CN113280919A - 目标物体的光谱探测方法、光谱探测装置及存储介质 - Google Patents
目标物体的光谱探测方法、光谱探测装置及存储介质 Download PDFInfo
- Publication number
- CN113280919A CN113280919A CN202110503145.3A CN202110503145A CN113280919A CN 113280919 A CN113280919 A CN 113280919A CN 202110503145 A CN202110503145 A CN 202110503145A CN 113280919 A CN113280919 A CN 113280919A
- Authority
- CN
- China
- Prior art keywords
- spectral
- spectrum
- target object
- detection
- image
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 176
- 238000001514 detection method Methods 0.000 title claims abstract description 83
- 230000003595 spectral effect Effects 0.000 claims abstract description 160
- 238000012545 processing Methods 0.000 claims abstract description 60
- 238000003384 imaging method Methods 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims description 45
- 238000012216 screening Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 241000218642 Abies Species 0.000 description 1
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 239000013076 target substance Substances 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种目标物体的光谱探测方法,所述方法包括:接收光谱视频相机拍摄的视频数据,其中,所述视频数据包含有光谱信息;确定待探测的目标物体及其光谱特性,并基于所述光谱特性与所述光谱信息,对所述视频数据进行选谱成像处理,得到光谱图像;对所述光谱图像进行图像计算处理,以实现对目标物体的探测。本发明还公开了一种目标物体的光谱探测装置及计算机可读存储介质。本发明通过光谱视频相机实时拍摄分辨率高的视频数据,并对视频数据进行选谱成像和图像计算处理来实现对目标物体的光谱探测,进而能够有效提高目标探测的实时性和准确性。
Description
技术领域
本发明涉及光学应用技术领域,尤其涉及一种目标物体的光谱探测方法、光谱探测装置及存储介质。
背景技术
光谱图像目标探测技术主要是依据目标物体与其他物体在光谱特征上存在的异同进行检测识别。现有的常规光谱探测包括:棱镜光谱仪、光栅光谱仪、时空联合调制光谱仪、滤光轮型光谱仪、阿达玛变换光谱仪、傅里叶变换光谱仪等等。
目前,常规光谱探测方式有着其明显的缺点,即时间分辨率低、光谱数据处理量大等。在实际应用中,目标物体在具有相对运动的场景下,也正是因为分辨率低、光谱数据处理量大,给目标物体的探测分析带来了巨大的运算量以及较高的处理复杂度,致使其光谱图像的实时探测效果并不理想。
发明内容
本发明的主要目的在于提供一种目标物体的光谱探测方法、光谱探测装置及存储介质,旨在解决如何实现高分辨率的同时,实时探测目标物体的技术问题。
为实现上述目的,本发明提供的一种目标物体的光谱探测方法,所述方法包括以下步骤:
接收光谱视频相机拍摄的视频数据,其中,所述视频数据包含有光谱信息;
确定待探测的目标物体及其光谱特性,并基于所述光谱特性与所述光谱信息,对所述视频数据进行选谱成像处理,得到光谱图像;
对所述光谱图像进行图像计算处理,以实现对目标物体的探测。
可选地,所述基于所述光谱特性与所述光谱信息,对所述视频数据进行选谱成像处理,得到光谱图像,包括:
根据所述光谱特性与所述光谱信息,对所述视频数据进行谱段筛选,得到特征谱段;
在所述特征谱段下进行成像处理,得到光谱图像。
可选地,所述特征谱段至少包括:目标特征谱段、背景特征谱段、稀疏特征谱段、最高能量特征谱段、最低能量特征谱段中的任一种。
可选地,所述对所述光谱图像进行图像计算处理,以实现对目标物体的探测,包括:
对所述光谱图像进行图像差分和二值化处理,得到最终图像;
根据所述最终图像,得到所述目标物体的探测结果。
可选地,所述图像计算处理,还包括:卷积、傅里叶变换、滤波、去雾处理中的任一种。
可选地,在所述确定待探测的目标物体及其光谱特性之后,所述目标物体的光谱探测方法包括,还包括:
基于所述光谱特性与所述光谱信息,对所述视频数据进行高光谱凝视成像处理,以提取得到所述目标物体的高光谱数据立方体。
可选地,所述对所述光谱图像进行图像计算处理,以实现对目标物体的探测,包括:
根据所述高光谱数据立方体,对所述光谱图像进行识别,得到所述目标物体的探测结果。
可选地,在所述接收光谱视频相机拍摄的视频数据之后,还包括:
对所述视频数据进行解压缩,得到解压缩的视频流数据。
此外,为实现上述目的,本发明还提供一种目标物体的光谱探测装置,所述目标物体的光谱探测装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的光谱探测程序,所述光谱探测程序被所述处理器执行时实现如上述中任一项所述的目标物体的光谱探测方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有光谱探测程序,所述光谱探测程序被处理器执行时实现如上述中任一项所述的目标物体的光谱探测方法的步骤。
本发明通过光谱视频相机实时拍摄分辨率高的视频数据,该视频数据含有光谱信息,并根据光谱信息与待探测目标物体的光谱特性,对该视频数据进行选谱成像和图像计算处理来实现对目标物体的光谱探测,进而能够有效提高目标探测的实时性和准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例方案涉及的光谱探测装置运行环境的结构示意图;
图2为本发明目标物体的光谱探测方法一实施例的流程示意图;
图3为图2步骤S20一实施例的细化流程示意图;
图4为图2步骤S30一实施例的细化流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的光谱探测装置运行环境的结构示意图。
如图1所示,该光谱探测装置可以包括:处理器1001,例如CPU,通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的光谱探测装置的硬件结构并不构成对光谱探测装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及计算机程序。其中,操作系统是管理和控制光谱探测装置和软件资源的程序,支持光谱探测程序以及其它软件和/或程序的运行。
在图1所示的光谱探测装置的硬件结构中,网络接口1004主要用于接入网络;用户接口1003主要用于侦测确认指令和编辑指令等。而处理器1001可以用于调用存储器1005中存储的光谱探测程序,并执行以下操作:
接收光谱视频相机拍摄的视频数据,其中,所述视频数据包含有光谱信息;
确定待探测的目标物体及其光谱特性,并基于所述光谱特性与所述光谱信息,对所述视频数据进行选谱成像处理,得到光谱图像;
对所述光谱图像进行图像计算处理,以实现对目标物体的探测。
进一步地,所述光谱探测装置通过处理器1001调用存储器1005中存储的光谱探测程序,以执行下述操作:
根据所述光谱特性与所述光谱信息,对所述视频数据进行谱段筛选,得到特征谱段;
在所述特征谱段下进行成像处理,得到光谱图像。
可选地,所述特征谱段至少包括:目标特征谱段、背景特征谱段、稀疏特征谱段、最高能量特征谱段、最低能量特征谱段中的任一种。
进一步地,所述光谱探测装置通过处理器1001调用存储器1005中存储的光谱探测程序,以执行下述操作:
对所述光谱图像进行图像差分和二值化处理,得到最终图像;
根据所述最终图像,得到所述目标物体的探测结果。
进一步地,所述光谱探测装置通过处理器1001调用存储器1005中存储的光谱探测程序,以执行下述操作:
卷积、傅里叶变换、滤波、去雾处理中的任一种。
进一步地,所述光谱探测装置通过处理器1001调用存储器1005中存储的光谱探测程序,以执行下述操作:
基于所述光谱特性与所述光谱信息,对所述视频数据进行高光谱凝视成像处理,以提取得到所述目标物体的高光谱数据立方体。
进一步地,所述光谱探测装置通过处理器1001调用存储器1005中存储的光谱探测程序,以执行下述操作:
根据所述高光谱数据立方体,对所述光谱图像进行识别,得到所述目标物体的探测结果。
进一步地,所述光谱探测装置通过处理器1001调用存储器1005中存储的光谱探测程序,以执行下述操作:
对所述视频数据进行解压缩,得到解压缩的视频流数据。
基于上述光谱探测装置硬件结构,提出本发明光谱探测装置运行状态的目标物体的光谱探测方法的各个实施例。
参照图2,图2为本发明目标物体的光谱探测方法一实施例的流程示意图。
本实施例中,目标物体的光谱探测方法包括以下步骤:
步骤S10,接收光谱视频相机拍摄的视频数据,其中,视频数据包含有光谱信息;
本实施例中,光谱是复色光经过色散系统(如棱镜、光栅)分光后,被色散开的单色光按波长(或频率)大小而依次排列的图案,全称为光学频谱。光谱视频相机是通过高分辨率相机对散开的光谱进行采集,能够在短曝光时间内实现光谱的视频采集。现有光谱视频相机种类繁多,在实际使用过程中,可以根据目标在可能覆盖的范围确定,也可以根据不同探测场景人工设置光谱视频相机。同时,光谱视频相机最重要的就是其镜头,一般地,也可以根据作用距离、间分辨率要求、谱段范围要求、视场角等方面,选取合适的镜头。
本实施例中,将光谱视频相机搭载于卫星、车辆、飞行器、船舶等载体平台上,载体平台可以运动,也可以静止,并通过光谱视频相机以视频的方式获取目标场景的光谱信息。光谱视频相机不仅可以分时、高帧频地记录目标场景的光谱视频数据,而且每一帧频图像所记录的谱段范围可以是不同的。光谱视频相机所拍摄的视频数据是动态的、实时的,其拍摄记录的光谱信息是场内所有物体的光谱特性,具有很强的实时性,且空间分辨率高、时间分辨率高,因此,采集的视频数据容量较大,运算分析难度高效率低,因而通常是将采集的视频数据进行压缩,传输到工作站,即本目标物体的光谱探测装置进行数据处理。本光谱探测装置对接收到的视频数据进行解压缩,得到解压缩的视频流数据。进一步地,数据的压缩和解压缩可采用3D-SPECK算法、APWS_RA算法、DWT算法、KLT算法等光谱图像编解码。
步骤S20,确定待探测的目标物体及其光谱特性,并基于光谱特性与光谱信息,对视频数据进行选谱成像处理,得到光谱图像;
本实施例中,任何物体都具有光谱特性,具体来说,它们都具有不同的吸收、反射、辐射光谱的性能。在同一光谱区各物体反映的情况不同,同一物体对不同光谱的反映也有明显差别。即使是同一物体,在不同的时间和地点,由于太阳光照射角度不同,反射和吸收的光谱也各不相同。待探测的目标物体,是在拍摄场景内需要被探索检测到的一个目标物体,其应具体到是什么品种,如人、猫、狗、杉树、黄金、土壤等等。视频数据采集的光谱信息包含有场内所有物体的光谱特性,在对目标的空间特征成像的同时,对每个空间像元经过色散形成几十个乃至几百个窄波段以进行连续的光谱覆盖。因而为提高探测效率降低分析难度,根据确定的需要被探索检测的目标物体的光谱特性,在视频数据中的光谱信息进行匹配、识别、检索。
本实施例中,光谱图像是在光谱的维度进行了细致的分割,不仅仅是传统的黑,白,或者R、G、B的区别,而是在光谱维度上也有N个通道,通过高光谱设备获取的是一个数据立方,不仅有图像的信息,并且在光谱维度上进行展开,结果不仅可以获得图像上每个点的光谱数据,还可以获得任意一个谱段的影像信息。为进一步优化光谱探测处理效率,对视频数据进行选谱成像处理。比如选择600nm和800nm两个谱段的数据进行光谱成像,得到光谱图像。需要说明的是,由于视频数据是连续多帧图像,因而处理得到的是多帧光谱图像。
步骤S30,对光谱图像进行图像计算处理,以实现对目标物体的探测。
本实施例中,利用图像计算处理的方法是为了实现目标增强和背景信号抑制,进而让图像更为简明扼要地得知目标物体的探测情况。图像计算处理包括图像差分方法、阈值二值化法、几何特征识别法,还包括卷积、傅里叶变换、滤波、去雾等。通过多种算法的应用可以将结果更加优化,例如实现目标凸显的效果更好、使背景噪声滤除得更加彻底等目的,从而提高目标物体的探测精度。对光谱图像进行图像计算处理,得到目标物体的探测结果,从而得知目标物体是否存在,以及所在的位置等信息。
本实施例中,提出的目标物体的光谱探测方法,首先是接收光谱视频相机拍摄的视频数据,其中,视频数据包含有光谱信息,然后确定待探测的目标物体及其光谱特性,并基于光谱特性与光谱信息,对视频数据进行选谱成像处理,得到光谱图像,最后对光谱图像进行图像计算处理,以实现对目标物体的探测。由于光谱视频相机实时拍摄的视频数据分辨率高且含有光谱信息,因而对视频数据进行选谱成像和图像计算处理,能够实现对目标物体的光谱探测,进而有效地提高了目标探测的实时性和准确性。
参照图3,图3为图2步骤S20一实施例的细化流程示意图。
基于上述实施例,本实施例中,上述步骤S20中,基于光谱特性与光谱信息,对视频数据进行选谱成像处理,得到光谱图像,包括:
步骤S21,根据光谱特性与光谱信息,对视频数据进行谱段筛选,得到特征谱段;
本实施例中,实际分析过程中所采集的数据都是高维、复杂的数据信息,如何从复杂的数据信息中选择出所需要的基本数据就是光谱特征筛选。光谱特征筛选是通过选择特定区间或特征变量相对集中的区间进行组合处理,然后对所筛选的变量进行下一步操作,这种方法简单、易操作,对于含有稀疏变量,即特征峰相对集中的数据而言计算成本低,可操作性强。比如视频数据记录有光谱范围在400nm-1000nm,假设600nm为某目标物质的特征光谱,那么对视频数据进行谱段筛选就是在视频数据中的光谱信息中筛选出600nm这一谱段的所有物体的光谱数据。
进一步地,特征谱段至少包括:目标特征谱段、背景特征谱段、稀疏特征谱段、最高能量特征谱段、最低能量特征谱段中的任一种。目标特征谱段是目标物体的光谱特性所在谱段。背景特征谱段是背景的光谱特征。稀疏特征谱段,是在稀疏特征下的谱段,其稀疏是对多维数据进行线性分解的一种表示方法。它的稀疏性表现在对每个输入的信号,只有少数几个基函数具有较大的响应输出,而其它基函数的输出接近于零。最高能量特征谱段、最低能量特征谱段顾名思义就是光谱能量最高/最低的谱段。通过多种特征谱段的筛选应用可以将结果更加优化,例如实现目标凸显的效果更好、使背景噪声滤除得更加彻底等目的,从而提高目标物体的探测精度。
步骤S22,在特征谱段下进行成像处理,得到光谱图像。
本实施例中,根据筛选得到的特征谱段,进行成像处理,实现光谱-图像之间的转换。也就是将接收到的光谱视频相机拍摄的视频数据,进行特征筛选,然后成像,得到一个初步数据处理好的光谱图像。光谱图像不仅有图像的信息,并且特征谱段能够在光谱维度上进行展示,进而能够更好的用于目标物体的探测。
参照图4,图4为图2步骤S30一实施例的细化流程示意图。
基于上述实施例,本实施例中,上述步骤S30,对光谱图像进行图像计算处理,以实现对目标物体的探测,包括:
步骤S31,对光谱图像进行图像差分和二值化处理,得到最终图像;
本实施例中,图像差分就是目标场景在连续时间点图像相减的一种图像处理方法。利用图像差分的方法,实现对目标物体的增强显示,还能够起到对背景无用信息的抑制。二值化处理是指图像的二值化使图像中数据量大为减少,从而能凸显出目标的轮廓的一种图像处理方法。利用二值化的方法,能够进一步抑制背景信息。背景信息,即包含了非目标背景信息,也包含了噪声。对光谱图像进行图像差分和二值化处理,得到的是一帧图像。
步骤S32,根据最终图像,得到目标物体的探测结果;
本实施例中,通过图像计算处理后得到的最终图像,可以很明显的得知最终图像里是否存在目标物体,以及目标物体所在位置信息。该方法计算简便,有效提高了探测性能。
进一步地,为提高对应用场景的探测精度,在确定待探测的目标物体及其光谱特性之后,目标物体的光谱探测方法还包括:
基于光谱特性与光谱信息,对视频数据进行高光谱凝视成像处理,以提取得到目标物体的高光谱数据立方体。
本实施例中,采用高光谱凝视成像的处理方式获取的是一个光谱数据立方,具有更加全面的信息,包含了更多的谱段。光谱数据立方体可以应用于多种工作需求,如物质成分识别、光学辐射特性测量等。
进一步地,因为拥有更加全面的多谱段光谱特性参数,可以根据要探测的目标物体的高光谱数据立方体,对光谱图像进行识别,用以得到目标物体的探测结果,从而得知目标物体是否存在,以及所在的位置等信息。
此外,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有光谱探测程序,所述光谱探测程序被处理器执行以下步骤:
接收光谱视频相机拍摄的视频数据,其中,所述视频数据包含有光谱信息;
确定待探测的目标物体及其光谱特性,并基于所述光谱特性与所述光谱信息,对所述视频数据进行选谱成像处理,得到光谱图像;
对所述光谱图像进行图像计算处理,以实现对目标物体的探测。
进一步地,所述光谱探测程序还被处理器执行以下步骤:
根据所述光谱特性与所述光谱信息,对所述视频数据进行谱段筛选,得到特征谱段;
在所述特征谱段下进行成像处理,得到光谱图像。
可选地,所述特征谱段至少包括:目标特征谱段、背景特征谱段、稀疏特征谱段、最高能量特征谱段、最低能量特征谱段中的任一种。
进一步地,所述光谱探测程序还被处理器执行以下步骤:
对所述光谱图像进行图像差分和二值化处理,得到最终图像;
根据所述最终图像,得到所述目标物体的探测结果。
进一步地,所述光谱探测程序还被处理器执行以下步骤:
卷积、傅里叶变换、滤波、去雾处理中的任一种。
进一步地,所述光谱探测程序还被处理器执行以下步骤:
基于所述光谱特性与所述光谱信息,对所述视频数据进行高光谱凝视成像处理,以提取得到所述目标物体的高光谱数据立方体。
进一步地,所述光谱探测程序还被处理器执行以下步骤:
根据所述高光谱数据立方体,对所述光谱图像进行识别,得到所述目标物体的探测结果。
进一步地,所述光谱探测程序还被处理器执行以下步骤:
对所述视频数据进行解压缩,得到解压缩的视频流数据。
本实施例中,提出的目标物体的光谱探测方法,首先是接收光谱视频相机拍摄的视频数据,其中,视频数据包含有光谱信息,然后确定待探测的目标物体及其光谱特性,并基于光谱特性与光谱信息,对视频数据进行选谱成像处理,得到光谱图像,最后对光谱图像进行图像计算处理,以实现对目标物体的探测。由于光谱视频相机实时拍摄的视频数据分辨率高且含有光谱信息,因而对视频数据进行选谱成像和图像计算处理,能够实现对目标物体的光谱探测,进而有效地提高了目标探测的实时性和准确性。
本发明计算机可读存储介质具体实施例与上述目标物体的光谱探测方法的各实施例基本相同,在此不再详细赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个可读存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是计算机、服务器或者网络设备等)执行本发明各个实施例的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,这些均属于本发明的保护之内。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种目标物体的光谱探测方法,其特征在于,所述目标物体的光谱探测方法包括以下步骤:
接收光谱视频相机拍摄的视频数据,其中,所述视频数据包含有光谱信息;
确定待探测的目标物体及其光谱特性,并基于所述光谱特性与所述光谱信息,对所述视频数据进行选谱成像处理,得到光谱图像;
对所述光谱图像进行图像计算处理,以实现对目标物体的探测。
2.如权利要求1所述的目标物体的光谱探测方法,其特征在于,所述基于所述光谱特性与所述光谱信息,对所述视频数据进行选谱成像处理,得到光谱图像,包括:
根据所述光谱特性与所述光谱信息,对所述视频数据进行谱段筛选,得到特征谱段;
在所述特征谱段下进行成像处理,得到光谱图像。
3.如权利要求2所述的目标物体的光谱探测方法,其特征在于,所述特征谱段至少包括:目标特征谱段、背景特征谱段、稀疏特征谱段、最高能量特征谱段、最低能量特征谱段中的任一种。
4.如权利要求1所述的目标物体的光谱探测方法,其特征在于,所述对所述光谱图像进行图像计算处理,以实现对目标物体的探测,包括:
对所述光谱图像进行图像差分和二值化处理,得到最终图像;
根据所述最终图像,得到所述目标物体的探测结果。
5.如权利要求4所述的目标物体的光谱探测方法,其特征在于,所述图像计算处理,还包括:卷积、傅里叶变换、滤波、去雾处理中的任一种。
6.如权利要求1所述的目标物体的光谱探测方法,其特征在于,在所述确定待探测的目标物体及其光谱特性之后,所述目标物体的光谱探测方法,还包括:
基于所述光谱特性与所述光谱信息,对所述视频数据进行高光谱凝视成像处理,以提取得到所述目标物体的高光谱数据立方体。
7.如权利要求6所述的目标物体的光谱探测方法,其特征在于,所述对所述光谱图像进行图像计算处理,以实现对目标物体的探测,包括:
根据所述高光谱数据立方体,对所述光谱图像进行识别,得到所述目标物体的探测结果。
8.如权利要求1所述的目标物体的光谱探测方法,其特征在于,在所述接收光谱视频相机拍摄的视频数据之后,还包括:
对所述视频数据进行解压缩,得到解压缩的视频流数据。
9.一种目标物体的光谱探测装置,其特征在于,所述目标物体的光谱探测装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的光谱探测程序,所述光谱探测程序被所述处理器执行时实现如权利要求1至8中任一项所述的目标物体的光谱探测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有光谱探测程序,所述光谱探测程序被处理器执行时实现如权利要求1至8中任一项所述的目标物体的光谱探测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110503145.3A CN113280919A (zh) | 2021-05-08 | 2021-05-08 | 目标物体的光谱探测方法、光谱探测装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110503145.3A CN113280919A (zh) | 2021-05-08 | 2021-05-08 | 目标物体的光谱探测方法、光谱探测装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113280919A true CN113280919A (zh) | 2021-08-20 |
Family
ID=77278366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110503145.3A Pending CN113280919A (zh) | 2021-05-08 | 2021-05-08 | 目标物体的光谱探测方法、光谱探测装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113280919A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117517261A (zh) * | 2024-01-03 | 2024-02-06 | 中国科学院长春光学精密机械与物理研究所 | 用于光学探测的多帧透过散射介质成像装置及其成像方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101140325A (zh) * | 2007-10-16 | 2008-03-12 | 哈尔滨工业大学 | 高光谱图像的空间-光谱信息协同提高分辨率的方法 |
CN101403702A (zh) * | 2008-11-17 | 2009-04-08 | 天津理工大学 | 一种飞机地面强度试验中疲劳裂纹智能监测方法及装置 |
CN101881726A (zh) * | 2010-06-18 | 2010-11-10 | 北京农业智能装备技术研究中心 | 植物幼苗综合性状活体无损检测方法 |
CN103487380A (zh) * | 2013-09-16 | 2014-01-01 | 浙江科技学院 | 一种梨树叶片上梨锈病斑的识别方法 |
CN103487145A (zh) * | 2013-09-25 | 2014-01-01 | 清华大学 | 多光谱采集系统的标定方法及系统 |
CN103617592A (zh) * | 2013-11-28 | 2014-03-05 | 中国科学院光电研究院 | 基于fpga+多dsp的高光谱图像高速并行处理系统及方法 |
CN106568724A (zh) * | 2016-11-01 | 2017-04-19 | 清华大学 | 光谱曲线预处理及特征挖掘方法及装置 |
CN108124142A (zh) * | 2018-01-31 | 2018-06-05 | 西北工业大学 | 基于rgb景深相机和高光谱相机的图像目标识别系统及方法 |
CN108332853A (zh) * | 2018-01-12 | 2018-07-27 | 四川双利合谱科技有限公司 | 一种基于光谱的车载360度全景目标识别系统 |
CN109271921A (zh) * | 2018-09-12 | 2019-01-25 | 合刃科技(武汉)有限公司 | 一种多光谱成像的智能识别方法及系统 |
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 |
CN110631703A (zh) * | 2019-09-30 | 2019-12-31 | 中国科学院西安光学精密机械研究所 | 一种基于可调谐滤光片的单像素光谱成像系统 |
CN111735538A (zh) * | 2020-06-04 | 2020-10-02 | 中国科学院西安光学精密机械研究所 | 一种机载面阵凝视型高光谱影像光照校正方法 |
-
2021
- 2021-05-08 CN CN202110503145.3A patent/CN113280919A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101140325A (zh) * | 2007-10-16 | 2008-03-12 | 哈尔滨工业大学 | 高光谱图像的空间-光谱信息协同提高分辨率的方法 |
CN101403702A (zh) * | 2008-11-17 | 2009-04-08 | 天津理工大学 | 一种飞机地面强度试验中疲劳裂纹智能监测方法及装置 |
CN101881726A (zh) * | 2010-06-18 | 2010-11-10 | 北京农业智能装备技术研究中心 | 植物幼苗综合性状活体无损检测方法 |
CN103487380A (zh) * | 2013-09-16 | 2014-01-01 | 浙江科技学院 | 一种梨树叶片上梨锈病斑的识别方法 |
CN103487145A (zh) * | 2013-09-25 | 2014-01-01 | 清华大学 | 多光谱采集系统的标定方法及系统 |
CN103617592A (zh) * | 2013-11-28 | 2014-03-05 | 中国科学院光电研究院 | 基于fpga+多dsp的高光谱图像高速并行处理系统及方法 |
CN106568724A (zh) * | 2016-11-01 | 2017-04-19 | 清华大学 | 光谱曲线预处理及特征挖掘方法及装置 |
CN108332853A (zh) * | 2018-01-12 | 2018-07-27 | 四川双利合谱科技有限公司 | 一种基于光谱的车载360度全景目标识别系统 |
CN108124142A (zh) * | 2018-01-31 | 2018-06-05 | 西北工业大学 | 基于rgb景深相机和高光谱相机的图像目标识别系统及方法 |
CN109271921A (zh) * | 2018-09-12 | 2019-01-25 | 合刃科技(武汉)有限公司 | 一种多光谱成像的智能识别方法及系统 |
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 |
CN110631703A (zh) * | 2019-09-30 | 2019-12-31 | 中国科学院西安光学精密机械研究所 | 一种基于可调谐滤光片的单像素光谱成像系统 |
CN111735538A (zh) * | 2020-06-04 | 2020-10-02 | 中国科学院西安光学精密机械研究所 | 一种机载面阵凝视型高光谱影像光照校正方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117517261A (zh) * | 2024-01-03 | 2024-02-06 | 中国科学院长春光学精密机械与物理研究所 | 用于光学探测的多帧透过散射介质成像装置及其成像方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8675989B2 (en) | Optimized orthonormal system and method for reducing dimensionality of hyperspectral images | |
Sun et al. | Compressive sensing hyperspectral imager | |
Aiazzi et al. | Information-theoretic assessment of sampled hyperspectral imagers | |
US9064308B2 (en) | System and method for residual analysis of images | |
US20160065915A1 (en) | Coded spectral imager | |
Tao et al. | Hyperspectral image recovery based on fusion of coded aperture snapshot spectral imaging and RGB images by guided filtering | |
WO2013184358A1 (en) | System and method for rapid cluster analysis of hyperspectral images | |
CN106405546A (zh) | 基于压缩散斑的快速关联成像系统及方法 | |
US20150326878A1 (en) | Selective perceptual masking via scale separation in the spatial and temporal domains using intrinsic images for use in data compression | |
US6766054B1 (en) | Segmentation of an object from a background in digital photography | |
US8704886B2 (en) | Methods and apparatus to form a wavelet representation of a pathology slide having glass and tissue regions | |
KR20200032203A (ko) | 코드화된 애퍼쳐 스펙트럼 이미징 디바이스 | |
CN113280919A (zh) | 目标物体的光谱探测方法、光谱探测装置及存储介质 | |
CN114638758A (zh) | 一种基于压缩感知的光谱成像技术进行受损图像的恢复重构方法 | |
CN106959161B (zh) | 利用基于随机光栅的压缩感知宽波段高光谱成像系统实现消除大气湍流的方法 | |
CN102156872B (zh) | 一种基于多光谱数据的物体识别方法和装置 | |
US10827190B1 (en) | Image compression selection based on interpretability loss estimation | |
Becker et al. | Determination and improvement of spatial resolution for digital aerial images | |
US8805115B2 (en) | Correction of variable offsets relying upon scene | |
Anitha et al. | Quality assessment of resultant images after processing | |
Kerekes et al. | Hyperspectral image quality for unmixing and subpixel detection applications | |
Robinson et al. | Comparison of hyperspectral sub-pixel detection with and without a priori knowledge of target features | |
Damyanov et al. | Super-resolution restoration of low-resolution THz camera images | |
Sankararao et al. | Hyperspectral Image Denoising: A Comparative Study On Uav Based Vegetation Data | |
Dyatmika et al. | An analysis of black fill artefacts noise removal on GRD products Sentinel-1 data |
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 |