CN113820854B - 滤波部件的定制方法、滤波模组、配组方法、设备及介质 - Google Patents
滤波部件的定制方法、滤波模组、配组方法、设备及介质 Download PDFInfo
- Publication number
- CN113820854B CN113820854B CN202110995826.6A CN202110995826A CN113820854B CN 113820854 B CN113820854 B CN 113820854B CN 202110995826 A CN202110995826 A CN 202110995826A CN 113820854 B CN113820854 B CN 113820854B
- Authority
- CN
- China
- Prior art keywords
- band
- bandwidth
- target
- waveband
- grouping
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B27/00—Optical systems or apparatus not provided for by any of the groups G02B1/00 - G02B26/00, G02B30/00
- G02B27/0012—Optical design, e.g. procedures, algorithms, optimisation routines
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03B—APPARATUS OR ARRANGEMENTS FOR TAKING PHOTOGRAPHS OR FOR PROJECTING OR VIEWING THEM; APPARATUS OR ARRANGEMENTS EMPLOYING ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ACCESSORIES THEREFOR
- G03B17/00—Details of cameras or camera bodies; Accessories therefor
- G03B17/02—Bodies
- G03B17/12—Bodies with means for supporting objectives, supplementary lenses, filters, masks, or turrets
Abstract
本发明公开了一种滤波部件的定制方法、滤波模组、配组方法、设备及介质,该定制方法包括采集生态指标的指标数据;采集所述生态指标的载体的光谱数据;根据所述指标数据及所述光谱数据确定配组波段;根据所述配组波段确定配组带宽;根据所述配组波段及所述配组带宽定制滤波部件。本发明中的滤波部件可以根据不同的观测目的定制不同的滤波部件,特别是在生态遥感的观测领域,可以根据不同的生态指标定制不同的滤波部件,在定制不同的滤波部件时,同时考虑到了波段及带宽这两种数据,提高了生态遥感观测设备的针对性和准确性。
Description
技术领域
本发明涉及自然资源监测领域,特别涉及一种滤波部件的定制方法、滤波模组、配组方法、设备及介质。
背景技术
目前,自然资源研究逐渐由宏观转向中微观,自然资源调查要素的数量也在不断攀升。
通过高光谱相机对自然资源进行监测为一种常见的选择,通过高光谱相机可以同时获取几百个以上波段的数据,但这些数据大部分是对目标观测无用的冗余数据,因此目前针对特定观测任务的波段选择方法主要应用在高光谱数据的后处理中,是一种对冗余数据的处理方,但是这种方式在具体进行观测时未考虑波段的带宽,对高光谱相机的制作没有指导作用。
与高光谱相机相比,多光谱相机提供了多个波段的组合滤镜,相较于高光谱相机有空间分辨率高、数据量不冗余的优势,但目前的多光谱相机在波段选择上多采用固定的通用波段组合,其观测波段往往与具体观测任务的匹配度不高,获得的数据针对性不强,无法应用于特定的目标观测。
发明内容
本发明要解决的技术问题是为了克服现有技术中难以有针对性并且准确地监测不同生态指标的缺陷,提供一种能够准确且有针对性地监测不同生态指标的滤波部件的定制方法、滤波模组、配组方法、设备及介质。
本发明是通过下述技术方案来解决上述技术问题:
本发明提供了一种滤波部件的定制方法,所述定制方法包括以下步骤:
采集生态指标的指标数据;
采集所述生态指标的载体的光谱数据;
根据所述指标数据及所述光谱数据确定配组波段;
根据所述配组波段确定配组带宽;
根据所述配组波段及所述配组带宽定制滤波部件。
较佳地,所述根据所述指标数据及所述光谱数据确定配组波段的步骤具体包括以下步骤:
根据所述光谱数据获取第一目标波段,所述第一目标波段为包含的信息量超过信息量阈值的光谱数据的波段;
根据所述指标数据及所述光谱数据获取第二目标波段,所述第二目标波段为所述光谱数据与所述指标数据的相关性超过相关性阈值的波段;
根据所述第一目标波段及所述第二目标波段确定所述配组波段。
较佳地,所述根据所述第一目标波段及所述第二目标波段确定所述配组波段的步骤具体包括:获取所述第一目标波段与所述第二目标波段的重合部分,将所述重合部分作为配组波段;
较佳地,所述根据所述光谱数据获取第一目标波段的步骤具体包括以下步骤中的至少一种:
S1、获取每一波段的信息熵,并将信息熵位于前预设比例的波段作为第一目标波段;
S2、提取每一波段的信息贡献率,并将贡献率大于预设贡献值的波段作为第一目标波段;
S3、获取每一波段的信息熵,并将信息熵位于前预设比例的波段作为第一候选目标波段;
提取每一波段的信息贡献率,并将贡献率大于预设贡献值的波段作为第二候选目标波段;
将所述第一候选目标波段与所述第二候选目标波段的重合部分作为第一目标波段。
较佳地,所述根据所述配组波段确定配组带宽的步骤具体包括以下步骤:
获取所述配组波段的最大通过带宽值;
获取所述配组波段的最小通过带宽值;
根据所述最大通过带宽值及所述最小通过带宽值确定目标带宽范围;
选取所述目标带宽范围中的带宽作为配组带宽。
较佳地,所获取所述配组波段的最大通过带宽值的步骤具体包括:
从所述配组波段中提取一目标波长;
获取所述目标波长的准确反射率;
获取不同带宽下,所述目标波长的等效反射率;
获取不同带宽下的等效反射率与所述准确反射率的误差值,将所述误差值位于预设误差范围的带宽作为最大通过带宽值。
较佳地,所述获取所述配组波段的最小通过带宽值的步骤具体包括以下步骤:
根据以下不等式获取最小通过带宽值:
根据以下不等式获取最小通过带宽值:
其中,bc为所述配组波段的带宽的中心波长,bw为带宽,fLen(b)为多光谱相机在各个波段的透射率,L(b)为所述生态指标在各个波段反射的辐亮度,Radmin为所述多光谱相机在以bc为中心波长的波段所能识别的最小辐亮度;
所述最小通过带宽值为满足所述不等式的最小带宽bw的值。
本发明还提供了一种滤波模组,所述滤波模组包括若干滤波部件;
所述滤波部件为根据如上所述的滤波部件的定制方法定制的滤波部件。
本发明还提供了一种多光谱相机的配组方法,所述多光谱相机包括如上所述的滤波模组,所述配组方法包括:
获取待监测的生态指标;
从所述滤波模组中获取与所述生态指标对应的滤波部件;
通过所述滤波部件进行监测。
本发明还提供了一种电子设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的滤波部件的定制方法或如上所述的多光谱相机的配组方法。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的滤波部件的定制方法或如上所述的多光谱相机的配组方法。
本发明的积极进步效果在于:本发明中的滤波部件可以根据不同的观测目的定制不同的滤波部件,特别是在生态遥感的观测领域,可以根据不同的生态指标定制不同的滤波部件,在定制不同的滤波部件时,同时考虑到了波段及带宽这两种数据,提高了生态遥感观测设备的针对性和准确性。
本发明中的滤波模组包括根据不同的生态指标定制的滤波部件,在观测具体的生态指标时,可以利用该滤波模组进行灵活配组,提高了生态遥感观测设备的针对性和准确性。
本实施例发明中的配组方法,可以根据待监测的生态指标选择对应定制的滤波部件进行观测,从而使滤波部件更有针对性,监测出来的数据的精确度更高。
附图说明
图1为本发明实施例1中的滤波部件的定制方法的流程图。
图2为实施例1中的生态指标的示意图。
图3为实施例1中步骤103的具体实现方式的流程图。
图4为实施例1中步骤104的具体实现方式的流程图。
图5为实施例1中信息熵分析的结果示意图。
图6为实施例1中碎石分析的结果示意图。
图7为实施例1中因子分析的结果示意图。
图8为实施例1中需氧量浓度与反射率比值的相关系数图。
图9为实施例1中氨氮浓度与反射率比值的相关系数图。
图10为实施例1中通过多种方法提取出的波段的示意图。
图11为实施例1中带宽和等效反射率与反射率准确值的绝对百分比误差的关系示意图。
图12为实施例1中不同波段的水体辐亮度曲线。
图13为本发明实施例3中多光谱相机的配组方法的流程图。
图14为本发明实施例4中电子设备的模块示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
本实施例提供了一种滤波部件的定制方法,如图1所示,该定制方法包括以下步骤:
步骤101、采集生态指标的指标数据。
其中,生态指标的指标数据可以根据需要进行选择,图2示出了几种具体类型的生态指标,如叶面积指数、郁闭度、总磷、氨氮、化学需氧量等等。
应当理解,本实施例可以根据采集的生态指标的指标数据来定制对应的滤波部件,具体的,该滤波部件可以是拍摄装置的滤波部件,如多光谱相机。
步骤102、采集生态指标的载体的光谱数据。
具体的,光谱数据的采集可以根据需要选择光谱采集设备,如地物光谱仪,采集方法可以根据需要选择具体的方法。
在一种较佳的实施方式中,生态指标的指标数据的采集应与光谱数据采集同步,若采集光谱数据的现场可直接采集生态指标的指标数据,则直接同步采集光谱数据和生态指标的指标数据,若该现场只能猜到采集生态指标的初始数据,初始数据需在实验室进一步化验才能得到指标数据,则同步采集初始数据与光谱数据,并将初始数据尽快带回实验室进行化验以得到指标数据。
步骤103、根据指标数据及光谱数据确定配组波段。
具体的,可以对光谱数据自身各波段包含的信息量大小进行分析,并提取含有信息量高的波段范围作为配组波段的备选波段范围,还可以对指标数据与光谱数据的相关性进行分析,将相关性高的波段作为配组波段的备选波段范围,再根据所有的配组波段范围来选择最终的配组波段,如:将各个备选波段范围交叉的部分作为最终的配组波段。
步骤104、根据配组波段确定配组带宽。
具体的,步骤104可以具体包括以下步骤:
获取配组波段最大允许通过的最大通过带宽值,及最小允许通过的最小通过带宽值;
根据最大通过带宽值及最小通过带宽值确定目标带宽范围,并选取目标带宽范围中的带宽作为配组带宽。
步骤105、根据配组波段及配组带宽定制滤波部件。
应当理解,具体定制滤波部件的工艺可以根据实际需求进行选择,这种工艺并不作为本实施例的保护点。
本实施例中的滤波部件的定制方法具体可以应用在生态遥感的观测领域,可以根据不同的生态指标定制不同的滤波部件,在定制不同的滤波部件时,同时考虑到了波段及带宽这两种数据,提高了生态遥感观测设备的针对性和准确性。
在一种具体的实施方式中,如图3所示,步骤103具体包括以下步骤:
步骤1031、根据光谱数据获取第一目标波段。
其中,第一目标波段为包含的信息量超过信息量阈值的光谱数据的波段。
具体的,每一波段的信息量的提取方法可以根据实际情况进行选择,本实施例并不对此进行限定。应当理解,如果存在多种提取波段的信息量的方法,则可以利用多种方法同时提取每一波段的信息量,并将利用每一种方法得到的超过信息量阈值的光谱数据的波段作为候选波段,将所有候选波段的重合部分作为第一目标波段。
应当理解,若出现两种方法以上的方法均存在重合的情况时,则重合的部分越多,重合部分的波段优先级越高,如第一重合部分为通过两种方法确定的候选波段的重合部分,第二重合部分为通过三种方法确定的候选波段的重合部分,第四重合部分为通过四种方法确定的候选波段的重合部分,则第四重合部分的优先级高于第三重合部分,第三重合部分的优先级高于第二重合部分,由于第四次重合部分的优先级最高,因此,将第四重合部分作为第一目标波段。
下面通过几个具体实例对第一目标波段的提取方法进行说明:
方法一:获取每一波段的信息熵,并将信息熵位于前预设比例的波段作为第一目标波段。
其中,信息熵可以分析出各个波段的信息含量,信息熵越大的波段所含信息量越大,因此可选择信息熵相对较大的波段,信息熵的计算公式如下所示:
其中,H(band)代表某一波段的信息熵,p(Rrsi)代表某一波段出现某一反射率Rrsi的概率,通过计算每个波段的信息熵可获得信息熵值的曲线,最终可以选取信息熵相对最大的位于前预设比例的波段作为第一目标波段,如可以将信息熵大小排在前20%波段作为所提取的第一目标波段。
方法二:提取每一波段的信息贡献率,并将贡献率大于预设贡献值的波段作为第一目标波段。
可以根据需要选择具体的信息率获取方法,具体的,本实施例选择降维的方法来提取高维数据中对信息贡献量最大的部分,因子分析(factor analysis,FA)是降维方法的一种,它可以分析出数据中所包含的公共因子,并且给出各个因子中对信息贡献最大的部分。公共因子数量的确定可以通过碎石分析的方式确定,碎石分析通过计算各波段间的相关系数获得相关系数矩阵,再计算相关系数矩阵的特征值,一般选取大于1的特征值数量作为公共因子的数量,其中,相关系数的计算公式如下:
其中,R是相关系数值,Xa和Xb分别是两个波段的反射率数据一维矩阵,Cov(Xa,Xb)是Xa和Xb的协方差,Var[Xa]是Xa的方差,Var[Xb]是Xb的方差。在确定了公共因子数后可以计算得到公共因子向量,特殊因子向量以及因子载荷矩阵,对载荷矩阵进行旋转,以求对公共因子做更好的解释。从旋转后的因子载荷矩阵中可以获取各个波段对于各个公共因子的贡献率,对每个公共因子的贡献率进行(0,1)归一化,选取归一化后贡献率大于贡献率阈值的波段作为第一目标波段,如将贡献率阈值设为0.95,将归一化后贡献率大于0.95的波段作为因子分析所提取的第一目标波段。
方法三、该方法为综合考虑方法一与方法二后所得到的方法。
具体的,将通过方法一可以获取的波段作为第一候选目标波段,将通过方法二获取的波段作为第二候选目标波段,将第一候选目标波段与第二候选目标波段的重合部分作为第一目标波段。
应当理解,上述具体实例仅作为举例说明,不应当成为对本实施例的限制。
步骤1032、根据指标数据及光谱数据获取第二目标波段。
其中,第二目标波段为光谱数据与指标数据的相关性超过相关性阈值的波段,应当理解,本实施例可以根据实际需求来选择获取该相关性的具体方法,应当理解,若出现两种方法来得到相关性时,则将两种方法得到的相关性的重合部分所对应的波段作为第二目标波段;若存在两种以上方法得到相关性时,则将重合部分数量最多的对应波段作为第二目标波段。
在一种具体的实施方式中,可以采用波段反射率比值与指标数据的相关性分析的方法来得到该相关性,如可以利用下列公式进行相关性分析:
其中,Ratab是两个波段反射率比值所构成的一维矩阵,I是观测目标的某一种生态参量值所构成的一维矩阵。通过公式计算可以获得相关系数所组成的二维矩阵,同样将矩阵中的数值进行(0,1)归一化,取相关系数大于相关性阈值的波段作为第二目标波段,如,可以将相关性阈值设为0.95,归一化后的相关系数大于0.95的波段则可以作为相关性分析所提取的第二目标波段。
步骤1033、根据第一目标波段及第二目标波段确定配组波段。
具体的,在一些情况下可以获取第一目标波段与第二目标波段的重合部分,将重合部分作为配组波段,在另一些情况下也可以在重合部分进一步进行波段选择以得到配组波段。
在一种具体的实施方式中,步骤104中具体可以通过计算不同带宽情况下的反射率与中心波长反射率的平均百分比误差(absolute percent difference,APD)来确定最大通过带宽值,如图4所示,具体可以包括以下步骤:
步骤1041、从配组波段中提取一目标波长。
本实施例中,可以根据需要从配组波段中提取任意一目标波长。
步骤1042、获取目标波长的准确反射率。
具体的,将目标波长的遥感反射率设置为准确的反射率值,计算遥感反射率的一般公式如下:
其中,Rrsacc为遥感反射率,L为目标物反射的辐亮度,Ed为入射的辐照度。
步骤1043、获取不同带宽下,目标波长的等效反射率。
具体的,将带宽从0向左右两侧扩大,每次带宽扩展一定距离,如2纳米。通过遥感反射率计算公式可得到扩大带宽后的等效反射率,扩大带宽后的反射辐亮度和入射辐照度为扩大的带宽范围中所有波段反射辐亮度和入射辐照度的总和,扩大带宽后的等效遥感反射率公式如下:
其中Rrsnew为等效遥感反射率值,bc为某波段带宽的中心波长,bw为带宽,L(b)为目标物在各个波段反射的辐亮度,Ed(b)为各个波段的入射辐照度。
步骤1044、获取不同带宽下的等效反射率与准确反射率的误差值,将误差值位于预设误差范围的带宽作为最大通过带宽值。
具体的,可以通过下列公式来计算误差值:
其中,APD为绝对百分比误差,n为测量样本反射率曲线的数量,Rrsacc为准确反射率,Rrsnew为等效反射率。最终可以获取不同带宽的绝对百分比误差曲线,在一种具体的实施方式中,可以选取绝对百分比误差为0.25%的带宽值作为最大允许的带宽。
在一种具体的实施方式中,步骤104中最小通过带宽值可以从传感器(本实施例中的传感器即为多光谱相机本身)的辐射分辨率的角度进行分析,在保证传感器能够分辨出观测的生态指标的指标数据时,可能反射的最小辐亮度,具体的,可以通过以下不等式获取最小通过带宽值:
其中,bc为配组波段的带宽的中心波长,bw为带宽,fLen(b)为多光谱相机在各个波段的透射率,L(b)为生态指标在各个波段反射的辐亮度,Radmin为多光谱相机在以bc为中心波长的波段所能识别的最小辐亮度。
最小通过带宽值为满足不等式的最小带宽bw的值。
为了更好地理解本实施例中的滤波部件的定制方法,下面通过一具体实例本实施例中的整体流程进行说明:
该具体实例观测的为水质遥感,具体的选择化学需氧量和氨氮这两样生态指标,这两个指标是日常城市水质监测中的重要指标,应当理解,在其他实施例中,也可以仅选择一样生态指标或者选择更多的生态指标。
确定生态指标后,则执行步骤101以及步骤102,具体可以使用美国分析光谱设备(Analytical Spectral Devices,ASD)公司生产的HandHeld2 Pro(一种手持地物光谱仪)和标准反射板白板进行水体(该实例中,水体作为生态指标的载体)的光谱数据采集,采集步骤严格遵循水面以上测量法。并且在采集水体光谱样本的同时采集水质样本作为初始数据,并将初始数据尽快带到实验室进行分析,获取化学需氧量和氨氮的浓度,在一种具体场景中,共采集了114组数据。
之后执行步骤103,其中,信息熵分析结果如图5所示,信息熵的最大值为3.51,波长为591nm,信息熵值相对最大的前20%的波长范围为558nm至658nm,集中在绿色、黄色、红色波段,该范围内的波段及为信息熵分析所提取的第一候选目标波段。
在使用因子分析波段提取方法前,需要采用碎石分析得到公共因子的数量,碎石分析的结果如图6所示,其中前4个特征值大于1,分别为252.62,12.16,4.19和1.31,因此公共因子的数量为4。因子分析的结果如图7所示,得到四个含有最大信息量的成分,归一化后成分1贡献率高于0.95的范围为560nm-680nm,主要为黄绿波段;成分2为825nm-892nm,主要为近红外波段;成分3为400nm-410nm,主要为紫色波段;成分4为703nm-717nm,主要为红色波段,将这四个波段作为第二候选目标波段。
执行步骤103,光谱数据的反射率比值与水质指标的指标数据的相关性分析结果如图8及图9所示,图中的相关系数值均已做归一化。图8为化学需氧量浓度与反射率比值的相关系数图,其中相关系数大于0.95的范围是600nm-690nm与703nm-715nm反射率比值的部分,主要为黄色、红色波段与红色波段的比值。图9为氨氮浓度与反射率比值的相关系数图,其中相关系数大于0.95的范围是480nm-520nm与662nm-708nm反射率比值的部分,主要为蓝绿波段与红色波段的比值。
通过以上三种方法的分析,分别获得了四组以化学需氧量和氨氮为观测目标的配组波段中心波长提取结果,这些结果均为备选波段。图10将三种方法得到的备选波段范围标出,最终遵循优先提取波段的方法,选择重合部分最多的波段,即具有三组重合的交集部分,分别为600nm-658nm,662nm-680nm,703nm-708nm,这三个波长的范围即为配组波段中心波长提取的最终结果。
接着执行步骤104,依据配组波段的中心波长提取的波长范围,这里选择640nm,675nm以及705nm,作为波段的中心波长进行最大通过带宽值及最小通过带宽值的分析。
从图11中可知,随着带宽的不断扩大,等效反射率与反射率准确值的绝对百分比误差为不断上升的趋势,说明带宽会影响遥感时对地物反射率的计算精度,带宽越大,与中心波长准确的反射率值偏差越大。选取绝对百分比误差为0.25%的带宽值作为最大允许的最大通过带宽值,因此以640nm为中心波长,最大允许的带宽为68nm;以675nm为中心波长,最大允许的带宽为42nm;以705nm为中心波长,最大允许的带宽为34nm。
在114组光谱数据中心选取相对最低的水体辐亮度曲线,如图12所示,其中640nm波段的水体辐亮度为0.00096W/(m2×nm×sr),675nm波段为0.00083W/(m2×nm×sr),705nm波段为0.00097W/(m2×nm×sr)。假设最低可以分辨的辐亮度值为0.1μW/(cm2×nm×sr)。依据公式,以传感器透射率的理想状态即100%来计算,由于带宽一般为整数,因此可以得到三个配组波段的带宽均需要大于2nm,即最小通过带宽值为2nm。
接着执行步骤104,最终可得640nm波段的带宽范围应在2nm至68nm之间,675nm应在2nm至42nm之间,705nm应在2nm至34nm之间。
最后执行步骤105、根据步骤103确定的配组波段以及步骤104确定的配组带宽,定制波长分别为640nm,675nm以及705nm,带宽均选择为10nm的多光谱相机的滤波部件,从而实现了针对需氧量和氨氮这样的生态指标的滤波部件的定制。
实施例2
本实施例提供了一种滤波模组,该滤波模组包括若干滤波部件。
其中,本实施例中的滤波部件包括根据实施例1的滤波部件的定制方法定制的滤波部件。
具体的,可以根据不同的待观测的生态指标,有针对性地对配组波段及配组带宽进行计算,从而又针对性地定制与生态指标对应的滤波部件。
在需要观测具体的生态指标时,从滤波模组中选择与生态指标对应的滤波部件进行观测即可,如在进行遥感水质监测时,在具体需要观测需氧量和氨氮的生态指标时,将利用实施例1中的定制方法定制的三个波长分别为640nm,675nm以及705nm,带宽均选择为10nm的多光谱相机的滤波部件,挂载在多光谱相机上进行观测。
本实施例中的滤波模组包括根据不同的生态指标定制的滤波部件,在观测具体的生态指标时,可以利用该滤波模组进行灵活配组,提高了生态遥感观测设备的针对性和准确性。
实施例3
本实施例提供了一种多光谱相机的配组方法,该多光谱相机包括实施例2中的滤波模组,如图13所示,该配组方法包括以下步骤:
步骤301、获取待监测的生态指标;
步骤302、从滤波模组中获取与生态指标对应的滤波部件;
步骤303、通过滤波部件进行监测。
本实施例的配组方法,可以根据待监测的生态指标选择对应定制的滤波部件进行观测,从而使滤波部件更有针对性,监测出来的数据的精确度更高。
实施例4
本实施例提供一种电子设备,电子设备可以通过计算设备的形式表现(例如可以为服务器设备),包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中处理器执行计算机程序时可以实现实施例1中的滤波部件的定制方法或实施例3中的多光谱相机的配组方法。
图14示出了本实施例的硬件结构示意图,如图14所示,电子设备9具体包括:
至少一个处理器91、至少一个存储器92以及用于连接不同系统组件(包括处理器91和存储器92)的总线93,其中:
总线93包括数据总线、地址总线和控制总线。
存储器92包括易失性存储器,例如随机存取存储器(RAM)921和/或高速缓存存储器922,还可以进一步包括只读存储器(ROM)923。
存储器92还包括具有一组(至少一个)程序模块924的程序/实用工具925,这样的程序模块924包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器91通过运行存储在存储器92中的计算机程序,从而执行各种功能应用以及数据处理,例如本发明实施例1中的滤波部件的定制方法或实施例3中的多光谱相机的配组方法。
电子设备9进一步可以与一个或多个外部设备94(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口95进行。并且,电子设备9还可以通过网络适配器96与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器96通过总线93与电子设备9的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备9使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例5
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现实施例1中的滤波部件的定制方法或实施例3中的多光谱相机的配组方法。
其中,可读存储介质可以采用的更具体可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行实现实施例1中的滤波部件的定制方法或实施例3中的多光谱相机的配组方法。
其中,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码,所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出。
Claims (6)
1.一种滤波部件的定制方法,其特征在于,所述定制方法包括以下步骤:
采集生态指标的指标数据;所述生态指标包括叶面积指数、郁闭度、总磷、氨氮或化学需氧量;
采集所述生态指标的载体的光谱数据;
根据所述指标数据及所述光谱数据确定配组波段;
根据所述配组波段确定配组带宽;
根据所述配组波段及所述配组带宽定制滤波部件;
所述根据所述指标数据及所述光谱数据确定配组波段的步骤具体包括以下步骤:
根据所述光谱数据获取第一目标波段,所述第一目标波段为包含的信息量超过信息量阈值的光谱数据的波段;
根据所述指标数据及所述光谱数据获取第二目标波段,所述第二目标波段为所述光谱数据与所述指标数据的相关性超过相关性阈值的波段;
获取所述第一目标波段与所述第二目标波段的重合部分,将所述重合部分作为配组波段;
所述根据所述配组波段确定配组带宽的步骤具体包括以下步骤:
获取所述配组波段的最大通过带宽值;
获取所述配组波段的最小通过带宽值;
根据所述最大通过带宽值及所述最小通过带宽值确定目标带宽范围;
选取所述目标带宽范围中的带宽作为配组带宽;
所述获取所述配组波段的最大通过带宽值的步骤具体包括:
从所述配组波段中提取一目标波长;
获取所述目标波长的准确反射率;
获取不同带宽下,所述目标波长的等效反射率;
其中,Rrsnew为等效反射率;bc为带宽的中心波长,bw为带宽,L(b)为各个波段反射的辐亮度,Ed(b)为各个波段入射的辐亮度;
获取不同带宽下的等效反射率与所述准确反射率的误差值,将所述误差值位于预设误差范围的带宽作为最大通过带宽值;
所述获取所述配组波段的最小通过带宽值的步骤具体包括以下步骤:
根据以下不等式获取最小通过带宽值:
其中,bc为所述配组波段的带宽的中心波长,bw为带宽,fLen(b)为多光谱相机在各个波段的透射率,L(b)为所述生态指标在各个波段反射的辐亮度,Radmin为所述多光谱相机在以bc为中心波长的波段所能识别的最小辐亮度;
所述最小通过带宽值为满足所述不等式的最小带宽bw的值。
2.如权利要求1所述的滤波部件的定制方法,其特征在于,所述根据所述光谱数据获取第一目标波段的步骤具体包括以下步骤中的至少一种:
S1、获取每一波段的信息熵,并将信息熵位于前预设比例的波段作为第一目标波段;
S2、提取每一波段的信息贡献率,并将贡献率大于预设贡献值的波段作为第一目标波段;
S3、获取每一波段的信息熵,并将信息熵位于前预设比例的波段作为第一候选目标波段;
提取每一波段的信息贡献率,并将贡献率大于预设贡献值的波段作为第二候选目标波段;
将所述第一候选目标波段与所述第二候选目标波段的重合部分作为第一目标波段。
3.一种滤波模组,其特征在于,所述滤波模组包括若干滤波部件;
所述滤波部件为根据如权利要求1-2任意一项所述的滤波部件的定制方法定制的滤波部件。
4.一种多光谱相机的配组方法,其特征在于,所述多光谱相机包括权利要求3所述的滤波模组,所述配组方法包括:
获取待监测的生态指标;
从所述滤波模组中获取与所述生态指标对应的滤波部件;
通过所述滤波部件进行监测。
5.一种电子设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至2任一项所述的滤波部件的定制方法或权利要求4所述的多光谱相机的配组方法。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至2任一项所述的滤波部件的定制方法或权利要求4所述的多光谱相机的配组方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110995826.6A CN113820854B (zh) | 2021-08-27 | 2021-08-27 | 滤波部件的定制方法、滤波模组、配组方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110995826.6A CN113820854B (zh) | 2021-08-27 | 2021-08-27 | 滤波部件的定制方法、滤波模组、配组方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113820854A CN113820854A (zh) | 2021-12-21 |
CN113820854B true CN113820854B (zh) | 2022-09-16 |
Family
ID=78913714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110995826.6A Active CN113820854B (zh) | 2021-08-27 | 2021-08-27 | 滤波部件的定制方法、滤波模组、配组方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113820854B (zh) |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015195746A1 (en) * | 2014-06-18 | 2015-12-23 | Innopix, Inc. | Spectral imaging system for remote and noninvasive detection of target substances using spectral filter arrays and image capture arrays |
-
2021
- 2021-08-27 CN CN202110995826.6A patent/CN113820854B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113820854A (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Buchner et al. | Obscuration-dependent evolution of active galactic nuclei | |
Lang et al. | Revealing the stellar mass and dust distributions of submillimeter galaxies at redshift 2 | |
Ghiyamat et al. | A review on hyperspectral remote sensing for homogeneous and heterogeneous forest biodiversity assessment | |
Evans et al. | The chandra source catalog | |
US7562057B2 (en) | System and method for hyper-spectral analysis | |
US8948540B2 (en) | Optimized orthonormal system and method for reducing dimensionality of hyperspectral images | |
Manolakis | Taxonomy of detection algorithms for hyperspectral imaging applications | |
Adjorlolo et al. | Predicting C3 and C4 grass nutrient variability using in situ canopy reflectance and partial least squares regression | |
US20050163365A1 (en) | Apparatus and method of information extraction from electromagnetic energy based upon multi-characteristic spatial geometry processing | |
Harris | Spectral mapping tools from the earth sciences applied to spectral microscopy data | |
WO2009021178A1 (en) | Raman difference spectra based disease classification | |
Li et al. | Red blood cell count automation using microscopic hyperspectral imaging technology | |
WO2013184358A1 (en) | System and method for rapid cluster analysis of hyperspectral images | |
CN111504915A (zh) | 反演水体叶绿素浓度的方法、装置、设备及存储介质 | |
Ferreira et al. | Analyzing the spectral variability of tropical tree species using hyperspectral feature selection and leaf optical modeling | |
Prakash et al. | Luminous Red Galaxies: Selection and classification by combining optical and infrared photometry | |
Liu et al. | Maximum relevance, minimum redundancy band selection based on neighborhood rough set for hyperspectral data classification | |
CN114199800B (zh) | 一种水稻纹枯病识别方法、系统、设备及介质 | |
CN113820854B (zh) | 滤波部件的定制方法、滤波模组、配组方法、设备及介质 | |
US20130182954A1 (en) | Method and Apparatus for Simplifying Electro-optical Imaging Systems | |
Noble et al. | The use of spectral properties for weed detection and identification-a review | |
WO2006034223A2 (en) | System and method for hyper-spectral analysis | |
CN110335249A (zh) | 基于高光谱成像技术的柑橘黄龙病检测方法 | |
McCann et al. | Novel histogram based unsupervised classification technique to determine natural classes from biophysically relevant fit parameters to hyperspectral data | |
Patil et al. | Multiband Optical and Near-Infrared Properties of Faint Submillimeter Galaxies with Serendipitous ALMA Detections |
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 |