CN111489309A - 一种稀疏解混的预处理装置及方法 - Google Patents

一种稀疏解混的预处理装置及方法 Download PDF

Info

Publication number
CN111489309A
CN111489309A CN202010266350.8A CN202010266350A CN111489309A CN 111489309 A CN111489309 A CN 111489309A CN 202010266350 A CN202010266350 A CN 202010266350A CN 111489309 A CN111489309 A CN 111489309A
Authority
CN
China
Prior art keywords
image
hyperspectral
point
signal
gradient
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
CN202010266350.8A
Other languages
English (en)
Other versions
CN111489309B (zh
Inventor
徐速
何希平
曹晓莉
江朝元
秦华峰
唐灿
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.)
Chongqing Technology and Business University
Original Assignee
Chongqing Technology and Business University
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 Chongqing Technology and Business University filed Critical Chongqing Technology and Business University
Priority to CN202010266350.8A priority Critical patent/CN111489309B/zh
Publication of CN111489309A publication Critical patent/CN111489309A/zh
Application granted granted Critical
Publication of CN111489309B publication Critical patent/CN111489309B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J3/2823—Imaging spectrometer
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G01N2021/1793—Remote sensing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种稀疏解混的预处理装置及方法，属于稀疏解混预处理领域。本装置包括检修盖板、避光箱体、预处理组件和中控计算机，通过中控计算机实现稀疏解混方法，通过第一步高光谱图像去模糊算法；通过求解偏微分方程，排除模糊干扰；第二步高光谱图像去噪声算法；通过多尺度小波变化，去除噪声干扰；第三步高光谱图像去波段算法；通过归一化平滑处理方法，去除被水汽吸收以及信噪比明显偏低的波段；第四步划分出多端元区域，通过高维低秩分解，进行图像语义分割算法，本发明能够明显的提高端元提取的效率和准确度，实现快速有效的稀疏分解，为后续遥感影像判读提供参考。

Description

一种稀疏解混的预处理装置及方法
技术领域
本发明属于稀疏解混预处理领域，涉及一种稀疏解混的预处理装置及方法。
背景技术
由于实测对象的类型多样性、地物随时间实时变化以及地物光谱多次散射等问题存在，高光谱传感器在采样过程中不可避免的存在混合像元的情况，由于卫星传感器在采集过程中云层、大气等实时加性噪声，量化过程中量化噪声以及高光谱成像仪和对象地物间的相对运动造成的线性模糊都会使得高光谱图像质量下降，产生稀疏解混的端元提取精度问题，现有的高光谱稀疏解混的预处理装置不能够明显的提高端元提取的效率和准确度，稀疏分解效率低，无法为后续的遥感影像判读过程提供有效参考。
发明内容
有鉴于此，本发明的目的在于提供一种稀疏解混的预处理装置及方法，以解决上述背景技术中提出的现有的高光谱稀疏解混的预处理装置不能够明显的提高端元提取的效率和准确度，稀疏分解效率低，无法为后续的遥感影像判读过程提供有效参考的问题。
为达到上述目的，本发明提供如下技术方案：
一种稀疏解混的预处理装置，包括检修盖板(1)、避光箱体(2)、预处理组件(3)和中控计算机(4)，检修盖板(1)通过螺栓固定在避光箱体(2)的顶部，避光箱体(2)的内部设置有预处理组件(3)，预处理组件(3)通过导线与中控计算机(4)电性连接；
所述预处理组件(3)包括激光发射器(31)、初段透镜(32)、二段透镜(33)、三段透镜(34)、透镜安装板(35)、隔板(36)、电子成像板(37)、降噪箱(38)和带通滤波器(39)；
激光发射器(31)固定在避光箱体(2)的内壁上，激光发射器(31)位于初段透镜(32)的前侧，初段透镜(32)位于二段透镜(33)的前侧，二段透镜(33)位于三段透镜(34)的前侧，初段透镜(32)、二段透镜(33)和三段透镜(34)分别固定在三组透镜安装板(35)的内部，相邻两个透镜安装板(35)之间设置有隔板(36)，隔板(36)卡装在避光箱体(2)的顶部内壁上，最内侧隔板(36)位于三段透镜(34)和电子成像板(37)之间，电子成像板(37)通过一组导线与带通滤波器(39)相接，电子成像板(37)通过另一组导线与降噪箱(38)相接，降噪箱(38)和带通滤波器(39)之间固定设置有中控计算机(4)。
可选的，所述透镜安装板(35)卡装在避光箱体(2)的内部。
可选的，所述降噪箱(38)和带通滤波器(39)分别通过两组导线与外置开关(21)相接，外置开关(21)固定在避光箱体(2)上。
可选的，所述中控计算机(4)的内部安装预处理系统(41)，预处理系统(41)与信号采集处理模块(42)、特征提取模块(43)、光谱库构建模块(44)、处理模块(45)、分解模块(46)和解混处理模块(47)相接。
可选的，所述信号采集处理模块(42)包括高光谱信号归一化处理单元(421)和高光谱信号平滑处理单元(422)；特征提取模块(43)包括图像数据多尺度特征模拟单元(431)、采样点对比单元(432)、特征点去除单元(433)、方向指数制定单元(434)和图像匹配单元(435)；处理模块(45)包括梯度加权正则模型构造单元(451)、去均值梯度正则模型构造单元(452)、梯度域清晰图获取单元(453)、目标函数极小点获取单元(454)和最优点清晰图获取单元(455)；分解模块(46)包括采样解归一化处理单元(461)、决策变量分类单元(462)和聚类划分单元(463)；解混处理模块(47)包括高维光谱信息分解处理单元(471)和迭代求解单元(472)。
基于所述装置的稀疏解混的预处理方法，该所述包括以下步骤：
S1：针对摄像机和拍摄对象相对运行，聚焦不良以及云雾遮挡等导致高光谱图像质量退化问题，分析大气散射物理模型，建立去模糊能量最优化模型，从图像梯度以及景深数据，通过求解偏微分方程进行去模糊处理，以增强高光谱单波段图像质量的目的；
S2：针对高光谱图像出现的脉冲以及散斑噪声，分析常见噪声模型，由于线型奇异特征往往出现在高频细节部分而无效点位置对应的信号强度与其周围信号明显不同；同时其峰值大小远大于左右两个相邻峰值点所对应的数值，因此对含噪高光谱图像进行多尺度小波变换，通过自动搜索无效点的位置来找到噪声信号，最后通过带通滤波器(39)来获取纹理细节丰富的三维高光谱图像信号，达到去噪的效果；
S3：针对高光谱图像存在被水汽吸收以及信噪比明显偏低的波段，分析图像中像素点的光谱信号不连续，存在部分断裂的现象，可以通过归一化平滑处理方法，实现光谱信号连续化的目的；
S4：划分多端元区域的算法，通过高维低秩分解，进行高光谱图像的语义分割，得到多个离散的小块，通过聚类融合的方法，把相同类型的对象合并为单端元区域，多端元区域以及无端元区域三个不同的区域，通过去除小图斑以及平滑处理，达到高光谱图像分类的目的；
S5：选择多端元区域，结合现有光谱库来进行多端元解混算法，获得各个独立的端元以及该端元对应的丰度矩阵。
可选的，所述S1中，去模糊处理具体包括参考大气散射的物理模型，近似计算出退化高光谱单波段图像对应原始图像的梯度场和构造能量泛函，求解偏微分方程，从该梯度场中恢复出原始单波段高光谱图像两部分。
可选的，所述处理方法具体为：
步骤一：针对摄像机和拍摄对象相对运行，聚焦不良以及云雾遮挡的导致高光谱图像质量退化问题，分析大气散射物理模型，建立去模糊能量最优化模型，从图像梯度以及景深数据，通过求解偏微分方程进行去模糊处理，以增强高光谱单波段图像质量的目的，去模糊处理的具体由参考大气散射的物理模型，近似计算出退化高光谱单波段图像对应原始图像的梯度场和构造能量泛函，求解偏微分方程，从该梯度场中恢复出原始单波段高光谱图像两部分组成，模型构建和计算过程如下：
(1)高光谱单波段图像采用单色大气散射模型，其数学模型为：
E＝Ie-βd+E∞(1-e-βd)
其中E是退化图像的亮度，I是原始图像的亮度，E∞是天空的亮度，β是大气散射系数，d为景深和βd称为光学深度；
(2)对单色大气散射物理模型两边取梯度运算，得到
▽E＝▽Ie-βd-βIe-βd▽d+βE∞e-βd▽d
原始图像的梯度场简化为：
▽I≈▽Eeβd+β(I-E∞)▽d
(3)构造去均值的加权梯度场正则模型，利用梯度方差的倒数作为加权系数，当模糊程度逐渐加大时，加权系数值增加而正则项能量减少，当图像逐渐锐化时，正则项能量加大而加权系数值减少，其数学模型为：
▽I＝λ▽Eeβd+η▽d
其中λ是加权系数而η＝β(I-E∞)为正则项能量；
(4)构造能量泛函，其数学模型为：
Figure BDA0002441386190000031
(5)采用变分法对上述能量泛函求极值，求解出相应的偏微分方程为：
Figure BDA0002441386190000032
(6)采用有限差分法数值求解上述偏微分方程，首先按照迭代收缩阈值算法软阈值收缩出ΔI1，然后基于PCG共轭梯度法在已知点处的梯度上构造一组共轭方向并计算出更逼近于零的步长v，接着通过全变差模式下的惩罚函数法构造能量最小优化式并沿当前方向进行搜索，最后随着惩罚函数逐渐增大，直接二范式求导为0求出目标函数的极小值点，即是最优点时得到最清晰的原始图像；
步骤二：针对高光谱图像出现的脉冲以及散斑噪声，分析常见噪声模型，由于线型奇异特征往往出现在高频细节部分而无效点位置对应的信号强度与其周围信号明显不同；同时其峰值大小远大于左右两个相邻峰值点所对应的数值，因此对含噪高光谱图像进行多尺度小波变换，通过自动搜索无效点的位置来找到噪声信号，最后通过带通滤波器39来获取纹理细节丰富的三维高光谱图像信号，达到去噪的效果，具体去噪过程如下：
通过图像卷积上的高斯核，得到不同平滑程度和不同尺寸大小的图像，从而模拟出高光谱图像数据的多尺度特征，再检测尺度空间极值点，寻找尺度空间的极值点，比较每一个采样点与其相邻点，看采样点的图像域和尺度域是否比相邻点大，然后去除不好的特征点，通过拟和三维二次函数以精确确定关键点的位置和尺度，达到亚像素精度，同时去除低对比度的关键点和不稳定的边缘响应点，用于增强匹配稳定性、提高抗噪声能力，再为每个关键点指定方向参数，为每个特征点计算一个方向，依照这个方向做进一步的计算，利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数，使算子具备旋转不变性，最后，关键点描述子的生成，根据SIFT进行图像的匹配，从而达到降噪的目的；
步骤三：针对高光谱图像存在被水汽吸收以及信噪比明显偏低的波段，分析图像中像素点的光谱信号不连续，存在部分断裂的现象，通过归一化平滑处理方法，实现光谱信号连续化的目的；
连续化处理过程如下：
读入去除波段后的高光谱信号，并判断高光谱信号峰值方向；
利用最小二乘法对信号曲线进行拟合得到高光谱信号的拟合曲线；
在高光谱信号峰值区域，将拟合曲线上各个点值作为信号曲线上对应点的阈值，将高光谱信号曲线上超出阈值的部分全部截断，得到截断曲线；并对得到的曲线再次拟合，直至两次拟合得到的曲线完全重合；
平滑处理过程如下：
选择具有宽度为w的平滑窗口，每个窗口内有奇数个波长点k(2×i+1)，i＝1,2,...,n，用窗口内中心波长点ki以及前后w点处测量值的平均值
Figure BDA0002441386190000041
代替波长点的测量值，自左至右依次移动ki，完成对所有点的平滑处理；
步骤四：划分多端元区域的算法，通过高维低秩分解，进行高光谱图像的语义分割，得到多个离散的小块，通过聚类融合的方法，把相同类型的对象合并为单端元区域，多端元区域以及无端元区域三个不同的区域，通过去除小图斑以及平滑处理，达到高光谱图像分类的目的，划分多端元区域具体包括高维低秩分解方法和聚类划分方法两个部分；
高维低秩分解方法具体包括：利用Tucker分解对高维数据进行分解；用核函数(Φ(X))′Φ(X)将分解后的非线性数据映射到新的特征空间，其中Φ(X)为映射矩阵；利用交替方向法迭代求解，获得低秩分解最优结果；
聚类划分方法具体包括：选择多个决策变量，对每一个决策变量都执行多个扰动，将扰动后的采样解进行归一化，生成直线L以拟合每个归一化的采样解，并计算收敛方向与每个拟合线之间的夹角；用K均值聚类方法，根据每个变量的角度特征将决策变量分为两类，角度较小的变量划分为收敛性相关变量，角度较大的变量划分为多样性相关变量；将收敛性相关变量依照相关性分析分为子组后，对收敛性相关变量进行进一步分析再次分组，进行聚类划分；
步骤五：选择多端元区域，结合现有光谱库来进行多端元解混算法，获得各个独立的端元以及该端元对应的丰度矩阵，多端元解混算法采用TENS对父代种群进行非支配排序，并计算每个解到理想点之间的欧几里德距离，通过独立优化每个子组内的收敛性相关变量来生成子代解进行收敛性变量优化，通过使用模拟二进制交叉算子优化所有多样性相关变量，从种群中生成的n个子代解，然后将子代解和父代解组合，并对组合后的解进行环境选择，进行多样性变量优化。
本发明的有益效果在于：本发明提出的一种稀疏解混的预处理装置及方法，能够明显的提高端元提取的效率和准确度，实现快速有效的稀疏分解，为后续遥感影像判读提供参考。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明的整体结构示意图；
图2为本发明的透镜安装板结构示意图；
图3为本发明的整体结构正视示意图；
图4为本发明的系统结构示意图；
图5为本发明的的预处理方法流程示意图。
附图标记：1、检修盖板；2、避光箱体；21、外置开关；3、预处理组件；31、激光发射器；32、初段透镜；33、二段透镜；34、三段透镜；35、透镜安装板；36、隔板；37、电子成像板；38、降噪箱；39、带通滤波器；4、中控计算机；41、预处理系统；42、信号采集处理模块；421、高光谱信号归一化处理单元；422、高光谱信号平滑处理单元；43、特征提取模块；431、图像数据多尺度特征模拟单元；432、采样点对比单元；433、特征点去除单元；434、方向指数制定单元；435、图像匹配单元；44、光谱库构建模块；45、处理模块；451、梯度加权正则模型构造单元；452、去均值梯度正则模型构造单元；453、梯度域清晰图获取单元；454、目标函数极小点获取单元；455、最优点清晰图获取单元；46、分解模块；461、采样解归一化处理单元；462、决策变量分类单元；463、聚类划分单元；47、解混处理模块；471、高维光谱信息分解处理单元；472、迭代求解单元。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
请参阅图1-3，一种稀疏解混的预处理装置，包括检修盖板1、避光箱体2、预处理组件3和中控计算机4，检修盖板1通过螺栓固定在避光箱体2的顶部，避光箱体2的内部设置有预处理组件3，预处理组件3通过导线与中控计算机4电性连接，预处理组件3包括激光发射器31、初段透镜32、二段透镜33、三段透镜34、透镜安装板35、隔板36、电子成像板37、降噪箱38和带通滤波器39，激光发射器31固定在避光箱体2的内壁上，激光发射器31位于初段透镜32的前侧，初段透镜32位于二段透镜33的前侧，二段透镜33位于三段透镜34的前侧，初段透镜32、二段透镜33和三段透镜34分别固定在三组透镜安装板35的内部，透镜安装板35卡装在避光箱体2的内部，相邻两个透镜安装板35之间设置有隔板36，隔板36卡装在避光箱体2的顶部内壁上，最内侧隔板36位于三段透镜34和电子成像板37之间，电子成像板37通过一组导线与带通滤波器39相接，电子成像板37通过另一组导线与降噪箱38相接，降噪箱38和带通滤波器39之间固定设置有中控计算机4，降噪箱38和带通滤波器39分别通过两组导线与外置开关21相接，外置开关21固定在避光箱体2上。
请参阅图4-5，中控计算机4的内部安装预处理系统41，预处理系统41与信号采集处理模块42、特征提取模块43、光谱库构建模块44、处理模块45、分解模块46和解混处理模块47相接，信号采集处理模块42包括高光谱信号归一化处理单元421和高光谱信号平滑处理单元422；特征提取模块43包括图像数据多尺度特征模拟单元431、采样点对比单元432、特征点去除单元433、方向指数制定单元434和图像匹配单元435；处理模块45包括梯度加权正则模型构造单元451、去均值梯度正则模型构造单元452、梯度域清晰图获取单元453、目标函数极小点获取单元454和最优点清晰图获取单元455；分解模块46包括采样解归一化处理单元461、决策变量分类单元462和聚类划分单元463；解混处理模块47包括高维光谱信息分解处理单元471和迭代求解单元472。
为了更好的展现稀疏解混的预处理的流程，本实施例现提出一种稀疏解混的预处理方法，包括以下步骤：
步骤一：针对摄像机和拍摄对象相对运行，聚焦不良以及云雾遮挡等导致高光谱图像质量退化问题，分析大气散射物理模型，建立去模糊能量最优化模型，从图像梯度以及景深数据，通过求解偏微分方程进行去模糊处理，以增强高光谱单波段图像质量的目的，去模糊处理的具体由参考大气散射的物理模型，近似计算出退化高光谱单波段图像对应原始图像的梯度场和构造能量泛函，求解偏微分方程，从该梯度场中恢复出原始单波段高光谱图像两部分组成，模型构建和计算过程如下：
(1)高光谱单波段图像采用单色大气散射模型，其数学模型为：
E＝Ie-βd+E∞(1-e-βd)
其中E是退化图像的亮度，I是原始图像的亮度，E∞是天空的亮度，β是大气散射系数，d为景深和βd称为光学深度；
(2)对单色大气散射物理模型两边取梯度运算，得到
▽E＝▽Ie-βd-βIe-βd▽d+βE∞e-βd▽d
原始图像的梯度场可简化为：
▽I≈▽Eeβd+β(I-E∞)▽d
(3)构造去均值的加权梯度场正则模型，利用梯度方差的倒数作为加权系数，当模糊程度逐渐加大时，加权系数值增加而正则项能量减少，当图像逐渐锐化时，正则项能量加大而加权系数值减少，其数学模型为：
▽I＝λ▽Eeβd+η▽d
其中λ是加权系数而η＝β(I-E∞)为正则项能量；
(4)构造能量泛函，其数学模型为：
Figure BDA0002441386190000081
(5)采用变分法对上述能量泛函求极值，求解出相应的偏微分方程为：
Figure BDA0002441386190000082
(6)采用有限差分法数值求解上述偏微分方程，首先按照迭代收缩阈值算法软阈值收缩出ΔI1，然后基于PCG共轭梯度法在已知点处的梯度上构造一组共轭方向并计算出更逼近于零的步长v，接着通过全变差模式下的惩罚函数法构造能量最小优化式并沿当前方向进行搜索，最后随着惩罚函数逐渐增大，直接二范式求导为0求出目标函数的极小值点，即是最优点时得到最清晰的原始图像；
步骤二：针对高光谱图像出现的脉冲以及散斑噪声，分析常见噪声模型，由于线型奇异特征往往出现在高频细节部分而无效点位置对应的信号强度与其周围信号明显不同；同时其峰值大小远大于左右两个相邻峰值点所对应的数值，因此对含噪高光谱图像进行多尺度小波变换，通过自动搜索无效点的位置来找到噪声信号，最后通过带通滤波器39来获取纹理细节丰富的三维高光谱图像信号，达到去噪的效果，具体去噪过程如下：
通过图像卷积上的高斯核，得到不同平滑程度和不同尺寸大小的图像，从而模拟出高光谱图像数据的多尺度特征，再检测尺度空间极值点，寻找尺度空间的极值点，比较每一个采样点与其相邻点，看采样点的图像域和尺度域是否比相邻点大，然后去除不好的特征点，通过拟和三维二次函数以精确确定关键点的位置和尺度，达到亚像素精度，同时去除低对比度的关键点和不稳定的边缘响应点，用于增强匹配稳定性、提高抗噪声能力，再为每个关键点指定方向参数，为每个特征点计算一个方向，依照这个方向做进一步的计算，利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数，使算子具备旋转不变性，最后，关键点描述子的生成，根据SIFT进行图像的匹配，从而达到降噪的目的；
步骤三：针对高光谱图像存在被水汽吸收以及信噪比明显偏低的波段，分析图像中像素点的光谱信号不连续，存在部分断裂的现象，可以通过归一化平滑处理方法，实现光谱信号连续化的目的；
连续化处理过程如下：
读入去除波段后的高光谱信号，并判断高光谱信号峰值方向；
利用最小二乘法对信号曲线进行拟合得到高光谱信号的拟合曲线；
在高光谱信号峰值区域，将拟合曲线上各个点值作为信号曲线上对应点的阈值，将高光谱信号曲线上超出阈值的部分全部截断，得到截断曲线；并对得到的曲线再次拟合，直至两次拟合得到的曲线完全重合；
平滑处理过程如下：
选择具有宽度为w的平滑窗口，每个窗口内有奇数个波长点k(2×i+1)，i＝1,2,...,n，用窗口内中心波长点ki以及前后w点处测量值的平均值
Figure BDA0002441386190000091
代替波长点的测量值，自左至右依次移动ki，完成对所有点的平滑处理；
步骤四：划分多端元区域的算法，通过高维低秩分解，进行高光谱图像的语义分割，得到多个离散的小块，通过聚类融合的方法，把相同类型的对象合并为单端元区域，多端元区域以及无端元区域三个不同的区域，通过去除小图斑以及平滑处理，达到高光谱图像分类的目的，划分多端元区域具体包括高维低秩分解方法和聚类划分方法两个部分；
高维低秩分解方法具体包括：利用Tucker分解对高维数据进行分解；用核函数(Φ(X))′Φ(X)将分解后的非线性数据映射到新的特征空间，其中Φ(X)为映射矩阵；利用交替方向法迭代求解，获得低秩分解最优结果。
聚类划分方法具体包括：选择多个决策变量，对每一个决策变量都执行多个扰动，将扰动后的采样解进行归一化，生成直线L以拟合每个归一化的采样解，并计算收敛方向与每个拟合线之间的夹角；用K均值聚类方法，根据每个变量的角度特征将决策变量分为两类，角度较小的变量划分为收敛性相关变量，角度较大的变量划分为多样性相关变量；将收敛性相关变量依照相关性分析分为子组后，对收敛性相关变量进行进一步分析再次分组，进行聚类划分；
步骤五：选择多端元区域，结合现有光谱库来进行多端元解混算法，获得各个独立的端元以及该端元对应的丰度矩阵，多端元解混算法采用TENS对父代种群进行非支配排序，并计算每个解到理想点之间的欧几里德距离，通过独立优化每个子组内的收敛性相关变量来生成子代解进行收敛性变量优化，通过使用模拟二进制交叉算子优化所有多样性相关变量，从种群中生成的n个子代解，然后将子代解和父代解组合，并对组合后的解进行环境选择，进行多样性变量优化。
综上所述：本稀疏解混的预处理装置及方法，通过第一步高光谱图像去模糊算法；通过求解偏微分方程，排除模糊干扰；第二步高光谱图像去噪声算法；通过多尺度小波变化，去除噪声干扰；第三步高光谱图像去波段算法；通过归一化平滑处理方法，去除被水汽吸收以及信噪比明显偏低的波段；第四步划分出多端元区域，通过高维低秩分解，进行图像语义分割算法，本发明能够明显的提高端元提取的效率和准确度，实现快速有效的稀疏分解，为后续遥感影像判读提供参考。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种稀疏解混的预处理装置，包括检修盖板(1)、避光箱体(2)、预处理组件(3)和中控计算机(4)，检修盖板(1)通过螺栓固定在避光箱体(2)的顶部，避光箱体(2)的内部设置有预处理组件(3)，预处理组件(3)通过导线与中控计算机(4)电性连接，其特征在于：
所述预处理组件(3)包括激光发射器(31)、初段透镜(32)、二段透镜(33)、三段透镜(34)、透镜安装板(35)、隔板(36)、电子成像板(37)、降噪箱(38)和带通滤波器(39)；
激光发射器(31)固定在避光箱体(2)的内壁上，激光发射器(31)位于初段透镜(32)的前侧，初段透镜(32)位于二段透镜(33)的前侧，二段透镜(33)位于三段透镜(34)的前侧，初段透镜(32)、二段透镜(33)和三段透镜(34)分别固定在三组透镜安装板(35)的内部，相邻两个透镜安装板(35)之间设置有隔板(36)，隔板(36)卡装在避光箱体(2)的顶部内壁上，最内侧隔板(36)位于三段透镜(34)和电子成像板(37)之间，电子成像板(37)通过一组导线与带通滤波器(39)相接，电子成像板(37)通过另一组导线与降噪箱(38)相接，降噪箱(38)和带通滤波器(39)之间固定设置有中控计算机(4)。
2.根据权利要求1所述的一种稀疏解混的预处理装置，其特征在于：所述透镜安装板(35)卡装在避光箱体(2)的内部。
3.根据权利要求1所述的一种稀疏解混的预处理装置，其特征在于：所述降噪箱(38)和带通滤波器(39)分别通过两组导线与外置开关(21)相接，外置开关(21)固定在避光箱体(2)上。
4.根据权利要求1所述的一种稀疏解混的预处理装置，其特征在于：所述中控计算机(4)的内部安装预处理系统(41)，预处理系统(41)与信号采集处理模块(42)、特征提取模块(43)、光谱库构建模块(44)、处理模块(45)、分解模块(46)和解混处理模块(47)相接。
5.根据权利要求4所述的一种稀疏解混的预处理装置，其特征在于：所述信号采集处理模块(42)包括高光谱信号归一化处理单元(421)和高光谱信号平滑处理单元(422)；特征提取模块(43)包括图像数据多尺度特征模拟单元(431)、采样点对比单元(432)、特征点去除单元(433)、方向指数制定单元(434)和图像匹配单元(435)；处理模块(45)包括梯度加权正则模型构造单元(451)、去均值梯度正则模型构造单元(452)、梯度域清晰图获取单元(453)、目标函数极小点获取单元(454)和最优点清晰图获取单元(455)；分解模块(46)包括采样解归一化处理单元(461)、决策变量分类单元(462)和聚类划分单元(463)；解混处理模块(47)包括高维光谱信息分解处理单元(471)和迭代求解单元(472)。
6.基于权利要求1～5中任一项所述装置的稀疏解混的预处理方法，其特征在于：该所述包括以下步骤：
S1：针对摄像机和拍摄对象相对运行，聚焦不良以及云雾遮挡的导致高光谱图像质量退化问题，分析大气散射物理模型，建立去模糊能量最优化模型，从图像梯度以及景深数据，通过求解偏微分方程进行去模糊处理，以增强高光谱单波段图像质量的目的；
S2：针对高光谱图像出现的脉冲以及散斑噪声，分析常见噪声模型，由于线型奇异特征往往出现在高频细节部分而无效点位置对应的信号强度与其周围信号明显不同；同时其峰值大小远大于左右两个相邻峰值点所对应的数值，因此对含噪高光谱图像进行多尺度小波变换，通过自动搜索无效点的位置来找到噪声信号，最后通过带通滤波器(39)来获取纹理细节丰富的三维高光谱图像信号，达到去噪的效果；
S3：针对高光谱图像存在被水汽吸收以及信噪比明显偏低的波段，分析图像中像素点的光谱信号不连续，存在部分断裂的现象，可以通过归一化平滑处理方法，实现光谱信号连续化的目的；
S4：划分多端元区域的算法，通过高维低秩分解，进行高光谱图像的语义分割，得到多个离散的小块，通过聚类融合的方法，把相同类型的对象合并为单端元区域，多端元区域以及无端元区域三个不同的区域，通过去除小图斑以及平滑处理，达到高光谱图像分类的目的；
S5：选择多端元区域，结合现有光谱库来进行多端元解混算法，获得各个独立的端元以及该端元对应的丰度矩阵。
7.根据权利要求6所述的一种稀疏解混的预处理方法，其特征在于：所述S1中，去模糊处理具体包括参考大气散射的物理模型，近似计算出退化高光谱单波段图像对应原始图像的梯度场和构造能量泛函，求解偏微分方程，从该梯度场中恢复出原始单波段高光谱图像两部分。
8.根据权利要求7所述的一种稀疏解混的预处理方法，其特征在于：所述处理方法具体为：
步骤一：针对摄像机和拍摄对象相对运行，聚焦不良以及云雾遮挡的导致高光谱图像质量退化问题，分析大气散射物理模型，建立去模糊能量最优化模型，从图像梯度以及景深数据，通过求解偏微分方程进行去模糊处理，以增强高光谱单波段图像质量的目的，去模糊处理的具体由参考大气散射的物理模型，近似计算出退化高光谱单波段图像对应原始图像的梯度场和构造能量泛函，求解偏微分方程，从该梯度场中恢复出原始单波段高光谱图像两部分组成，模型构建和计算过程如下：
(1)高光谱单波段图像采用单色大气散射模型，其数学模型为：
E＝Ie-βd+E∞(1-e-βd)
其中E是退化图像的亮度，I是原始图像的亮度，E∞是天空的亮度，β是大气散射系数，d为景深和βd称为光学深度；
(2)对单色大气散射物理模型两边取梯度运算，得到
Figure FDA0002441386180000031
原始图像的梯度场简化为：
Figure FDA0002441386180000032
(3)构造去均值的加权梯度场正则模型，利用梯度方差的倒数作为加权系数，当模糊程度逐渐加大时，加权系数值增加而正则项能量减少，当图像逐渐锐化时，正则项能量加大而加权系数值减少，其数学模型为：
Figure FDA0002441386180000033
其中λ是加权系数而η＝β(I-E∞)为正则项能量；
(4)构造能量泛函，其数学模型为：
Figure FDA0002441386180000034
(5)采用变分法对上述能量泛函求极值，求解出相应的偏微分方程为：
Figure FDA0002441386180000035
(6)采用有限差分法数值求解上述偏微分方程，首先按照迭代收缩阈值算法软阈值收缩出ΔI1，然后基于PCG共轭梯度法在已知点处的梯度上构造一组共轭方向并计算出更逼近于零的步长v，接着通过全变差模式下的惩罚函数法构造能量最小优化式并沿当前方向进行搜索，最后随着惩罚函数逐渐增大，直接二范式求导为0求出目标函数的极小值点，即是最优点时得到最清晰的原始图像；
步骤二：针对高光谱图像出现的脉冲以及散斑噪声，分析常见噪声模型，由于线型奇异特征往往出现在高频细节部分而无效点位置对应的信号强度与其周围信号明显不同；同时其峰值大小远大于左右两个相邻峰值点所对应的数值，因此对含噪高光谱图像进行多尺度小波变换，通过自动搜索无效点的位置来找到噪声信号，最后通过带通滤波器39来获取纹理细节丰富的三维高光谱图像信号，达到去噪的效果，具体去噪过程如下：
通过图像卷积上的高斯核，得到不同平滑程度和不同尺寸大小的图像，从而模拟出高光谱图像数据的多尺度特征，再检测尺度空间极值点，寻找尺度空间的极值点，比较每一个采样点与其相邻点，看采样点的图像域和尺度域是否比相邻点大，然后去除不好的特征点，通过拟和三维二次函数以精确确定关键点的位置和尺度，达到亚像素精度，同时去除低对比度的关键点和不稳定的边缘响应点，用于增强匹配稳定性、提高抗噪声能力，再为每个关键点指定方向参数，为每个特征点计算一个方向，依照这个方向做进一步的计算，利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数，使算子具备旋转不变性，最后，关键点描述子的生成，根据SIFT进行图像的匹配，从而达到降噪的目的；
步骤三：针对高光谱图像存在被水汽吸收以及信噪比明显偏低的波段，分析图像中像素点的光谱信号不连续，存在部分断裂的现象，通过归一化平滑处理方法，实现光谱信号连续化的目的；
连续化处理过程如下：
读入去除波段后的高光谱信号，并判断高光谱信号峰值方向；
利用最小二乘法对信号曲线进行拟合得到高光谱信号的拟合曲线；
在高光谱信号峰值区域，将拟合曲线上各个点值作为信号曲线上对应点的阈值，将高光谱信号曲线上超出阈值的部分全部截断，得到截断曲线；并对得到的曲线再次拟合，直至两次拟合得到的曲线完全重合；
平滑处理过程如下：
选择具有宽度为w的平滑窗口，每个窗口内有奇数个波长点k(2×i+1)，i＝1,2,...,n，用窗口内中心波长点ki以及前后w点处测量值的平均值
Figure FDA0002441386180000041
代替波长点的测量值，自左至右依次移动ki，完成对所有点的平滑处理；
步骤四：划分多端元区域的算法，通过高维低秩分解，进行高光谱图像的语义分割，得到多个离散的小块，通过聚类融合的方法，把相同类型的对象合并为单端元区域，多端元区域以及无端元区域三个不同的区域，通过去除小图斑以及平滑处理，达到高光谱图像分类的目的，划分多端元区域具体包括高维低秩分解方法和聚类划分方法两个部分；
高维低秩分解方法具体包括：利用Tucker分解对高维数据进行分解；用核函数(Φ(X))′Φ(X)将分解后的非线性数据映射到新的特征空间，其中Φ(X)为映射矩阵；利用交替方向法迭代求解，获得低秩分解最优结果；
聚类划分方法具体包括：选择多个决策变量，对每一个决策变量都执行多个扰动，将扰动后的采样解进行归一化，生成直线L以拟合每个归一化的采样解，并计算收敛方向与每个拟合线之间的夹角；用K均值聚类方法，根据每个变量的角度特征将决策变量分为两类，角度较小的变量划分为收敛性相关变量，角度较大的变量划分为多样性相关变量；将收敛性相关变量依照相关性分析分为子组后，对收敛性相关变量进行进一步分析再次分组，进行聚类划分；
步骤五：选择多端元区域，结合现有光谱库来进行多端元解混算法，获得各个独立的端元以及该端元对应的丰度矩阵，多端元解混算法采用TENS对父代种群进行非支配排序，并计算每个解到理想点之间的欧几里德距离，通过独立优化每个子组内的收敛性相关变量来生成子代解进行收敛性变量优化，通过使用模拟二进制交叉算子优化所有多样性相关变量，从种群中生成的n个子代解，然后将子代解和父代解组合，并对组合后的解进行环境选择，进行多样性变量优化。
CN202010266350.8A 2020-04-07 2020-04-07 一种稀疏解混的预处理装置及方法 Active CN111489309B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010266350.8A CN111489309B (zh) 2020-04-07 2020-04-07 一种稀疏解混的预处理装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010266350.8A CN111489309B (zh) 2020-04-07 2020-04-07 一种稀疏解混的预处理装置及方法

Publications (2)

Publication Number Publication Date
CN111489309A true CN111489309A (zh) 2020-08-04
CN111489309B CN111489309B (zh) 2022-04-15

Family

ID=71794759

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010266350.8A Active CN111489309B (zh) 2020-04-07 2020-04-07 一种稀疏解混的预处理装置及方法

Country Status (1)

Country Link
CN (1) CN111489309B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112053302A (zh) * 2020-09-03 2020-12-08 五邑大学 高光谱图像的去噪方法、装置及存储介质
CN113160236A (zh) * 2020-11-30 2021-07-23 齐鲁工业大学 一种光伏电池阴影遮挡的图像识别方法
CN114363532A (zh) * 2021-12-02 2022-04-15 浙江大华技术股份有限公司 聚焦方法以及相关装置
CN115272873A (zh) * 2022-09-27 2022-11-01 山东大学 基于梯度域的高光谱图像非线性特征预处理系统及方法
CN116773960A (zh) * 2023-06-06 2023-09-19 湖南科技大学 优化录波装置布点的单端融合多端混合配电网故障定位法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110213566A1 (en) * 2008-11-24 2011-09-01 Ivica Kopriva Method Of And System For Blind Extraction Of More Than Two Pure Components Out Of Spectroscopic Or Spectrometric Measurements Of Only Two Mixtures By Means Of Sparse Component Analysis
CN105784113A (zh) * 2016-03-08 2016-07-20 深圳市未来媒体技术研究院 区分荧光辐射光谱图像和反射光谱图像的成像系统及方法
CN105829941A (zh) * 2013-12-26 2016-08-03 索尼公司 成像设备和成像透镜
CN109655154A (zh) * 2018-12-29 2019-04-19 重庆工商大学 一种基于高光谱稀疏解混装置
CN110428454A (zh) * 2019-08-13 2019-11-08 电子科技大学中山学院 一种高光谱解混方法、装置、电子设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110213566A1 (en) * 2008-11-24 2011-09-01 Ivica Kopriva Method Of And System For Blind Extraction Of More Than Two Pure Components Out Of Spectroscopic Or Spectrometric Measurements Of Only Two Mixtures By Means Of Sparse Component Analysis
CN105829941A (zh) * 2013-12-26 2016-08-03 索尼公司 成像设备和成像透镜
CN105784113A (zh) * 2016-03-08 2016-07-20 深圳市未来媒体技术研究院 区分荧光辐射光谱图像和反射光谱图像的成像系统及方法
CN109655154A (zh) * 2018-12-29 2019-04-19 重庆工商大学 一种基于高光谱稀疏解混装置
CN110428454A (zh) * 2019-08-13 2019-11-08 电子科技大学中山学院 一种高光谱解混方法、装置、电子设备及存储介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112053302A (zh) * 2020-09-03 2020-12-08 五邑大学 高光谱图像的去噪方法、装置及存储介质
CN112053302B (zh) * 2020-09-03 2023-10-17 五邑大学 高光谱图像的去噪方法、装置及存储介质
CN113160236A (zh) * 2020-11-30 2021-07-23 齐鲁工业大学 一种光伏电池阴影遮挡的图像识别方法
CN114363532A (zh) * 2021-12-02 2022-04-15 浙江大华技术股份有限公司 聚焦方法以及相关装置
CN115272873A (zh) * 2022-09-27 2022-11-01 山东大学 基于梯度域的高光谱图像非线性特征预处理系统及方法
CN115272873B (zh) * 2022-09-27 2023-02-24 山东大学 基于梯度域的高光谱图像非线性特征预处理系统及方法
CN116773960A (zh) * 2023-06-06 2023-09-19 湖南科技大学 优化录波装置布点的单端融合多端混合配电网故障定位法
CN116773960B (zh) * 2023-06-06 2024-04-19 湖南科技大学 优化录波装置布点的单端融合多端混合配电网故障定位法

Also Published As

Publication number Publication date
CN111489309B (zh) 2022-04-15

Similar Documents

Publication Publication Date Title
CN111489309B (zh) 一种稀疏解混的预处理装置及方法
CN108389188B (zh) 一种稀疏高光谱异常目标检测方法
Zhang et al. A fusion algorithm for infrared and visible images based on saliency analysis and non-subsampled Shearlet transform
CN111160407B (zh) 一种深度学习目标检测方法及系统
CN111667433B (zh) 一种基于简单线性迭代聚类优化的无人机图像去雾方法
CN111666854B (zh) 融合统计显著性的高分辨率sar影像车辆目标检测方法
CN109215053A (zh) 一种无人机航拍视频中含暂停状态的运动车辆检测方法
CN115311241A (zh) 一种基于图像融合和特征增强的煤矿井下行人检测方法
Li et al. Infrared-visible image fusion method based on sparse and prior joint saliency detection and LatLRR-FPDE
CN117079117B (zh) 水下图像处理及目标识别的方法及装置、存储介质及电子设备
Paul et al. Edge loss functions for deep-learning depth-map
Liang et al. Robust infrared small target detection using Hough line suppression and rank-hierarchy in complex backgrounds
CN115187688A (zh) 基于大气光偏振正交盲分离的雾图重构方法及电子设备
CN114820733A (zh) 一种可解释的热红外可见光图像配准方法及系统
Liang et al. A Remote Sensing Image Dehazing Method Based on Heterogeneous Priors
CN117152016A (zh) 基于改进暗通道先验的图像去雾方法及其系统
CN110991565A (zh) 基于kcf的目标跟踪优化算法
CN114723627B (zh) 基于改进双边滤波的红外弱小目标预处理方法及装置
Lin et al. Enhancing deep-learning object detection performance based on fusion of infrared and visible images in advanced driver assistance systems
Zhou et al. Low‐light image enhancement for infrared and visible image fusion
Fan et al. Image defogging approach based on incident light frequency
CN109471106B (zh) 结合聚类分析和边界跟踪法的sar海洋内波条纹识别方法
Sheng et al. Fuzzy preprocessing and clustering analysis method of underwater multiple targets in forward looking sonar image for AUV tracking
Schmalz et al. Image-algebraic design of multispectral target recognition algorithms
CN111861907B (zh) 一种高动态范围激光焦斑图像的去噪方法

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