CN113177488A - 基于最佳指数波段组合的高光谱图像波段选择方法 - Google Patents
基于最佳指数波段组合的高光谱图像波段选择方法 Download PDFInfo
- Publication number
- CN113177488A CN113177488A CN202110493059.9A CN202110493059A CN113177488A CN 113177488 A CN113177488 A CN 113177488A CN 202110493059 A CN202110493059 A CN 202110493059A CN 113177488 A CN113177488 A CN 113177488A
- Authority
- CN
- China
- Prior art keywords
- band
- image
- wave
- optimal
- calculating
- 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
Links
- 238000010187 selection method Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 102000006463 Talin Human genes 0.000 claims description 24
- 108010083809 Talin Proteins 0.000 claims description 24
- 238000012937 correction Methods 0.000 claims description 21
- 230000001351 cycling effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 10
- 238000002474 experimental method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 239000000443 aerosol Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Abstract
本发明公开了基于最佳指数波段组合的高光谱图像波段选择方法,其包括以下步骤:(1)对高光谱影像进行预处理;(2)对高光谱影像计算各波段的标准差、相关系数矩阵;计算波段标准差、相关系数矩阵;(3)计算高光谱图像波段中任意3个波段组合的最佳指数;第一,利用步骤(2)中的标准差和相关系数矩阵计算高光谱图像波段中任意3个波段组合的最佳指数值,第二,将所有波段组合中的最佳指数值进行降序排列,选择最大值对应的波段组成图像最终的最佳波段。本发明通过最佳指数法进行波段选择,得出最佳波段组合结果更加快速准确,降低了因相关性造成的影像监测精度低的问题。
Description
技术领域
本发明涉及高光谱遥感图像处理,确切地说是基于最佳指数波段组合的高光谱图像波段选择方法。
背景技术
高光谱遥感技术具有观测精密度高、地物观测信息丰富等优势,是现阶段世界范围内遥感研究领域的前沿科技。与此同时,高光谱遥感技术也具有波段数目多、数据量大、处理难度大以及数据信息冗余度高等劣势,限制了其在实践中的广泛应用。鉴于其独特的优势,高光谱遥感技术被应用于其他诸多领域,包括大气监测、植物生长状况调查、作物生产量估算、环境保护监测、地质测量以及资源勘探等领域。为了将遥感获得的光谱图像转化为人类能够进行直观解读的图像,必须通过信息数据处理这一步骤,即对光谱图像所反映的被测物体的特征信息进行识别、提取与解译过程。在光谱信息数据的处理过程中,处理效率以及处理质量是最重要的两个衡量指标。
然而,高光谱遥感数据的波段很多,具有互补性和冗余性。由于高光谱遥感数据固有的特点,随着图像数据中波段数量的增加,实现高分类精度所需的训练样本数量也在增加。经验表明,当训练样本的数量的样本尺寸6-10倍,它可以实现分类精度高的要求,当训练样本的数量100倍的样本维度,它可以实现最佳的分类效果,但它不能满足高光谱图像与数以百计的窄带信息。当训练样本的数量在一定范围内,样品维数与分类精度之间成正比,但当它超过某个维度,分类精度和样本的维数成反比,叫做“维数灾难”。
发明内容
本发明要解决的技术问题是提供一种基于最佳指数波段组合的高光谱图像波段选择方法,该方法通过最佳指数法进行波段选择,得出最佳波段组合结果更加快速准确,降低了因相关性造成的影像监测精度低的问题。
为解决上述技术问题,本发明采用如下技术手段:
基于最佳指数波段组合的高光谱图像波段选择方法,包含以下步骤:
(1)对高光谱影像进行预处理;包括去条带处理及大气校正;
(2)对经步骤(1)处理后的影像运用Toolbox-Statistic-Compute Statistics工具计算各波段的标准差、相关系数矩阵;计算波段标准差、相关系数矩阵具体步骤为:
(a)利用ENVI中Compute Statistics工具计算影像的标准差;
(b)利用ENVI中Compute Statistics工具计算影像的相关系数矩阵:
式中rij为相关系数,rij的取值范围为-1<rrij<1,|rij|的值越接近于1,波段相关性越大,|rij|的值越接近于0,波段相关性越小,式中mi,mj分别为xi,xj的均值,xi,xj分别为第i和第j个波段的N维向量,N为像素总数,E{}表示括号内数学期望;
(3)计算95个波段中任意3个波段组合的最佳指数;计算最佳指数组合波段的步骤如下:(a)利用步骤(2)中的标准差和相关系数矩阵计算95个波段中任意3个波段组合的最佳指数值;
(b)将所有波段组合中的最佳指数值进行降序排列,选择最大值对应的波段组成图像最终的最佳波段。
与现有技术相比,其突出的特点是:
本发明不仅对影像波段进行了坏波段剔除,还在保留原有信息的基础上减弱了波段间的相关性,最大还原了数据的信息,通过最佳波段指数方法获取了低纬度的高光谱影像数据,在保证影像语义的前提下降低了计算量,得出本专利方法下的最佳波段组合。
进一步的优选技术方案如下:
所述的去条带处理,采用ENVI软件打开HJ-1A高光谱影像的波段;对条带现象比较强烈的波段进行去除,在后面的操作中不再考虑这些波段。
在ENVI软件打开HJ-1A高光谱影像的115个波段,如图1所显示的信息,(a)波段1图像,(b)波段10图像,(c)波段18图像,(d)波段25图像;了解单波段影像信息后可以发现,条带现象表现强烈一般是出现在前二十个波段。因此,为提高精度,对条带现象比较强烈的前20个波段进行去除,在后面的操作中不再考虑这些波段。
所述的大气校正,采用FLAASH校正方法进行大气校正,以消除地物光学信息在传输过程中由大气条件对影像的影响。
步骤(3)中波段组合个数有C3 95=830490,根据在Matlab中遍历所有波段进行最佳指数值得计算,具体过程如下:从影像的第一个波段开始依次循环给band1,遍历影像的第一个波段开始依次循环给band2,当band1等于band2时循环继续,否则循环停止;从影像的第一个波段开始依次循环给band3,ifband3==band1||band3==band2如果band3等于band1或者band3等于band2时循环继续,否则循环停止,选定三个计算波段,head=[band1band2 band3],提取计算波段的S和R其中s=[S(band1)S(band2)S(band3)];r=[R(band1,band2)R(band2,band3)R(band1,band3)];oif=sum(s)/sum(r);利用matlab语句Oif=sortrows([Head Oif(2:length(Oif-1))'],-4),计算oif;把波段及对应oif整合起来并对其进行降序排列,利用matlab语句计算xlswrite(filename,Oif,'sheet3')将输出结果写入文件,选出最大的3个波段值作为最佳波段组合。
附图说明
图1是去条带处理时的单波段图像;(a)波段1图像,(b)波段10图像,(c)波段18图像,(d)波段25图像。
图2高光谱数据格式转换图。
图3是中心波长和波段宽度信息图。
图4是大气校正的基础参数图。
图5是大气校正前光谱图。
图6是大气校正后光谱图。
图7是高光谱影像数据图。
图8是波段指数法进行最佳波段选择的影像分类图。
图9是最佳指数法进行最佳波段选择的影像分类图。
图10是本发明的相关性矩阵图。
具体实施方式
下面结合实施例,进一步说明本发明。
基于最佳指数波段组合的高光谱图像波段选择方法,其特征在于包含以下步骤:
(1)对高光谱影像进行预处理;包括去条带处理及大气校正;所述的去条带处理,采用ENVI软件打开HJ-1A高光谱影像的波段;对条带现象比较强烈的波段进行去除,在后面的操作中不再考虑这些波段。在ENVI软件打开HJ-1A高光谱影像的115个波段,如图1所显示的信息,(a)波段1图像,(b)波段10图像,(c)波段18图像,(d)波段25图像;了解单波段影像信息后可以发现,条带现象表现强烈一般是出现在前二十个波段;因此,为提高精度,对条带现象比较强烈的前20个波段进行去除,在后面的操作中不再考虑这些波段;
大气校正,采用FLAASH校正方法进行大气校正,以消除地物光学信息在传输过程中由大气条件对影像的影响。
一般情况下,ENVI当中的FLAASH大气校正工具对所采集的信息输入的时候采用的格式一般是BIP/BIL。BSQ作为HJ-1A高光谱影像的数据的基本格式,但是不能直接做大气校正,应该使用Toolbox-Raster Management-Convert Interleave工具对HJ-1A数据进行数据格式转换。如图2所示。
另一方面,大气校正工作时所收集的信息要有中心波长和波段宽度后才可以对波段信息进行分析处理。输入转换后的数据时,对中心波长和波段宽度信息进行添加,可直接在做大气校正处理时导入中心波长和波段宽度信息的文本文件。如图3所示。
此次的试验的方法是:利用ENVI软件的FLAASH大气校正模块对HJ-1A的高光谱数据进行分析处理,参数如下:
(a)正常启用FLAASH工具,输入处理图像数据后,设置缩放系数为1000;
(b)依据下载图像时带有的XML文档填写成像中心点经纬度,传感器类型,高度信息、成像时间,依据经纬度和成像日期确定大气模型为中纬度的夏季,水汽反演中选择水汽吸收光谱特征为820;
(c)HSI数据由于缺少短波红外波段,气溶胶反演选择None,采用能见度值参与气溶胶去除;
(d)设置初始能见度为40km,用该值反演气溶胶模型;在高级设置中,修改MODTRAN模型的光谱分辨率为50cm-1,不做分块处理,其余默认设置。如图4为大气校正的基础参数。图5和图6是校正前后的信息。两图都是同一点的植被的光谱图,大气校正前后地物光谱曲线差别较大,效果明显,为后面地物信息的提取奠定了良好的数据基础。
(2)对经步骤(1)处理后的影像计算各波段的标准差、相关系数矩阵;计算波段标准差、相关系数矩阵具体步骤为:
(a)利用ENVI中Compute Statistics工具计算影像的标准差;
(b)利用ENVI中Compute Statistics工具计算影像的相关系数矩阵:
式中rij为相关系数,rij的取值范围为-1<rrij<1,|rij|的值越接近于1,波段相关性越大,|rij|的值越接近于0,波段相关性越小,式中mi,mj分别为xi,xj的均值,xi,xj分别为第i和第j个波段的N维向量,N为像素总数,E{}表示括号内数学期望;
(3)计算95个波段中任意3个波段组合的最佳指数;原影像包含115个波段,因前20波段坏条带现象明显,故将这些波段去掉以后剩余95波段,可以将具体的95个波段改为高光谱影像波段。该实验是通过比较2种不同的方法即波段指数法和最佳指数法来获取最佳组合,因最佳指数法将波段限制在3个,所以波段指数法也选择分3组来得到3个波段;计算最佳指数组合波段的步骤如下:
(a)利用步骤(2)中的标准差和相关系数矩阵计算95个波段中任意3个波段组合的最佳指数值;
(b)将所有波段组合中的最佳指数值进行降序排列,选择最大值对应的波段组成图像最终的最佳波段。
步骤(3)中波段组合个数有C3 95=830490,根据在Matlab中遍历所有波段进行最佳指数值得计算,其包含以下步骤:从影像的第一个波段开始依次循环给band1,遍历影像的第一个波段开始依次循环给band2,当band1等于band2时循环继续,否则循环停止;从影像的第一个波段开始依次循环给band3,ifband3==band1||band3==band2如果band3等于band1或者band3等于band2时循环继续,否则循环停止,选定三个计算波段,head=[band1band2 band3],提取计算波段的S和R其中s=[S(band1)S(band2)S(band3)];r=[R(band1,band2)R(band2,band3)R(band1,band3)];oif=sum(s)/sum(r);利用matlab语句Oif=sortrows([Head Oif(2:length(Oif-1))'],-4),计算oif;把波段及对应oif整合起来并对其进行降序排列,利用matlab语句计算xlswrite(filename,Oif,'sheet3')将输出结果写入文件,选出最大的3个波段值作为最佳波段组合。
为了判断哪种方法选择出的最优组合波段最合适,采用通过两种方法[波段指数法、最佳指数法]选择出最优组合波段,再分别利用最优组合波段对高光谱影像进行分类,通过影像分类精度的高低来判断哪种方法选择出的最优组合波段最合适。
第一:波段指数法
依据高光谱影像相邻波段相关系数大小,将波段划分为适合的数据子空间。高光谱影像的95个波段可以依据波段间的相关系数以及灰度图的亮度所反馈的信息来分成三个组,分别是:1.子空间为波段21-30;2.子空间为波段31-78;3.子空间为波段79-115,3组子空间。
基于波段指数法的高光谱图像波段选择方法,包含以下步骤:
(1)计算波段指数,波段指数是从高光谱数据的特点出发,综合考虑图像的信息量和相关性;分别计算每个空间每一波段的波段指数,最后进行波段选择;将高光谱数据分为3组,每组波段数分别为N1,N2,N3,定义波段指数为Pi:
Pi=σi/Ri
Ri=Rw+Ra
式中:σi为第i波段的均方差,Rw为第i波段与所在组内其他波段相关系数的绝对值之和的平均值,Ra为第i波段与所在组以外的其他波段之间的相关系数的绝对值之和。波段指数的意义十分明确,均方差越大,表明波段的离散程度越大,所含的信息量越丰富。而波段的相关系数的绝对值越小,表明通道数据的独立性越强,信息冗余度越小。所以,波段指数P能综合地反映通道信息含量和相关性两个因素,可作为选择波段的重要参数之一。各波段标准差统计表如下:
表1:各波段标准差统计表
(2)将标准差、相关性系数矩阵等数据导入Excel表格中,在表格中运用算法计算。选择出子空间中波段指数靠前的3个波段,如表3所示。
表3:高光谱数据波段指数分组排序表
(3)全部计算完毕后得出结果:
挑选出三个子空间中波段指数最大的波段后,组合成最佳波段合成假彩色影像。表1的信息显示,经过波段指数法的计算后可以得出组合波段为30-78-111。
第二:最佳指数法
1、最佳指数(OIF)运算公式:
式中,OIF是最佳指数因子,Si为第i波段的标准差,Rij为第i波段与第j波段之间的相关系数。
2.最佳指数计算
同样对高光谱遥感影像数据的95个波段(剔除前20个波段后),使用ENVI得到各单波段图像标准差。在95个波段中选出3个波段进行组合,计算所有组合最佳指数,其结果共有830490个结果。本文利用MATLAB软件进行庞大数据的计算。具体代码如下:
3.波段选择
依据最佳指数公式,通过MATLAB编程实现OIF最佳指数的计算后,最佳波段指数越大,表明相应组合图像的相关性越小,信息量越大。将OIF按照从大到小的顺序进行排序。
表2最佳指数表
表中显示的是排名前10种最佳指数波段组合。
最佳指数法选出的最大的波段组合为波段111-112-115。
第三:高光谱影像分类实验
本实验以北京市延庆区及附近区域为研究区域,如图7所示,端元波谱获取选用影像自身的端元平均波谱曲线作为端元,共选择4种端元物质分别为耕地,植被,居民区,水体。本实验采用SAM方法进行信息的识别和提取。
(1)波段指数法进行最佳波段选择的影像分类
使用波段指数法的波段组合30-78-111的影像为输入影像。经过前人经验与试验,参数设置中弧度阈值赋值为0.2弧度。进行分类处理,得到分类结果如图8所示:
(2)最佳指数法进行最佳波段选择的影像分类
使用最佳指数法选择的波段组合111-112-115的影像为输入影像,参数设置中弧度阈值赋值同样设置为0.2弧度,进行分类处理,运行后得到分类结果如图9所示:
(3)结果精度评定
高光谱影像数据分类精度评价的三个主要指标包括:混淆矩阵、总体分类精度、Kappa错分误差三种评价方法。本实验对分类结果使用混淆矩阵法进行精度评价。使用波段指数法进行波段选择得到的波段组合为30-78-111,通过SAM分类,分类后精度为73.2947%。使用最佳指数法进行波段选择得到的波段组合为111-112-115,通过SAM分类,分类后精度为40.7586%。通过对比分类后精度,波段指数法进行波段选择的效果较好,最佳波段选择结果为30-78-111。
本发明不仅对影像波段进行了坏波段剔除,还在保留原有信息的基础上减弱了波段间的相关性,最大还原了数据的信息,通过最佳波段指数方法获取了低纬度的高光谱影像数据,在保证影像语义的前提下降低了计算量,得出本专利方法下的最佳波段组合。
以上所述仅为本发明较佳可行的实施例而已,并非因此局限本发明的权利范围,凡运用本发明说明书及附图内容所作的等效结构变化,均包含于本发明的权利范围之内。
Claims (4)
1.基于最佳指数波段组合的高光谱图像波段选择方法,其特征在于包含以下步骤:
(1)对高光谱影像进行预处理;包括去条带处理及大气校正;
(2)对经步骤(1)处理后的影像计算各波段的标准差、相关系数矩阵;计算波段标准差、相关系数矩阵具体步骤为:
(a)利用ENVI中Compute Statistics工具计算影像的标准差;
(b)利用ENVI中Compute Statistics工具计算影像的相关系数矩阵:
式中rij为相关系数,rij的取值范围为-1<rrij<1,|rij|的值越接近于1,波段相关性越大,|rij|的值越接近于0,波段相关性越小,式中mi,mj分别为xi,xj的均值,xi,xj分别为第i和第j个波段的N维向量,N为像素总数,E{}表示括号内数学期望;
(3)计算去条带处理及大气校正后的波段中任意3个波段组合的最佳指数;计算最佳指数组合波段的步骤如下:
(a)利用步骤(2)中的标准差和相关系数矩阵计算95个波段中任意3个波段组合的最佳指数值;
(b)将所有波段组合中的最佳指数值进行降序排列,选择最大值对应的波段组成图像最终的最佳波段。
2.根据权利要求1所述的基于最佳指数波段组合的高光谱图像波段选择方法,其特征在于:所述的去条带处理,采用ENVI软件打开HJ-1A高光谱影像的波段;对条带现象比较强烈的波段进行去除,在后面的操作中不再考虑这些波段。
3.根据权利要求1所述的基于最佳指数波段组合的高光谱图像波段选择方法,其特征在于:所述的大气校正,采用FLAASH校正方法进行大气校正,以消除地物光学信息在传输过程中由大气条件对影像的影响。
4.根据权利要求1所述的基于最佳指数波段组合的高光谱图像波段选择方法,其特征在于:所述的步骤(3)中波段组合个数有C3 95=830490,根据在Matlab中遍历所有波段进行最佳指数值得计算,其包含以下步骤:从影像的第一个波段开始依次循环给band1,遍历影像的第一个波段开始依次循环给band2,当band1等于band2时循环继续,否则循环停止;从影像的第一个波段开始依次循环给band3,ifband3==band1||band3==band2如果band3等于band1或者band3等于band2时循环继续,否则循环停止,选定三个计算波段,head=[band1 band2 band3],提取计算波段的S和R其中s=[S(band1)S(band2)S(band3)];r=[R(band1,band2)R(band2,band3)R(band1,band3)];oif=sum(s)/sum(r);利用matlab语句Oif=sortrows([Head Oif(2:length(Oif-1))'],-4),计算oif;把波段及对应oif整合起来并对其进行降序排列,利用matlab语句计算xlswrite(filename,Oif,'sheet3')将输出结果写入文件,选出最大的3个波段值作为最佳波段组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110493059.9A CN113177488A (zh) | 2021-05-07 | 2021-05-07 | 基于最佳指数波段组合的高光谱图像波段选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110493059.9A CN113177488A (zh) | 2021-05-07 | 2021-05-07 | 基于最佳指数波段组合的高光谱图像波段选择方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113177488A true CN113177488A (zh) | 2021-07-27 |
Family
ID=76928596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110493059.9A Pending CN113177488A (zh) | 2021-05-07 | 2021-05-07 | 基于最佳指数波段组合的高光谱图像波段选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113177488A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117648537A (zh) * | 2024-01-29 | 2024-03-05 | 华北理工大学 | 基于超光谱技术的大气污染实时监测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101859383A (zh) * | 2010-06-08 | 2010-10-13 | 河海大学 | 基于时间序列重要点分析的高光谱遥感图像波段选择方法 |
CN104122210A (zh) * | 2014-07-02 | 2014-10-29 | 中国林业科学研究院林业研究所 | 一种基于最佳指数-相关系数法的高光谱波段提取方法 |
CN108596077A (zh) * | 2018-04-20 | 2018-09-28 | 南阳理工学院 | 高光谱图像自适应光谱聚焦波段选择方法 |
CN110781831A (zh) * | 2019-10-28 | 2020-02-11 | 北京环境特性研究所 | 基于自适应的高光谱最优波段选择方法和装置 |
CN111272686A (zh) * | 2020-03-19 | 2020-06-12 | 华北理工大学 | 铁矿石选矿粉铁品位的高光谱检测方法 |
-
2021
- 2021-05-07 CN CN202110493059.9A patent/CN113177488A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101859383A (zh) * | 2010-06-08 | 2010-10-13 | 河海大学 | 基于时间序列重要点分析的高光谱遥感图像波段选择方法 |
CN104122210A (zh) * | 2014-07-02 | 2014-10-29 | 中国林业科学研究院林业研究所 | 一种基于最佳指数-相关系数法的高光谱波段提取方法 |
CN108596077A (zh) * | 2018-04-20 | 2018-09-28 | 南阳理工学院 | 高光谱图像自适应光谱聚焦波段选择方法 |
CN110781831A (zh) * | 2019-10-28 | 2020-02-11 | 北京环境特性研究所 | 基于自适应的高光谱最优波段选择方法和装置 |
CN111272686A (zh) * | 2020-03-19 | 2020-06-12 | 华北理工大学 | 铁矿石选矿粉铁品位的高光谱检测方法 |
Non-Patent Citations (4)
Title |
---|
冯振峰等: "基于Hyperion数据的南疆环塔里木盆地经济林树种识别敏感波段选择", 《森林工程》, pages 11 - 13 * |
杨佳等: "基于K-L散度与光谱可分性距离的波段选择算法", 《应用光学》, pages 72 - 75 * |
穆媛芮 等: "新疆西昆仑皮山县赛图拉镇东ASTER影像岩性提取研究", 《西部探矿工程》 * |
穆媛芮 等: "新疆西昆仑皮山县赛图拉镇东ASTER影像岩性提取研究", 《西部探矿工程》, 31 August 2017 (2017-08-31), pages 143 - 145 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117648537A (zh) * | 2024-01-29 | 2024-03-05 | 华北理工大学 | 基于超光谱技术的大气污染实时监测方法及系统 |
CN117648537B (zh) * | 2024-01-29 | 2024-04-02 | 华北理工大学 | 基于超光谱技术的大气污染实时监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110008948B (zh) | 基于变分自编码网络的高光谱图像目标检测方法 | |
CN109858477A (zh) | 用深度森林在复杂环境中识别目标物的拉曼光谱分析方法 | |
CN111161362A (zh) | 一种茶树生长状态光谱影像鉴别方法 | |
CN109472287A (zh) | 基于二维Gabor小波的三维荧光光谱特征提取方法 | |
CN110555395A (zh) | 一种油菜冠层氮素含量等级分类评估方法 | |
CN110781831A (zh) | 基于自适应的高光谱最优波段选择方法和装置 | |
CN116754511A (zh) | 基于光谱技术的吲哚菁绿检测方法及系统 | |
CN114332534B (zh) | 一种高光谱图像小样本分类方法 | |
CN113177488A (zh) | 基于最佳指数波段组合的高光谱图像波段选择方法 | |
CN109580497B (zh) | 一种基于奇异性理论的高光谱矿物异常信息提取方法 | |
CN113850769B (zh) | 一种基于Siamese空谱联合卷积网络的高光谱变化检测方法 | |
Silva et al. | Automatic detection of Flavescense Dorée grapevine disease in hyperspectral images using machine learning | |
CN113421198B (zh) | 一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法 | |
CN112528726B (zh) | 一种基于光谱成像和深度学习的棉蚜虫害监测方法及系统 | |
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 | |
CN109460788B (zh) | 基于低秩-稀疏信息组合网络的高光谱图像分类方法 | |
CN111751295A (zh) | 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用 | |
CN116994126A (zh) | 基于冠层反射率光谱的作物叶面积指数获取方法及装置 | |
CN113570538A (zh) | 一种叶片rgb图像偏态分布参数信息采集及分析方法 | |
CN116403046A (zh) | 一种高光谱影像分类装置及方法 | |
CN113640244B (zh) | 一种基于可见近红外光谱的果树品种鉴别方法 | |
CN112525346B (zh) | 一种基于改进oif的光谱图像最佳波段的选择方法、系统及存储介质 | |
Zhang et al. | Hyperspectral images classification based on multi-scale residual network | |
CN113496218A (zh) | 一种高光谱遥感敏感波段选择方式的评价方法和系统 | |
CN111445543B (zh) | 一种将卷积神经网络编码成光谱透过率的方法 |
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: 20210727 |