CN113496218A - 一种高光谱遥感敏感波段选择方式的评价方法和系统 - Google Patents
一种高光谱遥感敏感波段选择方式的评价方法和系统 Download PDFInfo
- Publication number
- CN113496218A CN113496218A CN202110848629.1A CN202110848629A CN113496218A CN 113496218 A CN113496218 A CN 113496218A CN 202110848629 A CN202110848629 A CN 202110848629A CN 113496218 A CN113496218 A CN 113496218A
- Authority
- CN
- China
- Prior art keywords
- training
- target
- sensitive
- band
- reflectivity
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 52
- 238000003062 neural network model Methods 0.000 claims abstract description 67
- 238000001228 spectrum Methods 0.000 claims abstract description 63
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 60
- 230000003595 spectral effect Effects 0.000 claims abstract description 53
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 191
- 238000002310 reflectometry Methods 0.000 claims description 80
- 238000005070 sampling Methods 0.000 claims description 70
- 238000000034 method Methods 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 description 10
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 8
- 229930002868 chlorophyll a Natural products 0.000 description 8
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 8
- 238000011426 transformation method Methods 0.000 description 5
- 241000195628 Chlorophyta Species 0.000 description 4
- 241000199913 Crypthecodinium Species 0.000 description 4
- 241000192700 Cyanobacteria Species 0.000 description 4
- 241000199914 Dinophyceae Species 0.000 description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 4
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 229910052757 nitrogen Inorganic materials 0.000 description 4
- 229910052698 phosphorus Inorganic materials 0.000 description 4
- 239000011574 phosphorus Substances 0.000 description 4
- 239000012286 potassium permanganate Substances 0.000 description 4
- 238000010187 selection method Methods 0.000 description 4
- 230000009977 dual effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000008239 natural water Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000003340 combinatorial analysis Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请公开了一种高光谱遥感敏感波段选择方式的评价方法和系统。首先利用训练后的待评价波段选择神经网络模型对所述目标光谱曲线进行分析,选择出目标敏感波段;再通过目标敏感波段的光谱曲线对目标区域的水质指标含量进行估计,得到目标估计值;最后,计算目标估计值和目标实测值的相关系数、均方根误差和相对误差,通过这三个参数中的至少一个对待评价波段选择神经网络模型进行评价。结合神经网络算法和相关系数等参数可以对各种波段选择方式进行客观评价,以供研究人员参考选择,提高高光谱遥感的精确性。
Description
技术领域
本申请涉及高光谱遥感技术领域,特别涉及一种高光谱遥感敏感波段选择方式的评价方法和系统。
背景技术
高光谱遥感是用很窄而连续的光谱通道对地物持续遥感成像的技术。高光谱遥感由于其高精度、多波段、信息量大等特点,在水库、湖泊等大面积水体区域得到了广泛应用,主要用于监测水体的水质。对于悬浮物浓度、浑度、透明度、叶绿素a等光敏参数,其监测效果较好,而对非光敏参数如总磷、总氮、氨氮、高锰酸钾指数等指标其监测效果不佳。因此,需要对高光谱遥感所获取的众多光谱波段图像中,选取最佳敏感波段进行水质监测。
目前研究者通常通过采样点处的光谱数据与采样的实测数据进行相关性分析来选择一个最佳敏感波段,对于其他高光谱遥感敏感波段选择方式没有较好的比较和评价方法。
发明内容
本申请的目的在于提供一种高光谱遥感敏感波段选择方式的评价方法和系统,其能够改善上述问题。
本申请的实施例是这样实现的:
一方面,本申请提供一种高光谱遥感敏感波段选择方式的评价方法,其包括:
获取目标区域的高光谱图像,在高光谱图像中提取目标采样点的光谱曲线作为目标光谱曲线;
通过训练后的待评价波段选择神经网络模型对所述目标光谱曲线进行分析,选择出敏感波段作为目标敏感波段;
通过所述目标敏感波段的所述目标光谱曲线,判断所述目标采样点的水质指标含量估计值作为目标估计值;
计算所述目标估计值和目标实测值的相关系数、均方根误差和相对误差;
通过所述相关系数的绝对值、所述均方根误差的绝对值和所述相对误差的绝对值中的至少一个参数对所述待评价波段选择神经网络模型进行评价。
可以理解,本申请公开了一种高光谱遥感敏感波段选择方式的评价方法。首先利用训练后的待评价波段选择神经网络模型对所述目标光谱曲线进行分析,选择出目标敏感波段;再通过目标敏感波段的光谱曲线对目标区域的水质指标含量进行估计,得到目标估计值;最后,计算目标估计值和目标实测值的相关系数、均方根误差和相对误差,通过这三个参数中的至少一个对待评价波段选择神经网络模型进行评价。由于待评价波段选择神经网络模型进行评价是由待评价波段选择方式训练出来的,因此对待评价波段选择神经网络模型进行评价,也就是对待评价波段选择方式进行评价。结合神经网络算法和相关系数等参数可以对各种波段选择方式进行客观评价,以供研究人员参考选择,提高高光谱遥感的精确性。
在本申请可选的实施例中,所述通过所述相关系数的绝对值、所述均方根误差的绝对值和所述相对误差的绝对值中的至少一个参数对所述待评价波段选择神经网络模型进行评价,包括:
在所述相关系数大于第一阈值的情况下,判断所述待评价波段选择神经网络模型性能优异;
在所述均方根误差小于第二阈值的情况下,判断所述待评价波段选择神经网络模型性能优异;
在所述相对误差小于第三阈值的情况下,判断所述待评价波段选择神经网络模型性能优异。
其中,相关系数是用来衡量反演结果与实测值的相关性的,相关系数越大反演结果与实测值的相关性越好。因此在相关系数大于第一阈值的情况下,判断待评价波段选择神经网络模型性能优异。其中第一阈值的具体值可有技术人员根据具体情况设置,其目的是为了筛选出性能优异的波段选择神经网络模型。
其中,均方根误差是用来评价反演结果与实测值的接近程度的,均方根误差越小反演值与实测值越接近。因此均方根误差小于第二阈值的情况下,判断所述待评价波段选择神经网络模型性能优异。其中第二阈值的具体值可有技术人员根据具体情况设置,其目的是为了筛选出性能优异的波段选择神经网络模型。
其中,相对误差是用来分析各个测试数据的反演值与对应实测值的误差大小的,相对误差越小表明模型的稳定性好。因此相对误差小于第三阈值的情况下,判断所述待评价波段选择神经网络模型性能优异。其中第三阈值的具体值可有技术人员根据具体情况设置,其目的是为了筛选出性能优异的波段选择神经网络模型。
在本申请可选的实施例中,所述计算所述目标估计值和目标实测值的相关系数、均方根误差和相对误差,包括:
通过下式计算所述目标估计值和所述目标实测值的所述相关系数:
通过下式计算所述目标估计值和所述目标实测值的均方根误差:
通过下式计算所述目标估计值和所述目标实测值的所述相对误差:
其中,表示第i个所述目标采样点的所述目标实测值,表示第i个所述目标采样点的所述目标估计值,n表示所述目标采样点的个数,表示所有所述目标采样点的所述目标实测值的平均值,表示所有所述目标采样点的所述目标估计值的平均值。
在本申请可选的实施例中,所述方法还包括:获取目标区域中目标采样点的水质指标含量实测值作为所述目标实测值。
在本申请实施例中,可以对目标区域的多个采样点进行水质采样,并通过相关仪器检测出每个采样点的水质含量参数。其中,水质指标含量可以包括:悬浮物浓度、浑度、透明度、叶绿素a等光敏参数,以及总磷、总氮、氨氮、高锰酸钾指数等非光敏参数。
举例说明,可以通过浮游植物分类荧光仪对自然水体中的蓝藻、绿藻、硅/甲藻和隐藻进行分类,测量水样中蓝藻、绿藻、硅/甲藻和隐藻的叶绿素 a 含量(定量)和总叶绿素a 含量。
在本申请可选的实施例中,在所述通过训练后的待评价波段选择神经网络模型对所述目标光谱曲线进行分析,选择出目标敏感波段之前,所述方法还包括:
获取所述目标区域的高光谱图像,在所述高光谱图像中提取多个训练采样点的光谱曲线作为训练光谱曲线;
通过待评价波段选择方式在所述训练光谱曲线中选择出敏感波段作为训练敏感波段;
通过多个所述训练光谱曲线和对应的所述训练敏感波段对神经网络模型进行神经网络训练,得到训练后的所述待评价波段选择神经网络模型。
可以理解,高光谱图像的波段多、信息量大,必然带来大量信息的冗余,因此非常有必要在高光谱图像中选择敏感波段进行进一步分高光谱遥感分析。经过训练的待评价波段选择神经网络模型可以模拟待评价波段选择方式对高光谱图像中任意采集点的光谱曲线进行敏感波段的提取。
在本申请可选的实施例中,所述方法还包括:
获取所述目标区域中多个训练采样点的水质指标含量实测值作为训练实测值;
所述通过待评价波段选择方式在所述训练光谱曲线中选择出敏感波段作为训练敏感波段,包括:
对所述训练光谱曲线中的反射率进行数学变换,得到变换训练光谱曲线;
通过各个波段的所述变换训练光谱曲线分别判断对应的所述训练采样点的水质指标含量估计值,作为训练估计值;
计算所述训练估计值和对应所述训练实测值的相关系数,作为训练相关系数;
选择最大的所述训练相关系数绝对值对应的波段作为所述训练敏感波段。
可以理解,上述待评价波段选择方式即为相关系数分析法。
在本申请可选的实施例中,所述对所述训练光谱曲线中的反射率进行数学变换,包括:
对所述训练光谱曲线中的所述反射率进行求对数,得到所述反射率的对数;
或者,对所述训练光谱曲线中的所述反射率进行求倒数,得到所述反射率的倒数;
或者,对所述训练光谱曲线中的所述反射率进行求对数的倒数,得到所述反射率的对数的倒数;
或者,对所述训练光谱曲线中的所述反射率进行求指数,得到所述反射率的指数。
在本申请可选的实施例中,所述方法还包括:
获取所述目标区域中多个训练采样点的水质指标含量实测值作为训练实测值;
所述通过待评价波段选择方式在所述训练光谱曲线中选择出敏感波段作为训练敏感波段,包括:
对所述训练光谱曲线的波长范围内任意选出第一波段和第二波段,所述第一波段对应的反射率为第一反射率,所述第二波段对应的反射率为第二反射率;
对所述第一反射率和所述第二反射率进行数学计算,得到合并反射率;
列出所述训练光谱曲线的波长范围内所有所述合并反射率的组合,形成双波段组合训练光谱曲线;
通过各个波段的所述双波段组合训练光谱曲线分别判断对应的所述训练采样点的水质指标含量估计值,作为训练估计值;
计算所述训练估计值和对应所述训练实测值的相关系数,作为训练相关系数;
选择最大的所述训练相关系数绝对值对应的所述第一波段和所述第二波段作为所述训练敏感波段。
可以理解,上述待评价波段选择方式即为双波段组合分析法。双波段的不同组合能很好的增强相关特征信息。
在本申请可选的实施例中,所述对所述第一反射率和所述第二反射率进行数学计算,得到合并反射率,包括:
通过以下公式对所述第一反射率和所述第二反射率进行计算,得到比值指数:
或者,通过以下公式对所述第一反射率和所述第二反射率进行计算,得到差值指数:
通过以下公式对所述第一反射率R1和所述第二反射率R2进行计算,得到差值归一化指数:
在本申请可选的实施例中,所述方法还包括:
获取所述目标区域中多个训练采样点的水质指标含量实测值作为训练实测值;
所述通过待评价波段选择方式在所述训练光谱曲线中选择出敏感波段作为训练敏感波段,包括:
通过各个波段的所述训练光谱曲线分别判断对应的所述训练采样点的水质指标含量估计值,作为训练估计值;
计算所述训练估计值和对应所述训练实测值的相关系数,作为训练相关系数;
按照所述训练相关系数绝对值由大到小排列对应的波段,得到排列顺序;
依照所述排列顺序在所述训练光谱曲线的多个波段中选择部分波段作为所述训练敏感波段。
可以理解,上述待评价波段选择方式即为多波段组合分析法。
另一方面,本申请提供一种高光谱遥感敏感波段选择方式的评价系统,包括:无人机、水质检测装置和评价装置;所述无人机与所述评价装置相互通信;
所述无人机上设置有高光谱镜头,所述高光谱镜头用于获取目标区域的高光谱图像,在高光谱图像中提取目标采样点的光谱曲线作为目标光谱曲线;
所述水质检测装置用于获取目标区域中目标采样点的水质指标含量实测值作为目标实测值;
所述评价装置包括:目标敏感波段选取模块、目标估计值计算模块、评价参数计算模块和评价模块;
所述目标敏感波段选取模块,用于通过训练后的待评价波段选择神经网络模型对所述目标光谱曲线进行分析,选择出敏感波段作为目标敏感波段;
所述目标估计值计算模块,用于通过所述目标敏感波段的所述目标光谱曲线,判断所述目标采样点的水质指标含量估计值作为目标估计值;
所述评价参数计算模块,用于计算所述目标估计值和目标实测值的相关系数、均方根误差和相对误差;
所述评价模块,用于通过所述相关系数的绝对值、所述均方根误差的绝对值和所述相对误差的绝对值中的至少一个参数对所述待评价波段选择神经网络模型进行评价。
有益效果:
本申请公开了一种高光谱遥感敏感波段选择方式的评价方法和系统。首先利用训练后的待评价波段选择神经网络模型对所述目标光谱曲线进行分析,选择出目标敏感波段;再通过目标敏感波段的光谱曲线对目标区域的水质指标含量进行估计,得到目标估计值;最后,计算目标估计值和目标实测值的相关系数、均方根误差和相对误差,通过这三个参数中的至少一个对待评价波段选择神经网络模型进行评价。由于待评价波段选择神经网络模型进行评价是由待评价波段选择方式训练出来的,因此对待评价波段选择神经网络模型进行评价,也就是对待评价波段选择方式进行评价。结合神经网络算法和相关系数等参数可以对各种波段选择方式进行客观评价,以供研究人员参考选择,提高高光谱遥感的精确性。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举可选实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1是本申请提供的一种高光谱遥感敏感波段选择方式的评价方法的流程示意图;
图2是本申请提供的一种待评价波段选择神经网络模型使用方法和训练方法的示意图;
图3是本申请提供的一种高光谱图像示意图;
图4是利用多波段组合分析法选择的敏感波段进行高光谱遥感所得到的目标估计值和目标实测值之间的相关系数、均方根误差和相对误差示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
如图1和图2所示,本申请提供一种高光谱遥感敏感波段选择方式的评价方法,其包括:
110、获取目标区域的高光谱图像,在高光谱图像中提取目标采样点的光谱曲线作为目标光谱曲线。
在本申请实施例中,目标区域的高光谱图像中的每一个采样点都对应有一个光谱曲线。该光谱曲线的横坐标为波长,纵坐标为反射率,可以通过对比光谱曲线与标准光谱曲线来判断对应采样点位置的物质情况。
举例说明,如图3所示,以养殖池溏或者尾水处理区为目标区域,可以对目标区域内的多个点进行采样,其中一部分采样点可以作为目标采样点。通过对比目标采样点的光谱曲线与标准光谱曲线,可以判断出该目标采样点处的水质指标含量。水质指标含量可以包括:悬浮物浓度、浑度、透明度、叶绿素a等光敏参数,以及总磷、总氮、氨氮、高锰酸钾指数等非光敏参数。
120、通过训练后的待评价波段选择神经网络模型对目标光谱曲线进行分析,选择出敏感波段作为目标敏感波段。
由于高光谱图像的波段多、信息量大,必然带来大量信息的冗余,因此非常有必要在高光谱图像中选择敏感波段进行进一步分高光谱遥感分析。经过训练的待评价波段选择神经网络模型可以对高光谱图像中任意目标采集点的目标光谱曲线进行敏感波段的提取,得到目标敏感波段。
130、通过目标敏感波段的目标光谱曲线,判断目标采样点的水质指标含量估计值作为目标估计值。
140、计算目标估计值和目标实测值的相关系数、均方根误差和相对误差。
在本申请可选的实施例中,计算目标估计值和目标实测值的相关系数、均方根误差和相对误差,包括:
通过下式计算目标估计值和目标实测值的相关系数:
通过下式计算目标估计值和目标实测值的均方根误差:
通过下式计算目标估计值和目标实测值的相对误差:
150、通过相关系数的绝对值、均方根误差的绝对值和相对误差中的绝对值的至少一个参数对待评价波段选择神经网络模型进行评价。
在本申请可选的实施例中,通过相关系数的绝对值、均方根误差的绝对值和相对误差的绝对值中的至少一个参数对待评价波段选择神经网络模型进行评价,包括:
在相关系数的绝对值大于第一阈值的情况下,判断待评价波段选择神经网络模型性能优异;
在均方根误差的绝对值小于第二阈值的情况下,判断待评价波段选择神经网络模型性能优异;
在相对误差的绝对值小于第三阈值的情况下,判断待评价波段选择神经网络模型性能优异。
其中,相关系数是用来衡量反演结果与实测值的相关性的,相关系数的绝对值越大反演结果与实测值的相关性越好。因此在相关系数的绝对值大于第一阈值的情况下,判断待评价波段选择神经网络模型性能优异。其中第一阈值的具体值可有技术人员根据具体情况设置,其目的是为了筛选出性能优异的波段选择神经网络模型。
其中,均方根误差是用来评价反演结果与实测值的接近程度的,均方根误差的绝对值越小反演值与实测值越接近。因此均方根误差的绝对值小于第二阈值的情况下,判断待评价波段选择神经网络模型性能优异。其中第二阈值的具体值可有技术人员根据具体情况设置,其目的是为了筛选出性能优异的波段选择神经网络模型。
其中,相对误差是用来分析各个测试数据的反演值与对应实测值的误差大小的,相对误差的绝对值越小表明模型的稳定性好。因此相对误差的绝对值小于第三阈值的情况下,判断待评价波段选择神经网络模型性能优异。其中第三阈值的具体值可有技术人员根据具体情况设置,其目的是为了筛选出性能优异的波段选择神经网络模型。
可以理解,本申请公开了一种高光谱遥感敏感波段选择方式的评价方法。首先利用训练后的待评价波段选择神经网络模型对目标光谱曲线进行分析,选择出目标敏感波段;再通过目标敏感波段的光谱曲线对目标区域的水质指标含量进行估计,得到目标估计值;最后,计算目标估计值和目标实测值的相关系数、均方根误差和相对误差,通过这三个参数中的至少一个对待评价波段选择神经网络模型进行评价。由于待评价波段选择神经网络模型进行评价是由待评价波段选择方式训练出来的,因此对待评价波段选择神经网络模型进行评价,也就是对待评价波段选择方式进行评价。结合神经网络算法和相关系数等参数可以对各种波段选择方式进行客观评价,以供研究人员参考选择,提高高光谱遥感的精确性。
在本申请可选的实施例中,方法还包括:获取目标区域中目标采样点的水质指标含量实测值作为目标实测值。
在本申请实施例中,可以对目标区域的多个采样点进行水质采样,并通过相关仪器检测出每个采样点的水质含量参数。其中,水质指标含量可以包括:悬浮物浓度、浑度、透明度、叶绿素a等光敏参数,以及总磷、总氮、氨氮、高锰酸钾指数等非光敏参数。
举例说明,可以通过浮游植物分类荧光仪对自然水体中的蓝藻、绿藻、硅/甲藻和隐藻进行分类,测量水样中蓝藻、绿藻、硅/甲藻和隐藻的叶绿素 a 含量(定量)和总叶绿素a 含量。
在本申请可选的实施例中,在通过训练后的待评价波段选择神经网络模型对目标光谱曲线进行分析,选择出目标敏感波段之前,方法还包括:
161、获取目标区域的高光谱图像,在高光谱图像中提取多个训练采样点的光谱曲线作为训练光谱曲线。
如图2所示,对目标区域内的多个点进行采样,其中一部分采样点可以作为目标采样点,另一部分则可以作为训练采样点。
162、通过待评价波段选择方式在训练光谱曲线中选择出敏感波段作为训练敏感波段。
163、通过多个训练光谱曲线和对应的训练敏感波段对神经网络模型进行神经网络训练,得到训练后的待评价波段选择神经网络模型。
可以理解,高光谱图像的波段多、信息量大,必然带来大量信息的冗余,因此非常有必要在高光谱图像中选择敏感波段进行进一步分高光谱遥感分析。经过训练的待评价波段选择神经网络模型可以模拟待评价波段选择方式对高光谱图像中任意采集点的光谱曲线进行敏感波段的提取。
在本申请可选的实施例中,方法还包括:获取目标区域中多个训练采样点的水质指标含量实测值作为训练实测值。
其中,通过待评价波段选择方式在训练光谱曲线中选择出敏感波段作为训练敏感波段,具体包括:
A1、对训练光谱曲线中的反射率进行数学变换,得到变换训练光谱曲线。
A2、通过各个波段的变换训练光谱曲线分别判断对应的训练采样点的水质指标含量估计值,作为训练估计值。
A3、计算训练估计值和对应训练实测值的相关系数,作为训练相关系数。
A4、选择最大的训练相关系数绝对值对应的波段作为训练敏感波段。
可以理解,上述待评价波段选择方式即为相关系数分析法。
在本申请可选的实施例中,对训练光谱曲线中的反射率进行数学变换,包括:
对训练光谱曲线中的反射率进行求对数,得到反射率的对数;
或者,对训练光谱曲线中的反射率进行求倒数,得到反射率的倒数;
或者,对训练光谱曲线中的反射率进行求对数的倒数,得到反射率的对数的倒数;
或者,对训练光谱曲线中的反射率进行求指数,得到反射率的指数。
举例说明,以图3为例,以以养殖池溏为目标区域,选择其中40个采样点为训练采样点,对这些训练采样点对应的训练光谱曲线的纵坐标作不同的数学变换,并计算出每一种数学变换对应得到的训练敏感波段和训练相关系数,如表1所示。可以看出,求倒数的变换方式得到的训练敏感波段的训练相关系数绝对值最大,因此求倒数的变换方式所得到的训练敏感波段最准确。但是,也可以看出任何数学变换方法得到的训练敏感波段都是95号波段,因此可以理解,通过数学变换的方式对选取训练敏感波段的影响不大。
表1、数学变换方法、训练敏感波段和训练相关系数的对应关系
其中,通过待评价波段选择方式在训练光谱曲线中选择出敏感波段作为训练敏感波段,包括:
B1、对训练光谱曲线的波长范围内任意选出第一波段和第二波段,第一波段对应的反射率为第一反射率,第二波段对应的反射率为第二反射率。
B2、对第一反射率和第二反射率进行数学计算,得到合并反射率。
B3、列出训练光谱曲线的波长范围内所有合并反射率的组合,形成双波段组合训练光谱曲线。
B4、通过各个波段的双波段组合训练光谱曲线分别判断对应的训练采样点的水质指标含量估计值,作为训练估计值。
B5、计算训练估计值和对应训练实测值的相关系数,作为训练相关系数。
B6、选择最大训练相关系数对应的第一波段和第二波段作为训练敏感波段。
可以理解,上述待评价波段选择方式即为双波段组合分析法。双波段的不同组合能很好的增强相关特征信息。
在本申请可选的实施例中,对第一反射率和第二反射率进行数学计算,得到合并反射率,包括:
通过以下公式对第一反射率和第二反射率进行计算,得到比值指数:
或者,通过以下公式对第一反射率和第二反射率进行计算,得到差值指数:
通过以下公式对第一反射率R1和第二反射率R2进行计算,得到差值归一化指数:
举例说明,以图3为例,以以养殖池溏为目标区域,选择其中40个采样点为训练采样点,对这些训练采样点对应的训练光谱曲线
中400nm到1000nm波段范围内任意选择两个波段分别作为第一波段和第二波段进行反射率变换计算,并计算出反射率变换对应得到的训练敏感波段和训练相关系数,如表2所示。可以看出,差值指数变换方式得到的训练敏感波段的训练相关系数绝对值最大,因此差值指数变换方式所得到的训练敏感波段最准确。
表2、双波段组合分析法、训练敏感波段和训练相关系数的对应关系
其中,通过待评价波段选择方式在训练光谱曲线中选择出敏感波段作为训练敏感波段,包括:
C1、通过各个波段的训练光谱曲线分别判断对应的训练采样点的水质指标含量估计值,作为训练估计值。
C2、计算训练估计值和对应训练实测值的相关系数,作为训练相关系数。
C3、按照训练相关系数的绝对值由大到小排列对应的波段,得到排列顺序。
C4、依照排列顺序在训练光谱曲线的多个波段中选择部分波段作为训练敏感波段。
可以理解,上述待评价波段选择方式即为多波段组合分析法。
举例说明,以图3为例,以养殖池溏为目标区域,选择其中40个采样点为训练采样点,利用这些训练采样点对应的训练光谱曲线中400nm到1000nm波段范围内各个波段的训练光谱曲线分别判断对应的训练采样点的水质指标含量估计值,作为训练估计值。然后根据训练相关系数的绝对值由大到小的顺序依次添加波段作为训练敏感波段,如图4所示。可以看出,输入到40个波段时,训练相关系数绝对值基本达到最优值0.2644,且波段数量再增多变化趋势保持比较稳定;均方根误差也是波段输入数量达到40个附近时趋势达到了一个小低谷,均方根误差值为1.2172,再随着波段增加时均方根误差出现了明显的增加趋势,直到波段数达到90个附近时才停止增多,波段数量继续增多时又出现下降趋势,到达150个波段附近时达到最低峰,均方根误差值为1.1578。因此,多波段组合从变化曲线上看有两个较明显的拐点,分别第40个和150个最佳相关波段组合处,预测效果较好。
另一方面,本申请提供一种高光谱遥感敏感波段选择方式的评价系统,包括:无人机、水质检测装置和评价装置;所述无人机与所述评价装置相互通信;
所述无人机上设置有高光谱镜头,所述高光谱镜头用于获取目标区域的高光谱图像,在高光谱图像中提取目标采样点的光谱曲线作为目标光谱曲线;
所述水质检测装置用于获取目标区域中目标采样点的水质指标含量实测值作为目标实测值;
所述评价装置包括:目标敏感波段选取模块、目标估计值计算模块、评价参数计算模块和评价模块;
所述目标敏感波段选取模块,用于通过训练后的待评价波段选择神经网络模型对所述目标光谱曲线进行分析,选择出敏感波段作为目标敏感波段;
所述目标估计值计算模块,用于通过所述目标敏感波段的所述目标光谱曲线,判断所述目标采样点的水质指标含量估计值作为目标估计值;
所述评价参数计算模块,用于计算所述目标估计值和目标实测值的相关系数、均方根误差和相对误差;
所述评价模块,用于通过所述相关系数的绝对值、所述均方根误差的绝对值和所述相对误差的绝对值中的至少一个参数对所述待评价波段选择神经网络模型进行评价。
在本申请实施例中,高光谱遥感敏感波段选择方式的评价系统的使用与高光谱遥感敏感波段选择方式的评价方法类似,这里不再赘述。
有益效果:
本申请公开了一种高光谱遥感敏感波段选择方式的评价方法。首先利用训练后的待评价波段选择神经网络模型对目标光谱曲线进行分析,选择出目标敏感波段;再通过目标敏感波段的光谱曲线对目标区域的水质指标含量进行估计,得到目标估计值;最后,计算目标估计值和目标实测值的相关系数、均方根误差和相对误差,通过这三个参数中的至少一个对待评价波段选择神经网络模型进行评价。由于待评价波段选择神经网络模型进行评价是由待评价波段选择方式训练出来的,因此对待评价波段选择神经网络模型进行评价,也就是对待评价波段选择方式进行评价。结合神经网络算法和相关系数等参数可以对各种波段选择方式进行客观评价,以供研究人员参考选择,提高高光谱遥感的精确性。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备和介质类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可,这里就不再一一赘述。
至此,已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序,以实现期望的结果。在某些实施方式中,多任务处理和并行处理可以是有利的。
在本公开的各种实施方式中所使用的表述“第一”、“第二”、“所述第一”或“所述第二”可修饰各种部件而与顺序和/或重要性无关,但是这些表述不限制相应部件。以上表述仅配置为将元件与其它元件区分开的目的。例如,第一用户设备和第二用户设备表示不同的用户设备,虽然两者均是用户设备。例如,在不背离本公开的范围的前提下,第一元件可称作第二元件,类似地,第二元件可称作第一元件。
当一个元件(例如,第一元件)称为与另一元件(例如,第二元件)“(可操作地或可通信地)联接”或“(可操作地或可通信地)联接至”另一元件(例如,第二元件)或“连接至”另一元件(例如,第二元件)时,应理解为该一个元件直接连接至该另一元件或者该一个元件经由又一个元件(例如,第三元件)间接连接至该另一个元件。相反,可理解,当元件(例如,第一元件)称为“直接连接”或“直接联接”至另一元件(第二元件)时,则没有元件(例如,第三元件)插入在这两者之间。
以上描述仅为本申请的可选实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
以上所述仅为本申请的可选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种高光谱遥感敏感波段选择方式的评价方法,其特征在于,包括:
获取目标区域的高光谱图像,在高光谱图像中提取目标采样点的光谱曲线作为目标光谱曲线;
通过训练后的待评价波段选择神经网络模型对所述目标光谱曲线进行分析,选择出敏感波段作为目标敏感波段;
通过所述目标敏感波段的所述目标光谱曲线,判断所述目标采样点的水质指标含量估计值作为目标估计值;
计算所述目标估计值和目标实测值的相关系数、均方根误差和相对误差;
通过所述相关系数的绝对值、所述均方根误差的绝对值和所述相对误差的绝对值中的至少一个参数对所述待评价波段选择神经网络模型进行评价。
2.根据权利要求1所述的一种高光谱遥感敏感波段选择方式的评价方法,其特征在于,
所述方法还包括:
获取目标区域中目标采样点的水质指标含量实测值作为所述目标实测值。
3.根据权利要求2所述的一种高光谱遥感敏感波段选择方式的评价方法,其特征在于,
在所述通过训练后的待评价波段选择神经网络模型对所述目标光谱曲线进行分析,选择目标出敏感波段之前,所述方法还包括:
获取所述目标区域的高光谱图像,在所述高光谱图像中提取多个训练采样点的光谱曲线作为训练光谱曲线;
通过待评价波段选择方式在所述训练光谱曲线中选择出敏感波段作为训练敏感波段;
通过多个所述训练光谱曲线和对应的所述训练敏感波段对神经网络模型进行神经网络训练,得到训练后的所述待评价波段选择神经网络模型。
4.根据权利要求3所述的一种高光谱遥感敏感波段选择方式的评价方法,其特征在于,
所述方法还包括:
获取所述目标区域中多个训练采样点的水质指标含量实测值作为训练实测值;
所述通过待评价波段选择方式在所述训练光谱曲线中选择出敏感波段作为训练敏感波段,包括:
对所述训练光谱曲线中的反射率进行数学变换,得到变换训练光谱曲线;
通过各个波段的所述变换训练光谱曲线分别判断对应的所述训练采样点的水质指标含量估计值,作为训练估计值;
计算所述训练估计值和对应所述训练实测值的相关系数,作为训练相关系数;
选择最大的所述训练相关系数绝对值对应的波段作为所述训练敏感波段。
5.根据权利要求4所述的一种高光谱遥感敏感波段选择方式的评价方法,其特征在于,
所述对所述训练光谱曲线中的反射率进行数学变换,包括:
对所述训练光谱曲线中的所述反射率进行求对数,得到所述反射率的对数;
或者,对所述训练光谱曲线中的所述反射率进行求倒数,得到所述反射率的倒数;
或者,对所述训练光谱曲线中的所述反射率进行求对数的倒数,得到所述反射率的对数的倒数;
或者,对所述训练光谱曲线中的所述反射率进行求指数,得到所述反射率的指数。
6.根据权利要求3所述的一种高光谱遥感敏感波段选择方式的评价方法,其特征在于,
所述方法还包括:
获取所述目标区域中多个训练采样点的水质指标含量实测值作为训练实测值;
所述通过待评价波段选择方式在所述训练光谱曲线中选择出敏感波段作为训练敏感波段,包括:
对所述训练光谱曲线的波长范围内任意选出第一波段和第二波段,所述第一波段对应的反射率为第一反射率,所述第二波段对应的反射率为第二反射率;
对所述第一反射率和所述第二反射率进行数学计算,得到合并反射率;
列出所述训练光谱曲线的波长范围内所有所述合并反射率的组合,形成双波段组合训练光谱曲线;
通过各个波段的所述双波段组合训练光谱曲线分别判断对应的所述训练采样点的水质指标含量估计值,作为训练估计值;
计算所述训练估计值和对应所述训练实测值的相关系数,作为训练相关系数;
选择最大的所述训练相关系数绝对值对应的所述第一波段和所述第二波段作为所述训练敏感波段。
7.根据权利要求6所述的一种高光谱遥感敏感波段选择方式的评价方法,其特征在于,
所述对所述第一反射率和所述第二反射率进行数学计算,得到合并反射率,包括:
通过以下公式对所述第一反射率和所述第二反射率进行计算,得到比值指数:
或者,通过以下公式对所述第一反射率和所述第二反射率进行计算,得到差值指数:
通过以下公式对所述第一反射率R1和所述第二反射率R2进行计算,得到差值归一化指数:
8.根据权利要求3所述的一种高光谱遥感敏感波段选择方式的评价方法,其特征在于,
所述方法还包括:
获取所述目标区域中多个训练采样点的水质指标含量实测值作为训练实测值;
所述通过待评价波段选择方式在所述训练光谱曲线中选择出敏感波段作为训练敏感波段,包括:
通过各个波段的所述训练光谱曲线分别判断对应的所述训练采样点的水质指标含量估计值,作为训练估计值;
计算所述训练估计值和对应所述训练实测值的相关系数,作为训练相关系数;
按照所述训练相关系数绝对值由大到小排列对应的波段,得到排列顺序;
依照所述排列顺序在所述训练光谱曲线的多个波段中选择部分波段作为所述训练敏感波段。
9.根据权利要求1所述的一种高光谱遥感敏感波段选择方式的评价方法,其特征在于,
所述通过所述相关系数的绝对值、所述均方根误差的绝对值和所述相对误差的绝对值中的至少一个参数对所述待评价波段选择神经网络模型进行评价,包括:
在所述相关系数的绝对值大于第一阈值的情况下,判断所述待评价波段选择神经网络模型性能优异;
在所述均方根误差的绝对值小于第二阈值的情况下,判断所述待评价波段选择神经网络模型性能优异;
在所述相对误差的绝对值小于第三阈值的情况下,判断所述待评价波段选择神经网络模型性能优异。
10.一种高光谱遥感敏感波段选择方式的评价系统,其特征在于,包括:无人机、水质检测装置和评价装置;所述无人机与所述评价装置相互通信;
所述无人机上设置有高光谱镜头,所述高光谱镜头用于获取目标区域的高光谱图像,在高光谱图像中提取目标采样点的光谱曲线作为目标光谱曲线;
所述水质检测装置用于获取目标区域中目标采样点的水质指标含量实测值作为目标实测值;
所述评价装置包括:目标敏感波段选取模块、目标估计值计算模块、评价参数计算模块和评价模块;
所述目标敏感波段选取模块,用于通过训练后的待评价波段选择神经网络模型对所述目标光谱曲线进行分析,选择出敏感波段作为目标敏感波段;
所述目标估计值计算模块,用于通过所述目标敏感波段的所述目标光谱曲线,判断所述目标采样点的水质指标含量估计值作为目标估计值;
所述评价参数计算模块,用于计算所述目标估计值和目标实测值的相关系数、均方根误差和相对误差;
所述评价模块,用于通过所述相关系数的绝对值、所述均方根误差的绝对值和所述相对误差的绝对值中的至少一个参数对所述待评价波段选择神经网络模型进行评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110848629.1A CN113496218B (zh) | 2021-07-27 | 2021-07-27 | 一种高光谱遥感敏感波段选择方式的评价方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110848629.1A CN113496218B (zh) | 2021-07-27 | 2021-07-27 | 一种高光谱遥感敏感波段选择方式的评价方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113496218A true CN113496218A (zh) | 2021-10-12 |
CN113496218B CN113496218B (zh) | 2023-10-24 |
Family
ID=77996368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110848629.1A Active CN113496218B (zh) | 2021-07-27 | 2021-07-27 | 一种高光谱遥感敏感波段选择方式的评价方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113496218B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116188946A (zh) * | 2023-04-24 | 2023-05-30 | 简阳市人民医院 | 一种基于神经网络的血糖浓度预测系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366189A (zh) * | 2013-07-10 | 2013-10-23 | 河海大学 | 一种高光谱遥感图像的智能化分类方法 |
CN103714341A (zh) * | 2014-01-21 | 2014-04-09 | 北京航空航天大学 | 基于全局敏感度分析的高光谱反射率数据光谱特征提取方法 |
CN104732240A (zh) * | 2015-04-07 | 2015-06-24 | 河海大学 | 一种应用神经网络敏感性分析的高光谱影像波段选择方法 |
WO2016000088A1 (zh) * | 2014-07-02 | 2016-01-07 | 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 |
CN108458978A (zh) * | 2018-03-13 | 2018-08-28 | 山东农业大学 | 基于敏感波段和波段组合最优的树种多光谱遥感识别方法 |
CN109344698A (zh) * | 2018-08-17 | 2019-02-15 | 西安电子科技大学 | 基于可分离卷积和硬阈值函数的高光谱波段选择方法 |
CN111191514A (zh) * | 2019-12-04 | 2020-05-22 | 中国地质大学(武汉) | 一种基于深度学习的高光谱图像波段选择方法 |
CN112067129A (zh) * | 2020-09-24 | 2020-12-11 | 江苏集萃苏科思科技有限公司 | 一种高光谱处理方法及波段选择方法 |
CN112149827A (zh) * | 2020-09-27 | 2020-12-29 | 哈尔滨航天恒星数据系统科技有限公司 | 基于卫星影像的土壤速效钾分析模型构建系统及方法 |
-
2021
- 2021-07-27 CN CN202110848629.1A patent/CN113496218B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366189A (zh) * | 2013-07-10 | 2013-10-23 | 河海大学 | 一种高光谱遥感图像的智能化分类方法 |
CN103714341A (zh) * | 2014-01-21 | 2014-04-09 | 北京航空航天大学 | 基于全局敏感度分析的高光谱反射率数据光谱特征提取方法 |
WO2016000088A1 (zh) * | 2014-07-02 | 2016-01-07 | 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 |
CN104732240A (zh) * | 2015-04-07 | 2015-06-24 | 河海大学 | 一种应用神经网络敏感性分析的高光谱影像波段选择方法 |
CN108458978A (zh) * | 2018-03-13 | 2018-08-28 | 山东农业大学 | 基于敏感波段和波段组合最优的树种多光谱遥感识别方法 |
CN109344698A (zh) * | 2018-08-17 | 2019-02-15 | 西安电子科技大学 | 基于可分离卷积和硬阈值函数的高光谱波段选择方法 |
CN111191514A (zh) * | 2019-12-04 | 2020-05-22 | 中国地质大学(武汉) | 一种基于深度学习的高光谱图像波段选择方法 |
CN112067129A (zh) * | 2020-09-24 | 2020-12-11 | 江苏集萃苏科思科技有限公司 | 一种高光谱处理方法及波段选择方法 |
CN112149827A (zh) * | 2020-09-27 | 2020-12-29 | 哈尔滨航天恒星数据系统科技有限公司 | 基于卫星影像的土壤速效钾分析模型构建系统及方法 |
Non-Patent Citations (2)
Title |
---|
徐海舟等: "基于地面高光谱遥感的降香黄檀黑痣病病情指数反演", 《植物保护》, vol. 42, no. 5, pages 1 - 1 * |
杨振等: "无人机高光谱遥感的水质参数反演与模型构建", 《测绘科学》, vol. 45, no. 9, pages 2 - 2 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116188946A (zh) * | 2023-04-24 | 2023-05-30 | 简阳市人民医院 | 一种基于神经网络的血糖浓度预测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113496218B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | Highly sensitive image-derived indices of water-stressed plants using hyperspectral imaging in SWIR and histogram analysis | |
CN111289446B (zh) | 一种复杂溶液成分浓度的检测方法及系统 | |
Song et al. | Chlorophyll content estimation based on cascade spectral optimizations of interval and wavelength characteristics | |
CN107679569A (zh) | 基于自适应超图算法的拉曼光谱物质自动识别方法 | |
US6778702B1 (en) | Method and apparatus for assessing the quality of spectral images | |
CN110779875B (zh) | 一种基于高光谱技术检测冬小麦麦穗水分含量的方法 | |
CN114199800B (zh) | 一种水稻纹枯病识别方法、系统、设备及介质 | |
CN113496218B (zh) | 一种高光谱遥感敏感波段选择方式的评价方法和系统 | |
Song et al. | Development of crop chlorophyll detector based on a type of interference filter optical sensor | |
Wu et al. | Study on the optimal algorithm prediction of corn leaf component information based on hyperspectral imaging | |
CN111767863A (zh) | 一种基于近地高光谱技术冬小麦赤霉病遥感识别方法 | |
CN108827909B (zh) | 基于可见近红外光谱与多目标融合的土壤快速分类方法 | |
Yoon et al. | Hyperspectral image processing methods | |
CN113686811A (zh) | 一种基于双传感器的光谱数据处理方法 | |
CN115184281B (zh) | 一种基于二维光谱的溶液组分浓度确定方法及系统 | |
Noble et al. | The use of spectral properties for weed detection and identification-a review | |
Liu et al. | Visual discrimination of citrus HLB based on image features | |
CN113177488A (zh) | 基于最佳指数波段组合的高光谱图像波段选择方法 | |
CN114778457A (zh) | 一种谷物中黄曲霉毒素b1含量检测方法及装置 | |
Shipko et al. | Edge detection in hyperspectral images | |
CN113567357A (zh) | 一种光谱数据的融合方法、以及装置 | |
Hao et al. | Wavelet-based threshold denoising for imaging hyperspectral data | |
Yu et al. | Estimation of chlorophyll content in apple leaves based on imaging spectroscopy | |
CN117589741B (zh) | 基于光学特征的吲哚菁绿智能检测方法 | |
CN111476172B (zh) | 植物物种beta多样性的估算方法及系统 |
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 |