CN111191547A - 一种基于高光谱反卷积和解混的医疗废料在线筛选方法 - Google Patents

一种基于高光谱反卷积和解混的医疗废料在线筛选方法 Download PDF

Info

Publication number
CN111191547A
CN111191547A CN201911333508.2A CN201911333508A CN111191547A CN 111191547 A CN111191547 A CN 111191547A CN 201911333508 A CN201911333508 A CN 201911333508A CN 111191547 A CN111191547 A CN 111191547A
Authority
CN
China
Prior art keywords
size
representing
hyperspectral
online
medical waste
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
Application number
CN201911333508.2A
Other languages
English (en)
Inventor
宋滢滢
代超
何帆
周振
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.)
China Power Health Cloud Technology Co ltd
Original Assignee
China Power Health Cloud Technology Co ltd
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 China Power Health Cloud Technology Co ltd filed Critical China Power Health Cloud Technology Co ltd
Priority to CN201911333508.2A priority Critical patent/CN111191547A/zh
Publication of CN111191547A publication Critical patent/CN111191547A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于高光谱反卷积和解混的医疗废料在线筛选方法，涉及医学成像技术领域，本发明包括将医疗废料放入传送带经过推扫视高光谱成像仪，在线获取传送带上医疗废料的高光谱图像的同时进行结合反卷积和解混的在线算法，分离出医疗废料中包含的不同成分的端元并根据丰度图像对医疗废料进行分类，在获得分类结论后，利用吹风管将各类医疗废料朝不同方向吹出进行自动分类，本发明由于结合了反卷积的方法使得分离端元精准度提高，从而使得医疗废料的筛选精准度提高；同时由于本发明能够于在线解混后对实时获得的丰度进行分析，而丰度的大小远远小于高光谱图像，从而增加了分类的速度。

Description

一种基于高光谱反卷积和解混的医疗废料在线筛选方法
技术领域
本发明涉及医学成像技术领域，更具体的是涉及一种基于高光谱反卷积和解混的医疗废料在线筛选方法。
背景技术
目前医疗机构大多是通过放置多个废料收集桶来对医疗废料进行分类放置，非常麻烦且需要耗费许多人力。
高光谱成像可以同时获得同一场景下的多幅不同频谱波段范围下的图像。相对于传统成像方式，高光谱图像包含丰富的频谱信息，广泛应用于卫星遥感、农业地质普查、医学成像、环境监控等领域。然而受成像传感器技术的限制，高光谱成像获得更丰富的频谱信息往往是以牺牲空间分辨率作为代价。一副高光谱图像是含有三个维度的图像，包含两个空间维度和一个光谱维度，由于不同化学成分的光谱有明显区别，因此通过对高光谱图像的分析便可以分辨出不同成分，于是此技术可被应用于医学中用以对医疗废料进行分类。
于是，如何结合高光谱成像仪以及高光谱图像解混算法来对医疗废料进行实时分辨，得到不同分类的废料是目前急需解决的问题。
发明内容
本发明的目的在于：为了解决目前医疗机构通过放置多个废料收集桶来对医疗废料进行人工分类，费时费力的问题，本发明提供一种基于高光谱反卷积和解混的医疗废料在线筛选方法。
本发明为了实现上述目的具体采用以下技术方案：
一种基于高光谱反卷积和解混的医疗废料在线筛选方法，包括：
利用推扫式高光谱成像仪实时垂直扫描传送带上的医疗废料，得到当前时刻的高光谱图像，所述高光谱图像为拥有空间维度N和光谱维度P的二维矩阵；
将高光谱图像展平为一维向量，在引入延迟的基础上，利用延迟一维向量构建在线卷积和混合模型，得到延迟后的时刻由各丰度向量拼接而成的拼接向量；
构建滑窗，基于滑窗和滑窗内多个时刻的拼接向量构建在线成本函数；
将滑窗内的所有拼接向量拼接为向量a′k，并对在线成本函数增加非负约束条件，求解非负的向量a′k使得在线成本函数最小化，即
Figure BDA0002330308040000011
利用最小均方算法和增广拉格朗日惩罚函数法对
Figure BDA0002330308040000012
进行求解，得到向量a′k，进而得到丰度图像；
通过丰度图像分辨医疗废料的不同成分，得到分类结论，根据分类结论对医疗废料进行筛选分类。
进一步的，所述在线卷积和混合模型，具体为：
Figure BDA0002330308040000021
其中，
Figure BDA0002330308040000022
为一维向量yk引入(L-1)/2延迟后的延迟一维向量，S表示包含了各丰度r的端元sr的光谱：
Figure BDA0002330308040000023
R表示端元个数，0<r<R，P表示波长总数，即光谱维度；
Hl为根据l列卷积核构建的常对角矩阵，大小为N×N，第一列为
Figure BDA0002330308040000024
第一排为
Figure BDA0002330308040000025
所述卷积核为H*p，代表图像模糊，H*p为一个二维的高斯矩阵，所述高斯矩阵表示为
Figure BDA0002330308040000026
其中M为高斯矩阵的行数，L为高斯矩阵的列数即卷积核在时间维度上的长度，则第l列向量表示为：
Figure BDA0002330308040000027
p表示波长，若卷积核在每一个波长p均相同，则可忽略波长p；
ak-l+1为k-l+1时刻的R个丰度向量拼接而成的拼接向量，ek-(L-1)/2表示延迟后的噪音干扰。
进一步的，所述在线成本函数结构为：
Figure BDA0002330308040000028
每个时刻计算更新滑窗内的拼接向量，下一时刻将滑窗向前移动一列，其中，
Figure BDA0002330308040000029
表示滑窗内更新的拼接向量，
Figure BDA00023303080400000210
表示上一时刻卷积核大小的L宽度内的拼接向量；
Figure BDA00023303080400000211
代表拟合成本，
Figure BDA00023303080400000212
表示期望值处理器，
Figure BDA00023303080400000213
为L1范数正则项，ηz是权重参数，Q为滑窗大小。
进一步的，利用最小均方算法和增广拉格朗日惩罚函数法对
Figure BDA00023303080400000214
进行求解，具体为：
步骤一：采用梯度下降法求得：
Figure BDA0002330308040000031
其中，
Figure BDA0002330308040000032
大小为(Q+L-1)RN×(Q+L-1)RN，IQRN表示QRN×QRN大小的单位矩阵，IRN表示RN×RN大小的单位矩阵，I(L-2)RN表示(L-2)RN×(L-2)RN大小的单位矩阵，0QRN×(L-1)RN表示QRN×(L-1)RN大小的零矩阵，0RN×RN表示RN×RN大小的零矩阵，0(L-2)RN×RN表示(L-2)RN×RN大小的零矩阵；
Figure BDA0002330308040000033
大小为(Q+L-1)RN×(Q+L-1)RN，0QRN×(L-1)PN表示QRN×(L-1)PN大小的零矩阵，0(L-1)RN×(Q+L-1)PN表示(L-1)RN×(Q+L-1)PN大小的零矩阵；
Figure BDA0002330308040000034
大小为QPN×QRN；
Figure BDA0002330308040000035
大小为(Q+L-1)RN×(Q+L-1)RN，0(L-1)PN×(Q+L-1)RN表示(L-1)PN×(Q+L-1)RN大小的零矩阵；
Figure BDA0002330308040000036
大小为(Q+L-1)RN×(Q+L-1)RN，0(L-1)RN×(Q+L-1)RN表示(L-1)RN×(Q+L-1)RN大小的零矩阵；
ρz＝μηz/2，μ为梯度下降的学习率；
步骤二：引入辅助变量z和拉格朗日乘数u，初始化
Figure BDA0002330308040000037
u＝0RN(Q+L-1)×1，然后将辅助变量z和拉格朗日乘数u代入步骤一中的式(1)，得到：
Figure BDA0002330308040000038
设置迭代次数，计算式(2)，当
Figure BDA0002330308040000039
时，更新z＝0，否则，更新
Figure BDA00023303080400000310
然后更新
Figure BDA0002330308040000041
若a′k不满足使得在线成本函数最小化，则继续计算式(2)，直至达到迭代次数或非负的向量a′k使得在线成本函数最小化。
本发明的有益效果如下：
1、本发明充分结合了非负、解混、反卷积和L1范数零吸引力性能，能够实现在线一次完成解混和优化分辨率的任务，通过在线结合卷积与混合的高光谱图像的在线卷积和混合模型，针对在线卷积和混合模型与医疗废料分类筛选应用设计了新颖的在线成本函数，并针对在线成本函数提出了有效准确的解法，能够实现对医疗废料的在线实时筛选。
2、本发明由于结合了反卷积的方法使得分离高光谱图像端元精准度提高，从而使得医疗废料的筛选精准度提高；同时由于能够于在线解混后对实时获得的丰度进行分析，而丰度的大小远远小于高光谱图像，从而加快了对医疗废料分类筛选的速度。
附图说明
图1是本发明具体实施方式的装置结构示意图。
图2是本发明具体实施方式的推扫式高光谱成像仪扫描示意图。
图3是本发明具体实施方式的高光谱图像二维矩阵的示意图。
具体实施方式
为了本技术领域的人员更好的理解本发明，下面结合附图和以下实施例对本发明作进一步详细描述。
实施例1
如图1所示，本实施例提供一种基于高光谱反卷积和解混的医疗废料在线筛选方法，包括：
将医疗废料放到传送带上，如图2所示，利用推扫式高光谱成像仪在每一时刻沿着传送带垂直方向实时垂直扫描传送带上的医疗废料，得到当前时刻的高光谱图像，如图3所示，所述高光谱图像为拥有空间维度N和光谱维度P的二维矩阵，由于不同化学成分的光谱具有明显区别，通过对高光谱图像进行分析便可以分辨出医疗废料中的不同成分，如是否沾有血液，废料材质区分等，进而对医疗废料进行筛选；
对高光谱图像进行分析，具体是对该二维矩阵图像进行线性解混分离出各端元，获得各个成分的纯端元和在这一时刻的丰度，丰度为一维向量，使得判定成分的精准度得以提高，由此，本实施例将高光谱图像展平为一维向量，在引入延迟的基础上，利用延迟一维向量构建在线卷积和混合模型，得到延迟后的时刻由各丰度向量拼接而成的拼接向量，本实施例中，在线卷积和混合模型具体为：
Figure BDA0002330308040000051
其中，
Figure BDA0002330308040000052
为一维向量yk引入(L-1)/2延迟后的延迟一维向量，S表示包含了各丰度r的端元sr的光谱：
Figure BDA0002330308040000053
R表示端元个数，0<r<R，P表示波长总数，即光谱维度；
Hl为根据l列卷积核构建的常对角矩阵，大小为N×N，第一列为
Figure BDA0002330308040000054
第一排为
Figure BDA0002330308040000055
所述卷积核为H*p，代表图像模糊，H*p为一个二维的高斯矩阵，所述高斯矩阵表示为
Figure BDA0002330308040000056
其中M为高斯矩阵的行数，L为高斯矩阵的列数即卷积核在时间维度上的长度，则第l列向量表示为：
Figure BDA0002330308040000057
p表示波长，若卷积核在每一个波长p均相同，则可忽略波长p；
ak-l+1为k-l+1时刻的R个丰度向量拼接而成的拼接向量，ek-(L-1)/2表示延迟后的噪音干扰；
然后构建滑窗，滑窗大小为Q，基于滑窗和滑窗内多个时刻的拼接向量构建在线成本函数，所述在线成本函数结构为：
Figure BDA0002330308040000058
每个时刻计算更新滑窗内的拼接向量，下一时刻将滑窗向前移动一列，其中，
Figure BDA0002330308040000059
表示滑窗内更新的拼接向量，
Figure BDA00023303080400000510
表示上一时刻卷积核大小的L宽度内的拼接向量；
Figure BDA00023303080400000511
代表拟合成本，
Figure BDA00023303080400000512
表示期望值处理器，
Figure BDA00023303080400000513
为L1范数正则项，为在线成本函数增加零吸引力，可以将值接近零的像素正则为零，用以去除传送带背景，ηz是权重参数；
将滑窗内的所有拼接向量拼接为向量a′k，并对在线成本函数增加非负约束条件，求解非负的向量a′k使得在线成本函数最小化，即
Figure BDA00023303080400000514
利用最小均方算法和增广拉格朗日惩罚函数法对
Figure BDA0002330308040000061
进行求解，得到向量a′k，进而得到丰度图像，具体为：
步骤一：采用梯度下降法求得：
Figure BDA0002330308040000062
其中，
Figure BDA0002330308040000063
大小为(Q+L-1)RN×(Q+L-1)RN，IQRN表示QRN×QRN大小的单位矩阵，IRN表示RN×RN大小的单位矩阵，I(L-2)RN表示(L-2)RN×(L-2)RN大小的单位矩阵，0QRN×(L-1)RN表示QRN×(L-1)RN大小的零矩阵，0RN×RN表示RN×RN大小的零矩阵，0(L-2)RN×RN表示(L-2)RN×RN大小的零矩阵；
Figure BDA0002330308040000064
大小为(Q+L-1)RN×(Q+L-1)RN，0QRN×(L-1)PN表示QRN×(L-1)PN大小的零矩阵，0(L-1)RN×(Q+L-1)PN表示(L-1)RN×(Q+L-1)PN大小的零矩阵；
Figure BDA0002330308040000065
大小为QPN×QRN；
Figure BDA0002330308040000066
大小为(Q+L-1)RN×(Q+L-1)RN，0(L-1)PN×(Q+L-1)RN表示(L-1)PN×(Q+L-1)RN大小的零矩阵；
Figure BDA0002330308040000067
大小为(Q+L-1)RN×(Q+L-1)RN，0(L-1)RN×(Q+L-1)PN表示(L-1)RN×(Q+L-1)RN大小的零矩阵；
ρz＝μηz/2，μ为梯度下降的学习率；
步骤二：引入辅助变量z和拉格朗日乘数u，初始化
Figure BDA0002330308040000068
然后将辅助变量z和拉格朗日乘数u代入步骤一中的式(1)，得到：
Figure BDA0002330308040000071
设置迭代次数，计算式(2)，当
Figure BDA0002330308040000072
时，更新z＝0，否则，更新
Figure BDA0002330308040000073
然后更新
Figure BDA0002330308040000074
若a′k不满足使得在线成本函数最小化，则继续计算式(2)，直至达到迭代次数或非负的向量a′k使得在线成本函数最小化；
通过丰度图像分辨医疗废料的不同成分，得到分类结论，根据分类结论利用传送带下的吹风管将不同医疗废料朝相应方向的回收装置吹出，完成对医疗废料自动筛选分类。
以上所述，仅为本发明的较佳实施例，并不用以限制本发明，本发明的专利保护范围以权利要求书为准，凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明的保护范围内。

Claims (4)

1.一种基于高光谱反卷积和解混的医疗废料在线筛选方法，其特征在于，包括：
利用推扫式高光谱成像仪实时垂直扫描传送带上的医疗废料，得到当前时刻的高光谱图像，所述高光谱图像为拥有空间维度N和光谱维度P的二维矩阵；
将高光谱图像展平为一维向量，在引入延迟的基础上，利用延迟一维向量构建在线卷积和混合模型，得到延迟后的时刻由各丰度向量拼接而成的拼接向量；
构建滑窗，基于滑窗和滑窗内多个时刻的拼接向量构建在线成本函数；
将滑窗内的所有拼接向量拼接为向量a′k，并对在线成本函数增加非负约束条件，求解非负的向量a′k使得在线成本函数最小化，即
Figure FDA0002330308030000013
利用最小均方算法和增广拉格朗日惩罚函数法对
Figure FDA0002330308030000014
进行求解，得到向量a′k，进而得到丰度图像；
通过丰度图像分辨医疗废料的不同成分，得到分类结论，根据分类结论对医疗废料进行筛选分类。
2.根据权利要求1所述的一种基于高光谱反卷积和解混的医疗废料在线筛选方法，其特征在于，所述在线卷积和混合模型，具体为：
Figure FDA0002330308030000011
其中，
Figure FDA0002330308030000015
为一维向量yk引入(L-1)/2延迟后的延迟一维向量，S表示包含了各丰度r的端元sr的光谱：
Figure FDA0002330308030000012
R表示端元个数，0<r<R，P表示波长总数，即光谱维度；
Hl为根据l列卷积核构建的常对角矩阵，大小为N×N，第一列为
Figure FDA0002330308030000019
第一排为
Figure FDA0002330308030000016
所述卷积核为H*p，代表图像模糊，H*p为一个二维的高斯矩阵，所述高斯矩阵表示为
Figure FDA0002330308030000017
其中M为高斯矩阵的行数，L为高斯矩阵的列数即卷积核在时间维度上的长度，则第l列向量表示为：
Figure FDA0002330308030000018
p表示波长，若卷积核在每一个波长p均相同，则可忽略波长p；
ak-l+1为k-l+1时刻的R个丰度向量拼接而成的拼接向量，ek-(L-1)/2表示延迟后的噪音干扰。
3.根据权利要求2所述的一种基于高光谱反卷积和解混的医疗废料在线筛选方法，其特征在于，所述在线成本函数结构为：
Figure FDA0002330308030000021
每个时刻计算更新滑窗内的拼接向量，下一时刻将滑窗向前移动一列，其中，
Figure FDA0002330308030000023
表示滑窗内更新的拼接向量，
Figure FDA00023303080300000211
表示上一时刻卷积核大小的L宽度内的拼接向量；
Figure FDA00023303080300000210
代表拟合成本，
Figure FDA0002330308030000025
表示期望值处理器，
Figure FDA0002330308030000024
为L1范数正则项，ηz是权重参数，Q为滑窗大小。
4.根据权利要求3所述的一种基于高光谱反卷积和解混的医疗废料在线筛选方法，其特征在于，利用最小均方算法和增广拉格朗日惩罚函数法对
Figure FDA0002330308030000026
进行求解，具体为：
步骤一：采用梯度下降法求得：
Figure FDA0002330308030000022
其中，
Figure FDA0002330308030000027
大小为(Q+L-1)RN×(Q+L-1)RN，IQRN表示QRN×QRN大小的单位矩阵，IRN表示RN×RN大小的单位矩阵，I(L-2)RN表示(L-2)RN×(L-2)RN大小的单位矩阵，OQRN×(L-1)RN表示QRN×(L-1)RN大小的零矩阵，ORN×RN表示RN×RN大小的零矩阵，O(L-2)RN×RN表示(L-2)RN×RN大小的零矩阵；
Figure FDA0002330308030000028
大小为(Q+L-1)RN×(Q+L-1)RN，OQRN×(L-1)PN表示QRN×(L-1)PN大小的零矩阵，O(L-1)RN×(Q+L-1)PN表示(L-1)RN×(Q+L-1)PN大小的零矩阵；
Figure FDA0002330308030000029
大小为QPN×QRN；
Figure FDA0002330308030000031
大小为(Q+L-1)RN×(Q+L-1)RN，O(L-1)RN×(Q+L-1)PN表示(L-1)PN×(Q+L-1)RN大小的零矩阵；
Figure FDA0002330308030000032
大小为(Q+L-1)RN×(Q+L-1)RN，O(L-1)RN×(Q+L-1)RN表示(L-1)RN×(Q+L-1)RN大小的零矩阵；
ρz＝μηz/2，μ为梯度下降的学习率；
步骤二：引入辅助变量z和拉格朗日乘数u，初始化
Figure FDA0002330308030000033
u＝ORN(Q+L-1)×1，然后将辅助变量z和拉格朗日乘数u代入步骤一中的式(1)，得到：
Figure FDA0002330308030000034
设置迭代次数，计算式(2)，当
Figure FDA0002330308030000035
时，更新z＝0，否则，更新
Figure FDA0002330308030000037
然后更新
Figure FDA0002330308030000036
若a′k不满足使得在线成本函数最小化，则继续计算式(2)，直至达到迭代次数或非负的向量a′k使得在线成本函数最小化。
CN201911333508.2A 2019-12-23 2019-12-23 一种基于高光谱反卷积和解混的医疗废料在线筛选方法 Pending CN111191547A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911333508.2A CN111191547A (zh) 2019-12-23 2019-12-23 一种基于高光谱反卷积和解混的医疗废料在线筛选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911333508.2A CN111191547A (zh) 2019-12-23 2019-12-23 一种基于高光谱反卷积和解混的医疗废料在线筛选方法

Publications (1)

Publication Number Publication Date
CN111191547A true CN111191547A (zh) 2020-05-22

Family

ID=70707420

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911333508.2A Pending CN111191547A (zh) 2019-12-23 2019-12-23 一种基于高光谱反卷积和解混的医疗废料在线筛选方法

Country Status (1)

Country Link
CN (1) CN111191547A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112768041A (zh) * 2021-01-07 2021-05-07 湖北公众信息产业有限责任公司 医疗云管平台

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104246796A (zh) * 2012-04-13 2014-12-24 高通股份有限公司 使用多模匹配方案的对象辨识
CN105277942A (zh) * 2014-07-22 2016-01-27 A.P.M.自动化解决方案公司 用于基于形状属性检测仓内的障碍物的系统和方法
CN205397126U (zh) * 2016-02-25 2016-07-27 中国人民解放军第四军医大学 一种医疗垃圾自动分类收集器
CN109051407A (zh) * 2018-09-05 2018-12-21 佛山讯源医疗设备有限公司 一种双桶体分类医疗废料环保收集机构
CN109085131A (zh) * 2018-07-12 2018-12-25 重庆邮电大学 基于丰度稀疏和端元正交性约束nmf的高光谱解混方案
CN109934815A (zh) * 2019-03-18 2019-06-25 电子科技大学 一种结合atv约束的张量恢复红外弱小目标检测方法
CN110070518A (zh) * 2019-03-15 2019-07-30 南京航空航天大学 一种基于双路径支持下的高光谱图像超分辨率制图方法
CN110598014A (zh) * 2019-09-27 2019-12-20 腾讯科技（深圳）有限公司 一种多媒体数据处理方法、装置及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104246796A (zh) * 2012-04-13 2014-12-24 高通股份有限公司 使用多模匹配方案的对象辨识
CN105277942A (zh) * 2014-07-22 2016-01-27 A.P.M.自动化解决方案公司 用于基于形状属性检测仓内的障碍物的系统和方法
CN205397126U (zh) * 2016-02-25 2016-07-27 中国人民解放军第四军医大学 一种医疗垃圾自动分类收集器
CN109085131A (zh) * 2018-07-12 2018-12-25 重庆邮电大学 基于丰度稀疏和端元正交性约束nmf的高光谱解混方案
CN109051407A (zh) * 2018-09-05 2018-12-21 佛山讯源医疗设备有限公司 一种双桶体分类医疗废料环保收集机构
CN110070518A (zh) * 2019-03-15 2019-07-30 南京航空航天大学 一种基于双路径支持下的高光谱图像超分辨率制图方法
CN109934815A (zh) * 2019-03-18 2019-06-25 电子科技大学 一种结合atv约束的张量恢复红外弱小目标检测方法
CN110598014A (zh) * 2019-09-27 2019-12-20 腾讯科技（深圳）有限公司 一种多媒体数据处理方法、装置及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YINGYING SONG等: "Joint unmixing-deconvolution algorithms for hyperspectral images", 《2019 27TH EUROPEAN SIGNAL PROCESSING CONFERENCE (EUSIPCO)》 *
朱院院等: "基于滑窗负熵统计的高光谱独立特征提取方法", 《光学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112768041A (zh) * 2021-01-07 2021-05-07 湖北公众信息产业有限责任公司 医疗云管平台
CN112768041B (zh) * 2021-01-07 2022-04-08 湖北公众信息产业有限责任公司 医疗云管平台

Similar Documents

Publication Publication Date Title
US10785903B2 (en) System and method for determining crop residue fraction using blind source separation of color images
Yan et al. Improving the estimation of fractional vegetation cover from UAV RGB imagery by colour unmixing
Shi et al. Incorporating spatial information in spectral unmixing: A review
CN110770752A (zh) 多尺度特征融合网络结合定位模型的害虫自动计数方法
CN110232419A (zh) 一种边坡岩石类别自动识别的方法
CN109376753B (zh) 一种三维空谱空间维像元类属概率计算方法
CN103344583B (zh) 一种基于机器视觉的镨-钕(Pr/Nd)组分含量检测系统及方法
CN111007039B (zh) 中低分辨率遥感图像亚像元级水体自动提取方法和系统
Mathews Object-based spatiotemporal analysis of vine canopy vigor using an inexpensive unmanned aerial vehicle remote sensing system
CN105203465A (zh) 一种超光谱红外成像气体监测装置及其监测方法
CN109858557A (zh) 一种新的高光谱图像数据半监督分类算法
CN107025445B (zh) 基于类信息熵的多源遥感图像组合选择方法
CN114441457A (zh) 一种基于无人机多光谱影像消除水稻冠层背景效应并提升叶片氮浓度监测精度的方法
CN111709326A (zh) 基于深度学习的级联式颗粒作物质量分析方法及其系统
CN114170527A (zh) 一种利用旋转框表示的遥感目标检测方法
Olenskyj et al. End-to-end deep learning for directly estimating grape yield from ground-based imagery
US10817754B2 (en) Systems and methods for object classification and selective compression in aerial imagery
CN108776955A (zh) 一种遥感图像实时校正方法及校正装置
Amziane et al. Reflectance estimation from multispectral linescan acquisitions under varying illumination—application to outdoor weed identification
Fortuna et al. Multivariate image fusion: A pipeline for hyperspectral data enhancement
CN111191547A (zh) 一种基于高光谱反卷积和解混的医疗废料在线筛选方法
Sehree et al. Olive trees cases classification based on deep convolutional neural network from unmanned aerial vehicle imagery
Mianji et al. Enhanced self-training superresolution mapping technique for hyperspectral imagery
Wu et al. NDMFCS: An automatic fruit counting system in modern apple orchard using abatement of abnormal fruit detection
CN117058522A (zh) 一种融合光谱神经网络和叶面积指数的遥感地表生态变化检测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200522