CN112115850A - 一种伪装目标与背景光谱一致性分析方法 - Google Patents
一种伪装目标与背景光谱一致性分析方法 Download PDFInfo
- Publication number
- CN112115850A CN112115850A CN202010975742.1A CN202010975742A CN112115850A CN 112115850 A CN112115850 A CN 112115850A CN 202010975742 A CN202010975742 A CN 202010975742A CN 112115850 A CN112115850 A CN 112115850A
- Authority
- CN
- China
- Prior art keywords
- target
- spectrum
- background
- information
- spectral
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种伪装目标与背景光谱一致性分析方法,所述方法包括:伪装目标与背景光谱信息预处理、信息存储、特征光谱建模分析、目标与背景光谱拟合比对、一致性评估;所述输入的伪装目标与背景光谱信息经所述预处理模块的处理后传输至所述信息存储模块进行存储,所述信息存储模块将存储的光谱信息传输至所述特征光谱建模分析模块、目标与背景光谱拟合比对模块;比对结果传输至所述一致性评估模块,最终输出伪装目标与背景的光谱一致性结果。本发明可应用于目标侦察、环境融入性分析等领域,能够在动态场景下实现对目标和其所处背景在光谱维一致性的准确分析和计算,消除因场景变化对目标的光谱信息分析带来的影响。
Description
技术领域
本发明涉及一种地物光谱分析处理、大气辐射校正、伪装目标特性提取、光谱特征建模以及一致性建模比对等,尤其涉及一种伪装目标与背景光谱一致性分析方法,属于遥感科学与技术、伪装隐身技术交叉的地物光谱分析与高光谱伪装技术领域。
背景技术
随着目标检测与识别技术的发展,光谱信息的利用越来越受大家的青睐,通过获取目标所处环境的光谱信息,便可利用目标与背景自身的光谱信息差异从中找出目标位置,同时由于事物的光谱信息由其自身属性所决定因此利用光谱信息还可以对找到的目标进行种类识别,进而通过光谱信息实现对形状、颜色等信息发生改变的目标的识别,因此,光谱信息越来越多的用于目标检测与识别过程之中。
出于光谱数据在目标识别过程中具有的较好效果,感知目标与其周围环境的光谱信息对于目标的发现以及自身与环境融入性分析至关重要,尤其是对于一些需要进行保护的军事目标。当前,大多数的光谱一致性分析方法仅在特定场景下具有较好的性能表现,在目标具有运动属性或场景发生变化的情况下先前建立好的一致性分析模型便难以适应当前的场景,进而无法给出一个能够客观反应当前场景下目标和其所处背景在光谱维度一致性的结果。以往的光谱一致性分析方法在对比目标和其所处背景光谱曲线一致性的时候使用的是特定检测场景下所得的光谱信息,在其计算过程中没有引入时空动态信息,因此当目标所处的场景发生变化时原有的一致性评估模型所得的结果便失去了其有效性。
为解决这一问题,光谱一致性评估模型的输入信息不仅应包含目标和背景当前时空场景的光谱信息,还应具有当前的时空动态信息,只有充分考虑时空因素的一致性评估模型才能较好的适应动态目标的光谱分析。
发明内容
本发明的目的是为了克服动态场景下光谱一致性难以计算的问题而提出一种保留先验知识的一种伪装目标与背景光谱一致性分析方法,该系统可在动态场景下快速计算出能够反应客观事实的目标和其所处背景之间的光谱一致性结果。
本发明的目的是这样实现的:
一种伪装目标与背景光谱一致性分析方法,所述方法包括:伪装目标与背景光谱信息预处理、信息存储、特征光谱建模分析、目标与背景光谱拟合比对、一致性评估;
所述输入的伪装目标与背景光谱信息经所述预处理模块的处理后传输至所述信息存储模块进行存储,所述信息存储模块将存储的光谱信息传输至所述特征光谱建模分析模块、目标与背景光谱拟合比对模块;
所述特征光谱建模分析模块将量化建模的伪装目标与背景光谱信息传输至目标与背景光谱拟合比对模块,与信息存储模块的背景光谱知识、伪装目标光谱知识进行拟合比对,比对结果传输至所述一致性评估模块,最终输出伪装目标与背景的光谱一致性结果。
本发明还包括这样一些特征:
1.所述输入的伪装目标与背景光谱信息包括不同时空场景下目标伪装前后及其所处背景的光谱信息,以及对应背景下的典型地物光谱信息。
2.所述典型地物光谱信息为未受噪声干扰的,地面或近地面测量所得的目标及其所处九倍于目标面积大小的区域背景的光谱信息;一般通过地物光谱仪采集获取。
3.所述预处理模块用于对采集的伪装目标及其背景光谱数据进行辐射校正、降噪处理,同时对典型光谱信息进行增强,便于后续的处理分析;所述预处理模块将预处理后的光谱数据传输至信息存储模块;所述光谱辐射校正方法是针对采集获取的光谱信息对大气辐射所引起的误差进行校正,具体方法包括但不限于大气辐射折算模型法、波段对比法、经验线性法等;所述降噪处理方法包括但不限于:空域滤波法和频域滤波法;所述增强方法包括但不限于:K-L变换和K-T变换;
4.所述信息存储模块包括:伪装目标与背景光谱信息存储单元、背景光谱知识存储单元、伪装目标光谱知识存储单元;所存储信息一方面传输至所述特征光谱建模分析模块,同时传输至所述目标与背景光谱拟合比对模块;所述伪装目标与背景光谱信息存储单元用于存储,经所述预处理模块处理后的不同时空场景下目标伪装前后及其所处背景的光谱信息,以及对应的太阳天顶角/俯仰角、太阳辐照度、风力、风向、能见度等环境数据;所述背景光谱知识存储单元用于存储不同时空场景下九倍于伪装目标面积的区域背景的光谱信息变化规律,具体为不同时空场景下的典型地物光谱信息,以及其他先验知识等信息;所述伪装目标光谱知识存储单元用于存储不同时空场景下目标伪装前后状态对应光谱信息变化规律,具体为不同时空场景下的目标伪装前后状态对应的光谱信息,以及其他先验知识等信息。
5.所述特征光谱建模分析模块包括:特征光谱建模单元、光谱特性分析单元;所述特征光谱建模单元利用特征提取方法分别提取伪装目标和其所处背景的特征,这些特征用于表征目标和其所处背景的光谱特性;所述特征提取方法包括但不限于:基于深度学习方法的特征提取、面向对象方法的特征提取和传统的特征提取方法;所述传统的特征提取方法一般包括:光谱曲线特征提取、光谱变换特征提取、光谱相似度特征提取;所述光谱特性分析单元将伪装目标特征和其所处背景特征进行差异化计算,求取两者差异值并传输至所述目标与背景光谱拟合比对模块;所述差异化计算方法具体为:距离计算、角度计算、相关性计算和信息熵计算。
6.所述目标与背景光谱拟合比对模块包括:光谱连续性拟合单元、光谱特性量化比对单元;所述光谱连续性拟合单元以不同时空场景为自变量进行连续性拟合,得到不同时空场景下伪装目标和其所处背景光谱信息变化规律的多维光谱数据;所述以不同时空场景为自变量的连续性拟合,具体操作为:不同温度、光照强度、能见度、湿度情况下的连续性光谱数据拟合;其中连续拟合方法包括但不限于:折线拟合法和光滑曲线拟合法。
7.所述光谱特性量化比对单元基于权利要求7中的背景光谱知识存储单元和伪装目标光谱知识存储单元,对伪装目标与背景之间的光谱特性在频域上进行量化比对,将比对结果传输至所述一致性评估模块。
8.所述一致性评估模块用于对伪装目标特征和其所处背景特征之间的光谱特性差异进行加权,得出两者特征之间的差异程度,对差异程度进行非线性变换得到二者光谱一致性结果。
9.所述加权方法具体为:线性加权方法和非线性加权方法;所述非线性变换具体为:使用挤压函数将特征差异程度压缩到0~1之间,特征差异大的取值小,特征差异小的取值大。
与现有技术相比,本发明的有益效果是:
本发明提出的一种全景光谱分析系统可应用于目标侦察、环境融入性分析等领域,能够在动态场景下实现对目标和其所处背景在光谱维一致性的准确分析和计算,消除因场景变化对目标的光谱信息分析带来的影响。
附图说明
图1为本发明实施例提出的一种伪装目标与背景光谱一致性分析方法的结构示意图。
图2为本发明实施例提出的一种伪装目标与背景光谱一致性分析方法的信息存储模块组成图。
图3为本发明实施例提出的一种伪装目标与背景光谱一致性分析方法的特征光谱建模分析模块组成图。
图4为本发明实施例提出的一种伪装目标与背景光谱一致性分析方法的目标与背景光谱拟合比对模块组成图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
本发明的目的是这样实现的:提出了一种伪装目标与背景光谱一致性分析方法,包括:伪装目标与背景光谱信息预处理、信息存储、特征光谱建模分析、目标与背景光谱拟合比对、一致性评估;所述系统输入的伪装目标与背景光谱信息经所述预处理模块的处理后传输至所述信息存储模块进行存储,所述信息存储模块将存储的光谱信息一方面传输至所述特征光谱建模分析模块,同时传输至所述目标与背景光谱拟合比对模块;所述特征光谱建模分析模块的结果传输至目标与背景光谱拟合比对模块;所述目标与背景光谱拟合比对模块的结果传输至所述一致性评估模块,最终输出伪装目标与背景的光谱一致性结果。
在一个具体实施例中,所述输入的光谱信息可分为不同时空场景下目标和其所处背景的光谱信息,以及对应场景下的典型地物光谱信息。
在一个具体实施例中,所述典型地物光谱信息为未受噪声干扰的,近距离(地面或近地面)测量所得的目标和其所处背景的光谱信息;具体可通过光谱仪采集。
在一个具体实施例中,所述预处理模块用于对采集的光谱数据进行辐射校正、降噪处理,同时对有用信号进行增强,便于后续模块的处理和分析;所述预处理模块将预处理后的光谱数据传输至信息存储模块。
在一个具体实施例中,所述光谱辐射校正方法是针对采集获取的光谱信息进行大气辐射所引起的误差进行校正,具体方法包括但不限于大气辐射折算模型法、波段对比法、经验线性法等。
在一个具体实施例中,所述降噪处理方法具体包括:空域滤波法和频域滤波法;所述增强方法具体包括:K-L变换和K-T变换。
在一个具体实施例中,所述信息存储模块包括:伪装目标及其背景光谱信息存储单元、背景光谱知识存储单元、伪装目标光谱知识存储单元。
在一个具体实施例中,所述的伪装目标与背景光谱信息存储单元用于存储,经所述预处理模块处理后的不同时空场景下目标伪装前后及其所处背景的光谱信息,以及对应的太阳天顶角/俯仰角、太阳辐照度、风力、风向、能见度等环境数据。
在一个具体实施例中,所述背景光谱知识存储单元用于存储不同时空场景下九倍于伪装目标面积的区域背景的光谱信息变化规律,具体为不同时空场景下的典型地物光谱信息,以及其他先验知识等信息。
在一个具体实施例中,所述伪装目标光谱知识存储单元用于存储不同时空场景下目标伪装前后状态对应光谱信息变化规律,具体为不同时空场景下的目标伪装前后状态对应的光谱信息,以及其他先验知识等信息。
在一个具体实施例中,所述特征光谱建模分析模块包括:特征光谱建模单元、光谱特性分析单元。
在一个具体实施例中,所述特征光谱建模单元利用特征提取方法分别提取伪装目标和其所处背景的特征,这些特征用于表征目标和其所处背景的光谱特性;所述特征提取方法包括但不限于:基于深度学习方法的特征提取、面向对象方法的特征提取和传统的特征提取方法;所述传统的特征提取方法一般包括:光谱曲线特征提取、光谱变换特征提取、光谱相似度特征提取。
在一个具体实施例中,光谱特性分析单元将伪装目标特征和其所处背景特征进行差异化计算,求取两者差异值并传输至所述目标与背景光谱拟合比对模块;所述差异化计算方法具体为:距离计算、角度计算、相关性计算和信息熵计算。
在一个具体实施例中,所述的一种伪装目标与背景光谱一致性分析方法,其特征在于,所述目标与背景光谱拟合比对模块包括:光谱连续性拟合单元、光谱特性量化比对单元。
在一个具体实施例中,所述的目标与背景光谱拟合比对模块,其特征在于,所述光谱连续性拟合单元以不同时空场景为自变量进行连续性拟合,得到不同时空场景下伪装目标和其所处背景光谱信息变化规律的多维光谱数据。
在一个具体实施例中,所述以不同时空场景为自变量的连续性拟合,具体操作为:不同温度、光照强度、能见度、湿度情况下的连续性光谱数据拟合;其中连续拟合方法包括但不限于:折线拟合法和光滑曲线拟合法。
在一个具体实施例中,所述的目标与背景光谱拟合比对模块中的光谱特性量化比对单元,基于背景光谱知识存储单元和伪装目标光谱知识存储单元,对伪装目标与背景之间的光谱特性在频域上进行量化比对,将比对结果传输至所述一致性评估模块。
在一个具体实施例中,所述一致性评估模块用于对伪装目标特征和其所处背景特征之间的光谱特性差异进行加权,得出两者特征之间的差异程度,对差异程度进行非线性变换得到二者光谱一致性结果。
在一个具体实施例中,所述加权方法具体为:线性加权方法和非线性加权方法;所述非线性变换具体为:使用挤压函数将特征差异程度压缩到0~1之间,特征差异大的取值小,特征差异小的取值大。
以此,本发明实施例提出了一种伪装目标与背景光谱一致性分析方法,包括:伪装目标与背景光谱信息预处理、信息存储、特征光谱建模分析、目标与背景光谱拟合比对、一致性评估;所述输入的伪装目标与背景光谱信息经所述预处理模块的处理后传输至所述信息存储模块进行存储,所述信息存储模块将存储的光谱信息传输至所述特征光谱建模分析模块、目标与背景光谱拟合比对模块;
所述特征光谱建模分析模块将量化建模的伪装目标与背景光谱信息传输至目标与背景光谱拟合比对模块,与信息存储模块的背景光谱知识、伪装目标光谱知识进行拟合比对,比对结果传输至所述一致性评估模块,最终输出伪装目标与背景的光谱一致性结果。该方法将先验知识存储到信息存储模块中,在进行动态一致性分析时可直接对已有知识进行调用,从而加快一致性结果的运算速度,提高实时性。
应当理解,前述大体的描述和后续详尽的描述均为示例性说明和解释,并不应当用作对本发明要求保护内容的限制。
在本发明中,将更全面地描述本公开的各种实施例。本公开可具有各种实施例,并且可在其中做出调整和改变。然而,应理解:不存在将本公开的各种实施例限于在此公开的特定实施例的意图。而是应将本公开理解为涵盖落入本公开的各种实施例的精神和范围内的所有调整、等同物和/或可选方案。
在本公开的各种实施例中使用的术语仅用于描述特定实施例的目的并且并非意在限制本公开的各种实施例。如在此所使用,单数形式意在也包括复数形式,除非上下文清楚地另有指示。除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本公开的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本公开的各种实施例中被清楚地限定。
实施例
本发明实施例公开了一种伪装目标与背景光谱一致性分析方法,如图1所示,包括:伪装目标与背景光谱信息预处理、信息存储、特征光谱建模分析、目标与背景光谱拟合比对、一致性评估;
所述输入的伪装目标与背景光谱信息经所述预处理模块的处理后传输至所述信息存储模块进行存储,所述信息存储模块将存储的光谱信息传输至所述特征光谱建模分析模块、目标与背景光谱拟合比对模块;
所述特征光谱建模分析模块将量化建模的伪装目标与背景光谱信息传输至目标与背景光谱拟合比对模块,与信息存储模块的背景光谱知识、伪装目标光谱知识进行拟合比对,比对结果传输至所述一致性评估模块,最终输出伪装目标与背景的光谱一致性结果。
在一个具体实施例中,本实施例的一种伪装目标与背景光谱一致性分析方法,在夏季晴 天中午林地场景下,伪装目标光谱知识存储单元和背景光谱知识存储单元完善后,计算目标 和背景光谱一致性结果,实施步骤如下:
步骤(1)对伪装目标所处背景光谱信息进行预处理,这里涉及的预处理步骤为波段对比法、中值滤波和K-L变换。
步骤(2)预处理后的目标及其所处背景光谱信息经过伪装目标与背景光谱信息存储单元后输入至特征光谱建模分析模块中。
步骤(3)特征光谱建模单元对目标及其所处背景的光谱信息提取其以下特征:光谱吸收特征参数、光谱吸收指数;然后将以上特征传输至特征分析单元。
步骤(4)特征分析单元采用曼哈顿距离计算目标和其所处背景对应特征间的差异。
步骤(5)从伪装模板光谱知识存储单元中提取与当前场景类型一致性情况下的伪装目标光谱数据输入至目标与背景光谱拟合比对模块中。
步骤(6)从伪装目标光谱知识存储单元和背景光谱知识存储单元中提取与当前场景类型一致性情况下的伪装目标光谱数据和背景光谱数据输入至目标与背景光谱拟合比对模块中。
步骤(7)光谱连续性拟合单元对输入的目标和背景光谱数据利用折线拟合法进行拟合操作后光谱特性量化比对单元再对其进行频域量化对比,最终传输至一致性评估模块。
步骤(8)一致性评估模块采用线性加权的方式将各特征差异值转化为一个综合差异值,并使用指数压缩函数将综合差异值转化为光谱一致性结果;其中,y为光谱一致性结果,x为综合差异值,α为调节系数(这里令α=0.1)。
本发明未尽事宜为公知技术。
以上所述,仅是本发明的几种应用实例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做任何修改,等同变化,均落入本发明的保护范围之内。
综上所述:本发明提供了一种伪装目标与背景光谱一致性分析方法,涉及地物光谱分析与高光谱伪装技术领域,包括:伪装目标与背景光谱信息预处理模块、信息存储模块、特征光谱建模分析模块、目标与背景光谱拟合比对模块、一致性评估模块等;所述信息存储模块包括:伪装目标与背景光谱信息存储单元、背景光谱知识存储单元、伪装目标光谱知识存储单元。通过分析伪装目标及其所处背景在光谱信息上的变化规律,对两者的光谱信息在频域上进行连续性比对,并给出伪装目标与背景间的光谱一致性结果。该方法将伪装目标的先验知识存储到信息存储模块中,在进行动态一致性分析时可直接对已有知识进行调用,从而加快一致性结果的运算速度,提高实时性。
Claims (10)
1.一种伪装目标与背景光谱一致性分析方法,其特征在于,所述方法包括:伪装目标与背景光谱信息预处理、信息存储、特征光谱建模分析、目标与背景光谱拟合比对、一致性评估;
所述输入的伪装目标与背景光谱信息经所述预处理模块的处理后传输至所述信息存储模块进行存储,所述信息存储模块将存储的光谱信息传输至所述特征光谱建模分析模块、目标与背景光谱拟合比对模块;
所述特征光谱建模分析模块将量化建模的伪装目标与背景光谱信息传输至目标与背景光谱拟合比对模块,与信息存储模块的背景光谱知识、伪装目标光谱知识进行拟合比对,比对结果传输至所述一致性评估模块,最终输出伪装目标与背景的光谱一致性结果。
2.如权利要求1所述的一种伪装目标与背景光谱一致性分析方法,其特征在于,所述输入的伪装目标与背景光谱信息包括不同时空场景下目标伪装前后及其所处背景的光谱信息,以及对应背景下的典型地物光谱信息。
3.如权利要求2所述的一种伪装目标与背景光谱一致性分析方法,其特征在于,所述典型地物光谱信息为未受噪声干扰的,地面或近地面测量所得的目标及其所处九倍于目标面积大小的区域背景的光谱信息;一般通过地物光谱仪采集获取。
4.如权利要求1所述的一种伪装目标与背景光谱一致性分析方法,其特征在于,所述预处理模块用于对采集的伪装目标及其背景光谱数据进行辐射校正、降噪处理,同时对典型光谱信息进行增强,便于后续的处理分析;所述预处理模块将预处理后的光谱数据传输至信息存储模块;所述光谱辐射校正方法是针对采集获取的光谱信息对大气辐射所引起的误差进行校正,具体方法包括但不限于大气辐射折算模型法、波段对比法、经验线性法等;所述降噪处理方法包括但不限于:空域滤波法和频域滤波法;所述增强方法包括但不限于:K-L变换和K-T变换。
5.如权利要求1所述的一种伪装目标与背景光谱一致性分析方法,其特征在于,所述信息存储模块包括:伪装目标与背景光谱信息存储单元、背景光谱知识存储单元、伪装目标光谱知识存储单元;所存储信息一方面传输至所述特征光谱建模分析模块,同时传输至所述目标与背景光谱拟合比对模块;所述伪装目标与背景光谱信息存储单元用于存储,经所述预处理模块处理后的不同时空场景下目标伪装前后及其所处背景的光谱信息,以及对应的太阳天顶角/俯仰角、太阳辐照度、风力、风向、能见度等环境数据;所述背景光谱知识存储单元用于存储不同时空场景下九倍于伪装目标面积的区域背景的光谱信息变化规律,具体为不同时空场景下的典型地物光谱信息,以及其他先验知识等信息;所述伪装目标光谱知识存储单元用于存储不同时空场景下目标伪装前后状态对应光谱信息变化规律,具体为不同时空场景下的目标伪装前后状态对应的光谱信息,以及其他先验知识等信息。
6.如权利要求1所述的一种伪装目标与背景光谱一致性分析方法,其特征在于,所述特征光谱建模分析模块包括:特征光谱建模单元、光谱特性分析单元;所述特征光谱建模单元利用特征提取方法分别提取伪装目标和其所处背景的特征,这些特征用于表征目标和其所处背景的光谱特性;所述特征提取方法包括但不限于:基于深度学习方法的特征提取、面向对象方法的特征提取和传统的特征提取方法;所述传统的特征提取方法一般包括:光谱曲线特征提取、光谱变换特征提取、光谱相似度特征提取;所述光谱特性分析单元将伪装目标特征和其所处背景特征进行差异化计算,求取两者差异值并传输至所述目标与背景光谱拟合比对模块;所述差异化计算方法具体为:距离计算、角度计算、相关性计算和信息熵计算。
7.如权利要求1所述的一种伪装目标与背景光谱一致性分析方法,其特征在于,所述目标与背景光谱拟合比对模块包括:光谱连续性拟合单元、光谱特性量化比对单元;所述光谱连续性拟合单元以不同时空场景为自变量进行连续性拟合,得到不同时空场景下伪装目标和其所处背景光谱信息变化规律的多维光谱数据;所述以不同时空场景为自变量的连续性拟合,具体操作为:不同温度、光照强度、能见度、湿度情况下的连续性光谱数据拟合;其中连续拟合方法包括但不限于:折线拟合法和光滑曲线拟合法。
8.如权利要求7所述的目标与背景光谱拟合比对模块,其特征在于,所述光谱特性量化比对单元基于权利要求7中的背景光谱知识存储单元和伪装目标光谱知识存储单元,对伪装目标与背景之间的光谱特性在频域上进行量化比对,将比对结果传输至所述一致性评估模块。
9.如权利要求1所述的一种伪装目标与背景光谱一致性分析方法,其特征在于,所述一致性评估模块用于对伪装目标特征和其所处背景特征之间的光谱特性差异进行加权,得出两者特征之间的差异程度,对差异程度进行非线性变换得到二者光谱一致性结果。
10.如权利要求1所述的一种伪装目标与背景光谱一致性分析方法,其特征在于,所述加权方法具体为:线性加权方法和非线性加权方法;所述非线性变换具体为:使用挤压函数将特征差异程度压缩到0~1之间,特征差异大的取值小,特征差异小的取值大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010975742.1A CN112115850B (zh) | 2020-09-16 | 2020-09-16 | 一种伪装目标与背景光谱一致性分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010975742.1A CN112115850B (zh) | 2020-09-16 | 2020-09-16 | 一种伪装目标与背景光谱一致性分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112115850A true CN112115850A (zh) | 2020-12-22 |
CN112115850B CN112115850B (zh) | 2023-01-03 |
Family
ID=73803215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010975742.1A Active CN112115850B (zh) | 2020-09-16 | 2020-09-16 | 一种伪装目标与背景光谱一致性分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112115850B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050228979A1 (en) * | 2004-04-08 | 2005-10-13 | Fujitsu Limited | Stored-program device |
US20110135166A1 (en) * | 2009-06-02 | 2011-06-09 | Harry Wechsler | Face Authentication Using Recognition-by-Parts, Boosting, and Transduction |
CN102879099A (zh) * | 2012-08-08 | 2013-01-16 | 北京建筑工程学院 | 一种基于高光谱成像的壁画信息提取方法 |
CN104897607A (zh) * | 2015-06-18 | 2015-09-09 | 北京工商大学 | 便携式近红外光谱食品建模与快速检测一体化方法和系统 |
CN109580497A (zh) * | 2018-12-13 | 2019-04-05 | 中国国土资源航空物探遥感中心 | 一种基于奇异性理论的高光谱矿物异常信息提取方法 |
CN110210292A (zh) * | 2019-04-23 | 2019-09-06 | 江西理工大学 | 一种基于深度学习的目标识别方法 |
CN110852227A (zh) * | 2019-11-04 | 2020-02-28 | 中国科学院遥感与数字地球研究所 | 高光谱图像深度学习分类方法、装置、设备及存储介质 |
CN111368712A (zh) * | 2020-03-02 | 2020-07-03 | 四川九洲电器集团有限责任公司 | 一种基于深度学习的高光谱图像伪装目标检测方法 |
-
2020
- 2020-09-16 CN CN202010975742.1A patent/CN112115850B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050228979A1 (en) * | 2004-04-08 | 2005-10-13 | Fujitsu Limited | Stored-program device |
US20110135166A1 (en) * | 2009-06-02 | 2011-06-09 | Harry Wechsler | Face Authentication Using Recognition-by-Parts, Boosting, and Transduction |
CN102879099A (zh) * | 2012-08-08 | 2013-01-16 | 北京建筑工程学院 | 一种基于高光谱成像的壁画信息提取方法 |
CN104897607A (zh) * | 2015-06-18 | 2015-09-09 | 北京工商大学 | 便携式近红外光谱食品建模与快速检测一体化方法和系统 |
CN109580497A (zh) * | 2018-12-13 | 2019-04-05 | 中国国土资源航空物探遥感中心 | 一种基于奇异性理论的高光谱矿物异常信息提取方法 |
CN110210292A (zh) * | 2019-04-23 | 2019-09-06 | 江西理工大学 | 一种基于深度学习的目标识别方法 |
CN110852227A (zh) * | 2019-11-04 | 2020-02-28 | 中国科学院遥感与数字地球研究所 | 高光谱图像深度学习分类方法、装置、设备及存储介质 |
CN111368712A (zh) * | 2020-03-02 | 2020-07-03 | 四川九洲电器集团有限责任公司 | 一种基于深度学习的高光谱图像伪装目标检测方法 |
Non-Patent Citations (4)
Title |
---|
R. YASIR 等: ""Data-Driven Multispectral Image Registration,"", 《2018 15TH CONFERENCE ON COMPUTER AND ROBOT VISION 》 * |
R. YASIR 等: ""Data-Driven Multispectral Image Registration,"", 《2018 15TH CONFERENCE ON COMPUTER AND ROBOT VISION 》, 17 December 2018 (2018-12-17), pages 230 - 237 * |
刘凯龙等: "地面目标伪装特征的高光谱成像检测方法", 《解放军理工大学学报(自然科学版)》 * |
刘凯龙等: "地面目标伪装特征的高光谱成像检测方法", 《解放军理工大学学报(自然科学版)》, no. 02, 25 April 2005 (2005-04-25), pages 1 - 5 * |
Also Published As
Publication number | Publication date |
---|---|
CN112115850B (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109636742B (zh) | 基于对抗生成网络的sar图像和可见光图像的模式转换方法 | |
CN111709902B (zh) | 基于自注意力机制的红外和可见光图像融合方法 | |
CN112766199B (zh) | 基于自适应多尺度特征提取模型的高光谱图像分类方法 | |
Hu et al. | Singular value decomposition and local near neighbors for face recognition under varying illumination | |
CN110008948B (zh) | 基于变分自编码网络的高光谱图像目标检测方法 | |
CN107038436B (zh) | 一种基于张量光谱匹配滤波的高光谱图像目标检测方法 | |
CN107145891B (zh) | 一种基于遥感影像的水体提取方法及系统 | |
Zhang et al. | Extraction of tree crowns damaged by Dendrolimus tabulaeformis Tsai et Liu via spectral-spatial classification using UAV-based hyperspectral images | |
CN103116881A (zh) | 基于PCA与Shearlet变换的遥感图像融合方法 | |
CN110751087B (zh) | 一种基于eof的无人机信号识别系统和方法 | |
CN115372282B (zh) | 一种基于无人机高光谱影像的农田土壤含水量监测方法 | |
CN104463808A (zh) | 基于空间相关性的高光谱数据降噪方法及系统 | |
CN112052758B (zh) | 基于注意力机制和循环神经网络的高光谱图像分类方法 | |
CN112669249A (zh) | 结合改进nsct变换和深度学习的红外与可见光图像融合方法 | |
CN112766223A (zh) | 基于样本挖掘与背景重构的高光谱图像目标检测方法 | |
CN104517286A (zh) | 基于自适应阈值分割和组合优化的sar图像配准 | |
CN106504208B (zh) | 基于有序最小值与小波滤波的高光谱图像宽条带去除方法 | |
CN108229426B (zh) | 一种基于差分描述子的遥感图像变化向量变化检测法 | |
CN112115850B (zh) | 一种伪装目标与背景光谱一致性分析方法 | |
CN114067217A (zh) | 基于非下采样分解转换器的sar图像目标识别方法 | |
CN116189021B (zh) | 多分支互交叉注意力增强的无人机多光谱目标检测方法 | |
CN117115675A (zh) | 一种跨时相轻量化空谱特征融合高光谱变化检测方法、系统、设备及介质 | |
CN103530860A (zh) | 基于自适应的自回归模型的高光谱图像超分辨率方法 | |
CN116309221A (zh) | 一种多光谱图像融合模型的构建方法 | |
CN109285148A (zh) | 基于重加权低秩和增强稀疏的红外弱小目标检测方法 |
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 |