CN114018834A - 一种硅基多光谱信号的智能识别目标方法及探测装置 - Google Patents
一种硅基多光谱信号的智能识别目标方法及探测装置 Download PDFInfo
- Publication number
- CN114018834A CN114018834A CN202110899919.9A CN202110899919A CN114018834A CN 114018834 A CN114018834 A CN 114018834A CN 202110899919 A CN202110899919 A CN 202110899919A CN 114018834 A CN114018834 A CN 114018834A
- Authority
- CN
- China
- Prior art keywords
- image
- multispectral
- spectral
- visible light
- electrically connected
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种硅基多光谱信号的智能识别目标方法及探测装置,属于硅基多光谱信号技术领域,该硅基多光谱信号的智能识别目标方法及探测装置包括成像模块、融合识别模块、控制模块和温控模块,所述成像模块、融合识别模块和控制模块依次通过电连接;所述成像模块由扫描镜、成像光学元件和分光元件构成,所述扫描镜用于接受被测多光谱信号,所述成像光学元件由离轴三镜反射光学元件构成,本发明可以很好地利用空间信息,使经过特征提取后的图像属性特征更加明显,并且可以从整体上进行特征提取,无需对每一个像素点进行特征提取,降低其计算量,耗费时间短,有利于实际商业化处理应用。
Description
技术领域
本发明属于硅基多光谱信号技术领域,具体涉及一种硅基多光谱信号的智能识别目标方法及探测装置。
背景技术
硅基多光谱图像信号特征提取技术,是通过对原始数据集进行变换,得到一个新的数据集。在变换过程中,可以融入去燥等技术,使得变换后的图像噪声更低。现有的多光谱图像融合方法有成分替换法、多分辨率分析法、贝叶斯法和基于深度学习的方法。而贝叶斯方法用最大化后验概率的思路或变分的数学方法来建模能降低融合问题的病态程度。
但上述方法中,它们无法很好地利用空间信息,不能使经过特征提取后的图像信息属性特征更加明显;同时它们没有从空间维和光谱维两个维度来进行联合特征提取,无法很好利用高光谱图像三维数据信息的优点,无法提高分类精度;并且由于上述方法不能从整体上进行特征提取,只能对每一个像素点进行特征提取,其计算量很大,耗费时间很长,不利于实际商业化处理和应用。
发明内容
本发明的目的在于提供一种硅基多光谱信号的智能识别目标方法及探测装置,旨在解决现有技术中的硅基多光谱图像信号特征提取技术无法很好地利用空间信息,不能使经过特征提取后的图像信息属性特征更加明显;同时它们没有从空间维和光谱维两个维度来进行联合特征提取,无法很好利用高光谱图像三维数据信息的优点,无法提高分类精度;并且由于上述方法不能从整体上进行特征提取,只能对每一个像素点进行特征提取,其计算量很大,耗费时间很长,不利于实际商业化处理应用等问题。
为实现上述目的,本发明提供如下技术方案:
一种硅基多光谱信号的探测装置包括成像模块、融合识别模块、控制模块和温控模块,所述成像模块、融合识别模块和控制模块依次通过电连接;
所述成像模块由扫描镜、成像光学元件和分光元件构成,所述扫描镜用于接受被测多光谱信号,所述成像光学元件由离轴三镜反射光学元件构成,用于在宽的视场内提供一个光谱范围宽、分辨率高的无遮挡视场,所述分光元件由分光镜构成,用于对接收的多光谱的划分;
所述控制模块由控制器构成;
所述融合识别模块包括可见光近红外处理器、红外处理器和图像信号处理器,所述可见光近红外处理器和红外处理器与图像信号处理器通过控制器进行电连接,所述图像信号处理器电连接有储存器。
优选的,所述温控模块包括温控板和温控器,所述温控板电连接在成像光学元件和分光元件上,所述温控器电连接于控制器上,且温控器与温控板电连接。
优选的,所述分光元件中由分光镜划分的六个谱段分别由六个探测器进行探测,六个所述探测器分别为第一可见光探测器、第二可见光探测器、第三可见光探测器、近红外探测器、中波红外探测器和长波红外探测器。
优选的,所述第一可见光探测器、第二可见光探测器、第三可见光探测器和近红外探测器均与可见光近红外处理器电连接,所述中波红外探测器和长波红外探测器均与红外处理器电连接。
优选的,所述控制器与外部显示设备电连接,用于将探测的多光谱信号进行显示。
一种硅基多光谱信号的智能识别目标方法,包括以下步骤:
S1:首先通过将图像处理器内接受的全色图像进行自适应提取边缘细节信息并注入多光谱图像中以建立边缘自适应提取约束项获得第一个能量泛函,即边缘自适应提取约束;
S2:然后根据全色图像是融合图像各波段的线性组合的假设估计多光谱图像各波段线性组合系数可以建立线性组合系数约束项获得第二个能量泛函,即线性组合系数约束;
S3:再根据低空间分辨率多光谱图像是由融合图像经过模糊和下采样处理后得到的假设建立光谱信息保持约束项获得第三个能量泛函,即光谱信息保持约束;
S4:最后根据融合前后多光谱图像波段比例关系一致可减轻光谱失真的假设建立波段比例关系保持约束获得第四个能量泛函,即波段比例关系保持约束;
S5:将S1和S4中四个能量泛函合并到一个模糊集从而获得一个总能量泛函;
S6:将总的能量泛函进行泛函极小化计算,然后通过梯度下降法求解泛函得到最优解,即为高空间分辨率的多光谱图像;
S7:将S6得到的多光谱图像通过自动图像识别算法进行识别,完成对多光谱信号的融合与智能识别。
所述S7中图像识别算法的识别步骤为:
T1:首先对高空间分辨率的多光谱图像进行亮度分量处理,其中亮度分量处理采用HSI亮度分量算法;
T2:再对T1得到的图像进行导向滤波去噪处理,其中在导向滤波去噪处理求取均值、方差时,使用:
T3:然后对去噪完成的图像进行叠加色差分量处理,其中叠加色差分量处理为基于色比色差定律的插值算法;
T4:经过以上T1-T3步骤得到的增强的夜视图像,再将增强的夜视图像通过自动识别算法进行识别,从而得到高准确率的识别结果,其中自动识别算法,利用k-means聚类方法选取目标候选框个数和宽高比维度,调整网络参数并提高输入图像分辨率。
与现有技术相比,本发明的有益效果是:
1、本方案中,可以很好地利用空间信息,使经过特征提取后的图像属性特征更加明显;
2、本方案中,从空间维和光谱维两个维度来进行联合特征提取,能很好利用高光谱图像三维数据信息的优点,提高分类精度;
3、本方案中可以从整体上进行特征提取,无需对每一个像素点进行特征提取,降低其计算量,耗费时间短,有利于实际商业化处理应用。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明的探测装置系统的结构示意图;
图2为本发明中分光元件的局部图;
图3为本发明的融合是识别方法流程示意图;
图4为本发明中智能识别目标方法的网络模型图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
请参阅图1-图3,本发明提供以下技术方案:一种硅基多光谱信号的智能识别目标方法及探测装置包括成像模块、融合识别模块、控制模块和温控模块,成像模块、融合识别模块和控制模块依次通过电连接;
成像模块由扫描镜、成像光学元件和分光元件构成,扫描镜用于接受被测多光谱信号,成像光学元件由离轴三镜反射光学元件构成,用于在宽的视场内提供一个光谱范围宽、分辨率高的无遮挡视场,分光元件由分光镜构成,用于对接收的多光谱的划分;
控制模块由控制器构成;
融合识别模块包括可见光近红外处理器、红外处理器和图像信号处理器,可见光近红外处理器和红外处理器与图像信号处理器通过控制器进行电连接,图像信号处理器电连接有储存器。
具体的,温控模块包括温控板和温控器,温控板电连接在成像光学元件和分光元件上,温控器电连接于控制器上,且温控器与温控板电连接。
具体的,分光元件中由分光镜划分的六个谱段分别由六个探测器进行探测,六个探测器分别为第一可见光探测器、第二可见光探测器、第三可见光探测器、近红外探测器、中波红外探测器和长波红外探测器。
具体的,第一可见光探测器、第二可见光探测器、第三可见光探测器和近红外探测器均与可见光近红外处理器电连接,中波红外探测器和长波红外探测器均与红外处理器电连接。
具体的,控制器与外部显示设备电连接,用于将探测的多光谱信号进行显示。
一种硅基多光谱信号的智能识别目标方法,包括以下步骤:
S1:首先通过将图像处理器内接受的全色图像进行自适应提取边缘细节信息并注入多光谱图像中以建立边缘自适应提取约束项获得第一个能量泛函,即边缘自适应提取约束;
S2:然后根据全色图像是融合图像各波段的线性组合的假设估计多光谱图像各波段线性组合系数可以建立线性组合系数约束项获得第二个能量泛函,即线性组合系数约束;
S3:再根据低空间分辨率多光谱图像是由融合图像经过模糊和下采样处理后得到的假设建立光谱信息保持约束项获得第三个能量泛函,即光谱信息保持约束;
S4:最后根据融合前后多光谱图像波段比例关系一致可减轻光谱失真的假设建立波段比例关系保持约束获得第四个能量泛函,即波段比例关系保持约束;
S5:将S1和S4中四个能量泛函合并到一个模糊集从而获得一个总能量泛函;
S6:将总的能量泛函进行泛函极小化计算,然后通过梯度下降法求解泛函得到最优解,即为高空间分辨率的多光谱图像;
S7:将S6得到的多光谱图像通过自动图像识别算法进行识别,完成对多光谱信号的融合与智能识别。
具体的,S7中图像识别算法的识别步骤为:
T1:首先对高空间分辨率的多光谱图像进行亮度分量处理,其中亮度分量处理采用HSI亮度分量算法;
T2:再对T1得到的图像进行导向滤波去噪处理,其中在导向滤波去噪处理求取均值、方差时,使用:
T3:然后对去噪完成的图像进行叠加色差分量处理,其中叠加色差分量处理为基于色比色差定律的插值算法;
T4:经过以上T1-T3步骤得到的增强的夜视图像,再将增强的夜视图像通过自动识别算法进行识别,从而得到高准确率的识别结果,其中自动识别算法,利用k-means聚类方法选取目标候选框个数和宽高比维度,调整网络参数并提高输入图像分辨率。
具体的实现过程如下:
1:采用自适应提取边缘方法来控制注入多光谱图像的边缘信息量,在阈值求取和边缘连接上做了相应的改进,首先统计经过非极大值抑制后的图像梯度矩阵N(i,j)中各梯度值的点数形成梯度直方图,然后发现直方图的梯度集中在0~50,优选的,可以采用对比度扩展来扩展梯度范围,选用对数变换方法,可应用数变换公式如下:
Gra(i,j)=Alb(N(i,j)+1)
其中A的取值由N(i,j)中的最大值和新梯度图像的梯度阶数L决定
1)计算全图梯度矩阵Gra(i,j)的梯度均值μ和梯度方差δ,若δ>K,其中K为常数,表示图像各区域的目标和背景梯度的变化程度;
2)对Gra(i,j)按照四叉树[14]原理平均分成四块,按逆时针方向分别计算每一子块的梯度均值μ和梯度方差δ,若该子块的梯度方差符合δ>K,则继续按四叉树分解,否则跳到下一步;
3)确定分割的局部阈值,对于每一个满足δ≤K的梯度块应用Otsu方法,求得最佳分割阈值,得到与子梯度矩阵大小相同的阈值矩阵,判断是否对所有的子块完成了四叉树分解,若还有未分解的子块,回退;
4)经过以上三步,得到了与Gra(i,j)大小相同的阈值矩阵TA,为了平衡各个子图像之间的块状效应,可以使用插值的方法得到一个新的阈值矩阵,这样可以明显地减轻块状效应的影响,对TA进行插值:对相邻两个子块的相邻四行(四列)进行等间距插值,得到最终的阈值矩阵TH。TH作为高阈值矩阵,低阈值矩阵TL=0.4×TH;
5)得到阈值分割矩阵TH和TL后,需要对梯度矩阵Gra(i,j)进行阈值分割和边缘点连接。
2:全色图像可以看作融合图像各波段的线性组合,但线性组合系数如果相同则不能很好地表达多光谱图像与全色图像之间的结构相关性,优选的,在此处为避免空间结构失真,采用自适应估计线性组合系数方法,计算线性组合系数:
3:低空间分辨率的多光谱图像是由高空间分辨率的多光谱图像经过模糊和下采样处理后得到的,每个波段的模糊核存在一定的差异需要分波段进行估计以保持光谱信息,进行模糊核的估计。
4:多光谱图像波段之间具有一定的比例关系,融合前后图像波段比例关系保持恒定能减轻图像的光谱失真程度。
波段比例关系保持约束来表征这种恒定的比例关系。
其中其中自动识别算法亦可使用改进的YOLOv3红外视频图像识别算法,针对图像中行人的识别可根据行人在红外图像中呈现宽高比相对固定的特点,利用k-means聚类方法(k-means算法是一种简单的迭代型聚类算法,采用距离作为相似性指标,从而发现给定数据集中的K个类,且每个类的中心是根据类中所有值的均值得到,每个类用聚类中心来描述。对于给定的一个包含n个d维数据点的数据集X以及要分得的类别K,选取欧式距离作为相似度指标,聚类目标是使得各类的聚类平方和最小,即最小化:结合最小二乘法和拉格朗日原理,聚类中心为对应类别中各数据点的平均值,同时为了使得算法收敛,在迭代过程中,应使最终的聚类中心尽可能的不变)选取目标候选框个数和宽高比维度,调整网络参数并提高输入图像分辨率,最后进行多尺度训练得到最优检测模型,从而检测红外视频图像序列中的行人目标,并通过候选框标注行人位置,此种识别算法在红外行人检测中的准确率高达90.63%,明显优于Faster-rcnn和YOLO 算法,且改进后的网络能够同时检测到更多目标,降低了漏检率。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种硅基多光谱信号的智能识别目标方法及探测装置,其中探测装置包括成像模块、融合识别模块、控制模块和温控模块,其特征在于:所述成像模块、融合识别模块和控制模块依次通过电连接;
所述成像模块由扫描镜、成像光学元件和分光元件构成,所述扫描镜用于接受被测多光谱信号光源,所述成像光学元件由离轴三镜反射光学元件组成,用于在宽的视场内提供一个光谱范围宽、分辨率高的无遮挡的视场,所述分光元件由分光镜构成,用于对接收的多光谱信号光源进行划分;
所述控制模块由控制器构成;
所述融合识别模块包括可见光近红外处理器、红外处理器和图像信号处理器,所述可见光近红外处理器和红外处理器与图像信号处理器通过控制器进行双向电连接,所述图像信号处理器电连接有储存器。
2.根据权利要求1所述的硅基多光谱信号的智能识别目标方法及探测装置,其中探测装置,其特征在于:所述温控模块包括温控板和温控器,所述温控板电连接于成像光学元件和分光元件上,所述温控器电连接在控制器上,且温控器与温控板之间通过电连接。
3.根据权利要求1所述的硅基多光谱信号的智能识别目标方法及探测装置,其中探测装置,其特征在于:所述分光元件中由分光镜划分的六个光信号谱段分别由六个探测器进行探测,六个所述探测器分别为第一可见光探测器、第二可见光探测器、第三可见光探测器、近红外探测器、中波红外探测器和长波红外探测器。
4.根据权利要求3所述的硅基多光谱信号的智能识别目标方法及探测装置,其中探测装置,其特征在于:所述第一可见光探测器、第二可见光探测器、第三可见光探测器和近红外探测器均与可见光近红外处理器电连接,所述中波红外探测器和长波红外探测器均与红外处理器电连接。
5.根据权利要求1所述的硅基多光谱信号的智能识别目标方法及探测装置,其中探测装置,其特征在于:所述控制器与外部显示设备电连接,用于将探测的多光谱信号进行展示。
6.一种硅基多光谱信号的智能识别目标方法及探测装置,其中识别目标方法,其特征在于:包括以下步骤:
S1:首先通过将图像处理器内接受的全色图像进行自适应提取边缘细节信息并注入多光谱图像中以建立边缘自适应提取约束项获得第一个能量泛函,即边缘自适应提取约束;
S2:然后根据全色图像是融合图像各波段的线性组合的假设估计多光谱图像各波段线性组合系数可以建立线性组合系数约束项获得第二个能量泛函,即线性组合系数约束;
S3:再根据低空间分辨率多光谱图像是由融合图像经过模糊和下采样处理后得到的假设建立光谱信息保持约束项获得第三个能量泛函,即光谱信息保持约束;
S4:最后根据融合前后多光谱图像波段比例关系一致可减轻光谱失真的假设建立波段比例关系保持约束以此获得第四个能量泛函,即波段比例关系保持约束;
S5:将S1至S4中四个能量泛函合并到一个模糊集中,从而获得一个总能量泛函;
S6:将S5获得的总能量泛函进行泛函极小化计算,然后通过梯度下降法求解泛函得到最优解,即为高空间分辨率的多光谱图像;
S7:最后将S6得到的多光谱图像通过自动图像识别算法进行识别,完成对多光谱信号的融合与智能识别。
7.根据权利要求6所述的硅基多光谱信号的智能识别目标方法,其特征在于:所述S7中图像识别算法的识别步骤为:
T1:首先对高空间分辨率的多光谱图像进行亮度分量处理,其中亮度分量处理采用HSI亮度分量算法;
T2:再对T1得到的图像进行导向滤波去噪处理,其中在导向滤波去噪处理求取均值、方差时,使用:
T3:然后对去噪完成的图像进行叠加色差分量处理,其中叠加色差分量处理为基于色比色差定律的插值算法;
T4:经过以上T1-T3步骤得到的增强的夜视图像,再将增强的夜视图像通过自动识别算法进行识别,从而得到高准确率的识别结果,其中自动识别算法,可以利用k-means聚类方法来选取目标候选框个数和宽高比的维度,以此调整网络参数并提高输入图像分辨率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110899919.9A CN114018834A (zh) | 2021-08-06 | 2021-08-06 | 一种硅基多光谱信号的智能识别目标方法及探测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110899919.9A CN114018834A (zh) | 2021-08-06 | 2021-08-06 | 一种硅基多光谱信号的智能识别目标方法及探测装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114018834A true CN114018834A (zh) | 2022-02-08 |
Family
ID=80054291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110899919.9A Pending CN114018834A (zh) | 2021-08-06 | 2021-08-06 | 一种硅基多光谱信号的智能识别目标方法及探测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114018834A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757854A (zh) * | 2022-06-15 | 2022-07-15 | 深圳市安星数字系统有限公司 | 基于多光谱分析的夜视图像质量提升方法、装置、设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101930604A (zh) * | 2010-09-08 | 2010-12-29 | 中国科学院自动化研究所 | 基于低频相关性分析的全色图像与多光谱图像融合方法 |
CN103793898A (zh) * | 2014-01-20 | 2014-05-14 | 浙江大学 | 基于非凸非光滑泛函的图像融合方法 |
WO2014102458A1 (en) * | 2012-12-31 | 2014-07-03 | Nokia Corporation | Method and apparatus for image fusion |
CN106932097A (zh) * | 2017-02-15 | 2017-07-07 | 南京华图信息技术有限公司 | 一种双波段成像关联全光谱测谱的弱目标探测装置与方法 |
CN108537807A (zh) * | 2017-03-02 | 2018-09-14 | 中国科学院遥感与数字地球研究所 | 一种基于高分四号卫星影像改进的边缘增强检测方法 |
CN110031980A (zh) * | 2019-04-04 | 2019-07-19 | 中国科学院光电技术研究所 | 一种“四光合一”的光谱分光结构 |
CN111274988A (zh) * | 2020-02-10 | 2020-06-12 | 安徽大学 | 一种基于多光谱的车辆重识别方法及装置 |
US20200302249A1 (en) * | 2019-03-19 | 2020-09-24 | Mitsubishi Electric Research Laboratories, Inc. | Systems and Methods for Multi-Spectral Image Fusion Using Unrolled Projected Gradient Descent and Convolutinoal Neural Network |
CN112578555A (zh) * | 2020-12-29 | 2021-03-30 | 中国科学院长春光学精密机械与物理研究所 | 一种共口径多通道宽谱段大视场成像光学系统 |
-
2021
- 2021-08-06 CN CN202110899919.9A patent/CN114018834A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101930604A (zh) * | 2010-09-08 | 2010-12-29 | 中国科学院自动化研究所 | 基于低频相关性分析的全色图像与多光谱图像融合方法 |
WO2014102458A1 (en) * | 2012-12-31 | 2014-07-03 | Nokia Corporation | Method and apparatus for image fusion |
CN103793898A (zh) * | 2014-01-20 | 2014-05-14 | 浙江大学 | 基于非凸非光滑泛函的图像融合方法 |
CN106932097A (zh) * | 2017-02-15 | 2017-07-07 | 南京华图信息技术有限公司 | 一种双波段成像关联全光谱测谱的弱目标探测装置与方法 |
CN108537807A (zh) * | 2017-03-02 | 2018-09-14 | 中国科学院遥感与数字地球研究所 | 一种基于高分四号卫星影像改进的边缘增强检测方法 |
US20200302249A1 (en) * | 2019-03-19 | 2020-09-24 | Mitsubishi Electric Research Laboratories, Inc. | Systems and Methods for Multi-Spectral Image Fusion Using Unrolled Projected Gradient Descent and Convolutinoal Neural Network |
CN110031980A (zh) * | 2019-04-04 | 2019-07-19 | 中国科学院光电技术研究所 | 一种“四光合一”的光谱分光结构 |
CN111274988A (zh) * | 2020-02-10 | 2020-06-12 | 安徽大学 | 一种基于多光谱的车辆重识别方法及装置 |
CN112578555A (zh) * | 2020-12-29 | 2021-03-30 | 中国科学院长春光学精密机械与物理研究所 | 一种共口径多通道宽谱段大视场成像光学系统 |
Non-Patent Citations (2)
Title |
---|
方赛华: "基于卷积神经网络的多光谱与全色图像融合算法研究", 《全国优秀硕士论文全文数据库》, pages 3 - 7 * |
李顺荣: "BP网络在火箭尾焰测温中的应用研究", 《全国优秀硕士论文全文数据库》, pages 47 - 50 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757854A (zh) * | 2022-06-15 | 2022-07-15 | 深圳市安星数字系统有限公司 | 基于多光谱分析的夜视图像质量提升方法、装置、设备 |
CN114757854B (zh) * | 2022-06-15 | 2022-09-02 | 深圳市安星数字系统有限公司 | 基于多光谱分析的夜视图像质量提升方法、装置、设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shao et al. | Cloud detection in remote sensing images based on multiscale features-convolutional neural network | |
CN109584248B (zh) | 基于特征融合和稠密连接网络的红外面目标实例分割方法 | |
Li et al. | Hyperspectral pansharpening via improved PCA approach and optimal weighted fusion strategy | |
CN110059586B (zh) | 一种基于空洞残差注意力结构的虹膜定位分割系统 | |
CN105184779B (zh) | 一种基于快速特征金字塔的车辆多尺度跟踪方法 | |
CN111145131A (zh) | 一种基于多尺度生成式对抗网络的红外和可见光图像融合方法 | |
CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
JP2014515587A (ja) | デジタル画像装置用の画像処理パイプラインの学習 | |
Li et al. | DMNet: A network architecture using dilated convolution and multiscale mechanisms for spatiotemporal fusion of remote sensing images | |
CN114782298B (zh) | 一种具有区域注意力的红外与可见光图像融合方法 | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN113822352B (zh) | 基于多特征融合的红外弱小目标检测方法 | |
CN112308873B (zh) | 多尺度Gabor小波PCA融合图像边缘检测方法 | |
CN112633185A (zh) | 图像处理的方法及装置 | |
CN109166089A (zh) | 一种对多光谱图像和全色图像进行融合的方法 | |
Gao et al. | Improving the performance of infrared and visible image fusion based on latent low-rank representation nested with rolling guided image filtering | |
CN109215003B (zh) | 一种图像融合方法及装置 | |
CN112906531A (zh) | 一种基于非监督分类的多源遥感影像时空融合方法及系统 | |
CN110111276A (zh) | 基于空-谱信息深度利用的高光谱遥感影像超分辨率方法 | |
CN107609571A (zh) | 一种基于lark特征的自适应目标跟踪方法 | |
Xie et al. | Trainable spectral difference learning with spatial starting for hyperspectral image denoising | |
CN113449658A (zh) | 基于空域、频域、时域的夜间视频序列显著性检测方法 | |
Zhao et al. | Sparse-representation-based automatic target detection in infrared imagery | |
CN109215006B (zh) | 基于显著性总变分模型与l2-范数优化的图像融合方法 | |
Chen et al. | Scene segmentation of remotely sensed images with data augmentation using U-net++ |
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 |