司 水体污染信息获取方法及装置
CN114279982B (zh) * 2021-12-14 2023-09-29 北斗导航位置服务（北京）有限公司 水体污染信息获取方法及装置

Also Published As

Publication number Publication date
CN110940638B (zh) 2020-11-06

Similar Documents

Publication Publication Date Title
CN110940638B (zh) 一种高光谱图像亚像元级水体边界探测方法及探测系统
US9779503B2 (en) Methods for measuring the efficacy of a stain/tissue combination for histological tissue image data
CN102314685B (zh) 一种基于随机投影的高光谱图像稀疏解混方法
CN108983229B (zh) 基于sar层析技术的高压输电铁塔高度及形变提取方法
CN108427934B (zh) 一种高光谱影像混合像元分解方法
CN112363161B (zh) 基于散射机制分解的植被垂直结构及林下地形反演方法及装置
CN112396029B (zh) 一种聚类分割与耦合端元提取协同的高光谱滨海湿地亚像元变化检测方法
CN107316309B (zh) 基于矩阵分解的高光谱图像显著性目标检测方法
CN107194329B (zh) 一种基于自适应局部稀疏保持投影的一维距离像识别方法
CN112001361B (zh) 一种基于欧拉视角的多目标微小振动频率测量方法
US11747498B1 (en) Method, system, device and medium for landslide identification based on full polarimetric SAR
CN105718942A (zh) 基于均值漂移和过采样的高光谱图像不平衡分类方法
Shi et al. A visual circle based image registration algorithm for optical and SAR imagery
CN108960190A (zh) 基于fcn图像序列模型的sar视频目标检测方法
Zhai Inversion of organic matter content in wetland soil based on Landsat 8 remote sensing image
CN104268561B (zh) 基于结构先验低秩表示的高光谱图像解混方法
CN111680579B (zh) 一种自适应权重多视角度量学习的遥感图像分类方法
CN113446998B (zh) 一种基于高光谱目标探测数据的动态解混方法
CN106897730B (zh) 基于融合类别信息与局部保持投影的sar目标型号识别方法
CN107797110A (zh) 综合孔径投影辐射的系统成像方法及综合孔径投影辐射计
CN107358162B (zh) 基于深度堆栈网络的极化sar影像变化检测方法
CN105809199A (zh) 基于稀疏编码和dpl的极化sar图像分类方法
CN110231625B (zh) 一种基于多尺度融合的综合孔径成像方法
CN113781375B (zh) 一种基于多曝光融合的车载视觉增强方法
CN105225232A (zh) 一种基于视觉注意机制的彩色着舰合作目标检测方法

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
GR01 Patent grant
GR01 Patent grant