CN111007018B - 一种用于光谱气体检测的背景估计方法及系统 - Google Patents
一种用于光谱气体检测的背景估计方法及系统 Download PDFInfo
- Publication number
- CN111007018B CN111007018B CN201911312597.2A CN201911312597A CN111007018B CN 111007018 B CN111007018 B CN 111007018B CN 201911312597 A CN201911312597 A CN 201911312597A CN 111007018 B CN111007018 B CN 111007018B
- Authority
- CN
- China
- Prior art keywords
- target
- matrix
- background
- spectrum
- wave band
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 129
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims abstract description 143
- 230000003595 spectral effect Effects 0.000 claims abstract description 43
- 230000005855 radiation Effects 0.000 claims abstract description 21
- 230000009467 reduction Effects 0.000 claims description 48
- 239000013598 vector Substances 0.000 claims description 36
- 239000013256 coordination polymer Substances 0.000 claims description 17
- 238000010521 absorption reaction Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 10
- 150000001875 compounds Chemical class 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012880 independent component analysis Methods 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 4
- WDEFWOPTRFWZLM-LEQGEALCSA-N (2,5-dioxopyrrolidin-1-yl) (2r)-2,5,7,8-tetramethyl-6-(oxan-2-yloxy)-3,4-dihydrochromene-2-carboxylate Chemical compound C([C@@](C)(OC=1C(C)=C2C)C(=O)ON3C(CCC3=O)=O)CC=1C(C)=C2OC1CCCCO1 WDEFWOPTRFWZLM-LEQGEALCSA-N 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000000556 factor analysis Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 238000010183 spectrum analysis Methods 0.000 abstract description 3
- 239000007789 gas Substances 0.000 description 94
- 238000004458 analytical method Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 235000013405 beer Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G06T3/06—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
Abstract
本发明属于光谱分析技术领域,提供一种用于光谱气体检测的背景估计方法及系统,该方法针对特定的场合,对目标气体的背景光谱进行估计,从而解决了传统基于背景采集方法的气体检测算法在气体背景难以获取的情况下的检测难题。该方法包括以下步骤:首先利用采集到的光谱图像计算丰度值,并与丰度阈值比较,将检测的区域划分为目标区域和非目标区域;然后对目标区域进行聚类,得到至少一个有目标类别,以及对应的目标类别矩阵;对目标类别矩阵进行降维;找出背景波段矩阵,最后计算各个有目标类别对应的检测区域中目标气体的背景辐射。本发明通过背景波段的光谱估计全波段的背景光谱,完成将包含目标光谱信息的光谱转换为仅包含背景信息的光谱。
Description
技术领域
本发明涉及光谱分析技术领域,具体涉及一种用于光谱气体检测的背景估计方法及系统。
背景技术
光谱分析是气体探测及其浓度分析的重要方法之一。近年来,随着数据处理、数据传输、数据存储技术的提高,光谱分析开始应用于气体的现场在线分析。在利用光谱设备进行气体检测时,往往需要预先知道被测气体的光谱背景。根据比尔定律,气体的透过率是定量检测的基本变量。而在测定透过率的时候,就必须确定空背景。当无法获取空背景时,则无法完成气体定量检测。所以需要对已知目标气体的背景光谱进行估计,从而解决传统基于背景采集方法的气体检测算法在气体背景难以获取的情况下的检测难题。
发明内容
本发明解决的技术问题是提供一种用于光谱气体检测的背景估计方法及系统,对已知目标气体的背景光谱进行估计,解决基于背景采集方法的气体检测算法在气体背景难以获取的情况下的不能检测的问题。
为解决上述技术问题,本发明提供一种用于光谱气体检测的背景估计方法,在使用该方法之前,需要知道想要进行背景估计的目标气体的标准光谱,然后才能估计目标气体在检测区域的背景辐射。该方法包括以下步骤:
对存在目标气体的区域进行光谱气体检测,采集高光谱图像;
计算所述高光谱图像中每个像素对应的光谱相对于所述目标气体的标准光谱的丰度值;
将所计算的每个像素的丰度值与预先设定的丰度阈值进行比较,将所检测的存在目标气体的区域划分为目标区域和非目标区域;
对所述目标区域的所有像素构成的光谱矩阵采用基于划分的聚类算法进行聚类处理,得到NCP个有目标类别及对应的目标类别光谱矩阵,NCP为正整数;
对所述目标类别光谱矩阵进行降维处理,得到各个有目标类别光谱矩阵的降维矩阵;
根据所述目标气体的标准光谱确定所述目标气体的背景波段,所述背景波段为没有目标气体强烈吸收峰的波段,然后根据所述背景波段,确定所述各个有目标类别光谱矩阵对应的背景波段矩阵,以及所述降维矩阵对应的背景波段矩阵;
根据所述各个有目标类别光谱矩阵对应的背景波段矩阵、所述降维矩阵对应的背景波段矩阵以及所述降维矩阵,计算各个有目标类别所对应的检测区域中所述目标气体的背景辐射。
进一步地,计算所述丰度值的求解条件为:
Xi=Q·αi+di
式中,Xi表示高光谱图像中第i个像素对应的光谱向量,Q表示目标气体的标准光谱向量,αi表示丰度值,di表示测量光谱去掉经拟合的目标气体标准光谱后的光谱向量,i为正整数;
在di的模取最小值时,计算每个像素的丰度值αi。
优选地,计算所述丰度值αi的方法为:
将所述高光谱图像转换成光谱矩阵X,大小为N×NB,其中,N表示高光谱图像的像素数,NB表示光谱总波段数;则Xi和Q的大小为1×NB;
计算光谱矩阵X的均值光谱〈X〉:
根据光谱矩阵X的均值光谱<X>计算光谱矩阵X的协方差Σx:
根据光谱矩阵X的协方差Σx计算丰度值αi:
进一步地,将所检测的存在目标气体的区域划分为目标区域和非目标区域的方法为:
在像素的丰度值αi高于所述丰度阈值的情况下,将该像素划分为存在目标的区域;在像素的丰度值αi小于或等于所述丰度阈值的情况下,将该像素分划为不存在目标的区域。
进一步地,基于划分的聚类算法为:k-means、k-medoids、k-modes、k-medians或kernel k-means。
进一步地,降维的方法为:主成分分析PCA、最小/最大自相关因子分析MAF、噪声调整的主成分分析NPCA、典型相关分析CCA、独立成分分析ICA、投影寻踪PP、非负矩阵分解或非线性主成分分析KPCA。
进一步地,根据目标气体的标准光谱确定所述目标气体的背景波段的方法为:
设定一个阈值,将向量S中高于所述阈值的元素所对应的波段视为强烈吸收峰的波段,背景波段为没有目标强烈吸收峰的波段。
进一步地,计算各个有目标类别所对应的检测区域中所述目标气体的背景辐射的公式为:
式中,表示各个有目标类别光谱矩阵对应的背景波段矩阵,表示各个有目标类别光谱矩阵的降维矩阵对应的背景波段矩阵,表示的伪逆矩阵,表示各个有目标类别光谱矩阵的降维矩阵,表示各个有目标类别所对应的检测区域中目标气体的背景辐射。
本发明还提供一种用于光谱气体检测的背景估计系统,该系统包括:
图像采集模块,用于对存在目标气体的区域进行光谱气体检测,采集高光谱图像;
丰度值计算模块,用于计算所述高光谱图像中每个像素对应的光谱相对于所述目标气体的标准光谱的丰度值;
区域划分模块,用于将所计算的每个像素的丰度值与预先设定的丰度阈值进行比较,将所检测的存在目标气体的区域划分为目标区域和非目标区域;
目标区域聚类模块,用于对所述目标区域的所有像素构成的光谱矩阵采用基于划分的聚类算法进行聚类处理,得到NCP个有目标类别及对应的目标类别光谱矩阵,NCP为正整数;
矩阵降维模块,用于对所述目标类别光谱矩阵进行降维处理,得到各个有目标类别光谱矩阵的降维矩阵;
背景波段矩阵计算模块,用于根据所述目标气体的标准光谱确定所述目标气体的背景波段,所述背景波段为没有目标气体强烈吸收峰的波段,然后根据所述背景波段,确定所述各个有目标类别光谱矩阵对应的背景波段矩阵,以及所述降维矩阵对应的背景波段矩阵;
背景辐射计算模块,用于根据所述各个有目标类别光谱矩阵对应的背景波段矩阵、所述降维矩阵对应的背景波段矩阵以及所述降维矩阵,计算各个有目标类别所对应的检测区域中所述目标气体的背景辐射。
本发明还提供一种计算机存储介质,其内存储有可被计算机处理器执行的计算机程序,该计算机程序执行上述的用于光谱气体检测的背景估计方法。
本发明的有益效果是:本发明通过对存在目标气体的区域进行光谱气体检测,采集高光谱图像;然后计算高光谱图像每个像素对应的光谱的丰度值,并与预先设定的丰度阈值进行比较,将检测区域分为目标区域和非目标区域;然后进行聚类处理,将相似性大的像素分在一起,从而提高背景光谱的估计精度;聚类之后进行降维处理,提高信噪比;通过目标气体的标准光谱确定目标气体的背景波段,通过背景波段确定各个有目标类别光谱矩阵对应的背景波段矩阵,以及降维矩阵对应的背景波段矩阵;最后通过背景辐射计算公式得到各个有目标类别所对应的检测区域中目标气体的背景辐射。本发明通过背景波段的光谱估计全波段的背景光谱,完成了将包含目标光谱信息的光谱,转换为了仅包含背景信息的光谱,实现了特定目标气体的背景光谱估计。
附图说明
图1为本发明的方法的流程图;
图2为本发明的系统的结构框图。
具体实施方式
下面将结合附图对本发明的作进一步的说明:
本发明在进行背景光谱估计之前,需要提前知道想要进行背景估计的目标气体的标准光谱,然后才能估计目标气体在检测区域的背景辐射。本发明是通过对存在目标气体的区域进行光谱气体检测,采集高光谱图像;然后计算高光谱图像每个像素对应的光谱的丰度值,并与预先设定的丰度阈值进行比较,将检测区域分为目标区域和非目标区域;然后进行聚类处理,将相似性大的像素分在一起,从而提高背景光谱的估计精度;聚类之后进行降维处理,提高信噪比;通过目标气体的标准光谱确定目标气体的背景波段,通过背景波段确定各个有目标类别光谱矩阵对应的背景波段矩阵,以及降维矩阵对应的背景波段矩阵;最后计算得到各个有目标类别所对应的检测区域中目标气体的背景辐射。本发明通过背景波段的光谱估计全波段的背景光谱,完成了将包含目标光谱信息的光谱,转换为了仅包含背景信息的光谱,实现了特定目标气体的背景光谱估计。
本实施例提供一种用于光谱气体检测的背景估计方法,如图1所示,包括以下步骤:
S1、对存在目标气体的区域进行光谱气体检测,采集高光谱图像;
S2、计算所述高光谱图像中每个像素对应的光谱相对于所述目标气体的标准光谱的丰度值;
S3、将所计算的每个像素的丰度值与预先设定的丰度阈值进行比较,将所检测的存在目标气体的区域划分为目标区域和非目标区域;
S4、对所述目标区域的所有像素构成的光谱矩阵采用基于划分的聚类算法进行聚类处理,得到NCP个有目标类别及对应的目标类别光谱矩阵,NCP为正整数;
S5、对所述目标类别光谱矩阵进行降维处理,得到各个有目标类别光谱矩阵的降维矩阵;
S6、根据所述目标气体的标准光谱确定所述目标气体的背景波段,所述背景波段为没有目标气体强烈吸收峰的波段,然后根据所述背景波段,确定所述各个有目标类别光谱矩阵对应的背景波段矩阵,以及所述降维矩阵对应的背景波段矩阵;
S7、根据所述各个有目标类别光谱矩阵对应的背景波段矩阵、所述降维矩阵对应的背景波段矩阵以及所述降维矩阵,计算各个有目标类别所对应的检测区域中所述目标气体的背景辐射。
进一步地,步骤S2中计算所述丰度值的求解条件为:
Xi=Q·αi+di
式中,Xi表示高光谱图像中第i个像素对应的光谱向量,Q表示目标气体的标准光谱向量,αi表示拟合系数,也称丰度值,di表示测量光谱去掉经拟合的目标气体标准光谱后的光谱向量,也称残余向量,其中,i为正整数;高光谱图像中第i个像素对应的光谱向量Xi,目标气体的标准光谱向量Q以及残余向量di的大小一样,可以均为行向量,也可以均为列向量,行向量和列向量可以通过转置相互转换,因为所代表的实质意义是一样的。
在di的模取最小值时,计算每个像素的丰度值αi。此时,用标准光谱向量拟合而成的曲线符合度较高。因此,以此作为约束条件计算每个像素的丰度值αi。该式也可以采用矩阵的方式进行计算,从而计算出对应的丰度值矩阵,原理一样。
丰度值的计算方法有很多种,在此给出一种利用拉格朗日乘子法求解的方法:
将所述高光谱图像转换成光谱矩阵X,光谱矩阵可以是辐射度矩阵,也可以是亮温矩阵,大小为N×NB,其中,N表示高光谱图像的像素数,NB表示光谱通道数,即光谱总波段数;则Xi和Q的大小为1×NB;
计算光谱矩阵X的均值光谱<X>:
根据光谱矩阵X的均值光谱<X>计算光谱矩阵X的协方差Σx:
根据光谱矩阵X的协方差Σx计算丰度值αi:
进一步地,步骤S3中将所检测的存在目标气体的区域划分为目标区域和非目标区域的方法为:
在像素的丰度值αi高于所述丰度阈值的情况下,将该像素划分为存在目标的区域;在像素的丰度值αi小于或等于所述丰度阈值的情况下,将该像素分划为不存在目标的区域。
进一步地,步骤S4中基于划分的聚类算法为:k-means、k-medoids、k-modes、k-medians或kernel k-means。对目标区域的光谱矩阵采用前述方法进行分类,得到NCP个有目标类别CPi,以及对应的有目标类别光谱矩阵PCPi,大小为NCPi×NB,NCPi表示CPi目标类别的所有像素数。对目标区域进行聚类后,相似性大的像素会聚集在一起,可以提高背景光谱的估计精度。
进一步地,步骤S5中降维的方法为:主成分分析PCA、最小/最大自相关因子分析MAF、噪声调整的主成分分析NPCA、典型相关分析CCA、独立成分分析ICA、投影寻踪PP、非负矩阵分解或非线性主成分分析KPCA。降维的主要目的在于提高信噪比,因为主成分包含了大多数的有效信息。本实施例给出一种主成分分析法,通过对CPi目标类别光谱矩阵进行主成分分析,得到降维矩阵Pcpi,大小为NB×NP,NP表示选用的主成分的数量。
进一步地,步骤S6中根据目标气体的标准光谱确定所述目标气体的背景波段的方法为:
设定一个阈值,将向量S中高于所述阈值的元素所对应的波段视为强烈吸收峰的波段,则没有目标强烈吸收峰的波段为背景波段,也称SB波段。
通过该方法,将光谱矩阵中每个像素的光谱向量对应的背景波段去掉,得到各个目标类别CPi所有向量的SB波段矩阵大小为NCPi×NSB;将降维矩阵Pcpi中每个像素的光谱向量也去掉背景波段,得到对应的背景波段矩阵大小为NSB×NP,NSB表示光谱向量中背景波段的波段数,则NSB<NB。
最后,计算各个有目标类别所对应的检测区域中所述目标气体的背景辐射:
式中,表示各个有目标类别光谱矩阵对应的背景波段矩阵,表示各个有目标类别光谱矩阵的降维矩阵对应的背景波段矩阵,表示的伪逆矩阵,表示各个有目标类别光谱矩阵的降维矩阵,表示各个有目标类别所对应的检测区域中目标气体的背景辐射,大小为NCPi×NB。该矩阵计算公式通过背景波段的光谱估计全波段的背景光谱,从而将包含目标光谱信息的光谱,转换为了仅包含背景信息的光谱,实现了目标气体的背景光谱估计。
将上式的下标CPi去掉后,就是对整个目标区域直接计算,也可以省去聚类的过程。但是对整个区域进行计算需要满足特定的条件,目标气体仅有一种,计算的结果就是Non×NB,Non表示光谱图像中目标区域的所有像素数量。
本发明还提供一种用于光谱气体检测的背景估计系统,如图2所示,该系统包括:
图像采集模块201,用于对存在目标气体的区域进行光谱气体检测,采集高光谱图像;
丰度值计算模块202,用于计算所述高光谱图像中每个像素对应的光谱相对于所述目标气体的标准光谱的丰度值;
区域划分模块203,用于将所计算的每个像素的丰度值与预先设定的丰度阈值进行比较,将所检测的存在目标气体的区域划分为目标区域和非目标区域;
目标区域聚类模块204,用于对所述目标区域的所有像素构成的光谱矩阵采用基于划分的聚类算法进行聚类处理,得到NCP个有目标类别及对应的目标类别光谱矩阵,NCP为正整数;
矩阵降维模块205,用于对所述目标类别光谱矩阵进行降维处理,得到各个有目标类别光谱矩阵的降维矩阵;
背景波段矩阵计算模块206,用于根据所述目标气体的标准光谱确定所述目标气体的背景波段,所述背景波段为没有目标气体强烈吸收峰的波段,然后根据所述背景波段,确定所述各个有目标类别光谱矩阵对应的背景波段矩阵,以及所述降维矩阵对应的背景波段矩阵;
背景辐射计算模块207,用于根据所述各个有目标类别光谱矩阵对应的背景波段矩阵、所述降维矩阵对应的背景波段矩阵以及所述降维矩阵,计算各个有目标类别所对应的检测区域中所述目标气体的背景辐射。
本实施例的背景估计系统主要用于实现上述实施例的背景估计方法中的各个步骤,其他与上述方法实施例相同的部分在此不赘述。
本实施例还公开一种计算机存储介质,其内存储有可被计算机处理器执行的计算机程序,该计算机程序执行上述实施例中的用于光谱气体检测的背景估计方法。
本发明适用基于光谱分析的气体在线分析领域,包括石油、天然气勘探的油气组分在线分析,电力设备故障气体的在线分析,矿井安全气体在线分析,环境保护中的工厂烟气、石油化工伴生气、内燃机尾气的在线分析,工厂、舰艇空气质量的在线监测。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于光谱气体检测的背景估计方法,其特征在于,包括以下步骤:
对存在目标气体的区域进行光谱气体检测,采集高光谱图像;
计算所述高光谱图像中每个像素对应的光谱相对于所述目标气体的标准光谱的丰度值;
将所计算的每个像素的丰度值与预先设定的丰度阈值进行比较,将所检测的存在目标气体的区域划分为目标区域和非目标区域;
对所述目标区域的所有像素构成的光谱矩阵采用基于划分的聚类算法进行聚类处理,得到NCP个有目标类别及对应的目标类别光谱矩阵,NCP为正整数;
对所述目标类别光谱矩阵进行降维处理,得到各个有目标类别光谱矩阵的降维矩阵;
根据所述目标气体的标准光谱确定所述目标气体的背景波段,所述背景波段为没有目标气体强烈吸收峰的波段,然后根据所述背景波段,确定所述各个有目标类别光谱矩阵对应的背景波段矩阵,以及所述降维矩阵对应的背景波段矩阵;
根据所述各个有目标类别光谱矩阵对应的背景波段矩阵、所述降维矩阵对应的背景波段矩阵以及所述降维矩阵,计算各个有目标类别所对应的检测区域中所述目标气体的背景辐射。
2.根据权利要求1所述的用于光谱气体检测的背景估计方法,其特征在于,计算所述丰度值的求解条件为:
Xi=Q·αi+di
式中,Xi表示高光谱图像中第i个像素对应的光谱向量,Q表示目标气体的标准光谱向量,αi表示丰度值,di表示测量光谱去掉经拟合的目标气体标准光谱后的光谱向量,其中,i为正整数;
在di的模取最小值时,计算每个像素的丰度值αi。
4.根据权利要求1所述的用于光谱气体检测的背景估计方法,其特征在于,将所检测的存在目标气体的区域划分为目标区域和非目标区域的方法为:
在像素的丰度值αi高于所述丰度阈值的情况下,将该像素划分为存在目标的区域;在像素的丰度值αi小于或等于所述丰度阈值的情况下,将该像素分划为不存在目标的区域。
5.根据权利要求1所述的用于光谱气体检测的背景估计方法,其特征在于,所述基于划分的聚类算法为:k-means、k-medoids、k-modes、k-medians或kernel k-means。
6.根据权利要求1所述的用于光谱气体检测的背景估计方法,其特征在于,所述降维的方法为:主成分分析PCA、最小/最大自相关因子分析MAF、噪声调整的主成分分析NPCA、典型相关分析CCA、独立成分分析ICA、投影寻踪PP、非负矩阵分解或非线性主成分分析KPCA。
9.一种用于光谱气体检测的背景估计系统,其特征在于,包括:
图像采集模块,用于对存在目标气体的区域进行光谱气体检测,采集高光谱图像;
丰度值计算模块,用于计算所述高光谱图像中每个像素对应的光谱相对于所述目标气体的标准光谱的丰度值;
区域划分模块,用于将所计算的每个像素的丰度值与预先设定的丰度阈值进行比较,将所检测的存在目标气体的区域划分为目标区域和非目标区域;
目标区域聚类模块,用于对所述目标区域的所有像素构成的光谱矩阵采用基于划分的聚类算法进行聚类处理,得到NCP个有目标类别及对应的目标类别光谱矩阵,NCP为正整数;
矩阵降维模块,用于对所述目标类别光谱矩阵进行降维处理,得到各个有目标类别光谱矩阵的降维矩阵;
背景波段矩阵计算模块,用于根据所述目标气体的标准光谱确定所述目标气体的背景波段,所述背景波段为没有目标气体强烈吸收峰的波段,然后根据所述背景波段,确定所述各个有目标类别光谱矩阵对应的背景波段矩阵,以及所述降维矩阵对应的背景波段矩阵;
背景辐射计算模块,用于根据所述各个有目标类别光谱矩阵对应的背景波段矩阵、所述降维矩阵对应的背景波段矩阵以及所述降维矩阵,计算各个有目标类别所对应的检测区域中所述目标气体的背景辐射。
10.一种计算机存储介质,其特征在于:其内存储有可被计算机处理器执行的计算机程序,该计算机程序执行如权利要求1-8中任一项所述的用于光谱气体检测的背景估计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911312597.2A CN111007018B (zh) | 2019-12-18 | 2019-12-18 | 一种用于光谱气体检测的背景估计方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911312597.2A CN111007018B (zh) | 2019-12-18 | 2019-12-18 | 一种用于光谱气体检测的背景估计方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111007018A CN111007018A (zh) | 2020-04-14 |
CN111007018B true CN111007018B (zh) | 2022-06-24 |
Family
ID=70116855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911312597.2A Active CN111007018B (zh) | 2019-12-18 | 2019-12-18 | 一种用于光谱气体检测的背景估计方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111007018B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329792B (zh) * | 2020-10-30 | 2022-12-09 | 中国电子科技集团公司第五十四研究所 | 一种基于光谱角度的高光谱图像目标特征提取方法 |
US11815427B2 (en) | 2022-01-14 | 2023-11-14 | Rebellion Photonics, Inc. | Systems, methods, and computer program products for recursive hyperspectral imaging |
CN115931738B (zh) * | 2023-01-09 | 2023-05-26 | 云南烟叶复烤有限责任公司 | 一种对成品片烟质量稳定性进行评价的方法及评价系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346812A (zh) * | 2014-10-13 | 2015-02-11 | 西北工业大学 | 基于鲁棒背景估计方法的高光谱图像局部目标检测方法 |
CN105976310A (zh) * | 2016-05-04 | 2016-09-28 | 山东大学 | 一种基于分块的vca端元提取方法 |
CN108287141A (zh) * | 2017-12-21 | 2018-07-17 | 北京遥测技术研究所 | 一种基于光谱法的多组分气体浓度分析方法 |
JP2019203879A (ja) * | 2018-03-30 | 2019-11-28 | コニカ ミノルタ ラボラトリー ユー.エス.エー.,インコーポレイテッド | 光学式気体撮像カメラ用の気体のマルチスペクトル定量・識別方法 |
-
2019
- 2019-12-18 CN CN201911312597.2A patent/CN111007018B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346812A (zh) * | 2014-10-13 | 2015-02-11 | 西北工业大学 | 基于鲁棒背景估计方法的高光谱图像局部目标检测方法 |
CN105976310A (zh) * | 2016-05-04 | 2016-09-28 | 山东大学 | 一种基于分块的vca端元提取方法 |
CN108287141A (zh) * | 2017-12-21 | 2018-07-17 | 北京遥测技术研究所 | 一种基于光谱法的多组分气体浓度分析方法 |
JP2019203879A (ja) * | 2018-03-30 | 2019-11-28 | コニカ ミノルタ ラボラトリー ユー.エス.エー.,インコーポレイテッド | 光学式気体撮像カメラ用の気体のマルチスペクトル定量・識別方法 |
Non-Patent Citations (2)
Title |
---|
Local background estimation and the replacement target model;James Theiler et al.;《PROCEEDINGS OF SPIE》;20171231;第101980V-1至101980V-10页 * |
面向对象分析的非结构化背景目标高光谱探测方法研究;刘凯等;《光谱学与光谱分析》;20130630;第1653-1657页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111007018A (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111007018B (zh) | 一种用于光谱气体检测的背景估计方法及系统 | |
CN103632155B (zh) | 基于慢特征分析的遥感影像变化检测方法 | |
WO2016091017A1 (zh) | 一种高光谱图像分类中光谱向量互相关特征的抽取方法 | |
IL249566A (en) | Orthonormal system and method are optimized to reduce the dimensions of spectral figures | |
JP4394020B2 (ja) | データ分析装置及び方法 | |
US20040234159A1 (en) | Descriptors adjustment when using steerable pyramid to extract features for content based search | |
CN107316309B (zh) | 基于矩阵分解的高光谱图像显著性目标检测方法 | |
US9076039B2 (en) | Probabilistic identification of solid materials in hyperspectral imagery | |
CN110930352A (zh) | 物体色差缺陷检测方法、装置、计算机设备及存储介质 | |
CN112215201A (zh) | 评估人脸识别模型、针对图像的分类模型的方法及装置 | |
CN110991493A (zh) | 一种协同表示和异常剔除的高光谱异常检测方法 | |
US20170053400A1 (en) | Method and apparatus for processing block to be processed of urine sediment image | |
CN112308873A (zh) | 多尺度Gabor小波PCA融合图像边缘检测方法 | |
CN110874576B (zh) | 一种基于典型相关分析融合特征的行人再识别方法 | |
KR102013392B1 (ko) | Ft-ir 기반 분광 스펙트럼에서 svm 분류기를 이용한 가스 탐지 방법 | |
CN105869161A (zh) | 基于图像质量评价的高光谱图像波段选择方法 | |
WO2017129115A1 (en) | Orientation-based subject-matching in images | |
CN109191412B (zh) | 基于核稀疏典型相关分析热红外人脸图像可见光重建方法 | |
CN103903258B (zh) | 基于次序统计量谱聚类的遥感图像变化检测方法 | |
CN107067034B (zh) | 一种快速识别红外光谱数据分类的方法及系统 | |
CN115565028A (zh) | 变压器油老化检测方法、检测系统、电子设备及可读存储介质 | |
CN112330622B (zh) | 一种基于地物最大区分度的高光谱图像波段选择方法 | |
CN113420718B (zh) | 基于成分分析和稀疏约束的高光谱异常检测方法及装置 | |
Hayden et al. | Observations on the relationship between eigenvalues, instrument noise, and detection performance | |
AU2021100172A4 (en) | Iot based solar energy detection with crescent dunes |
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 |