CN114048764B - 一种红外光谱包络线去除方法 - Google Patents

一种红外光谱包络线去除方法 Download PDF

Info

Publication number
CN114048764B
CN114048764B CN202111232956.0A CN202111232956A CN114048764B CN 114048764 B CN114048764 B CN 114048764B CN 202111232956 A CN202111232956 A CN 202111232956A CN 114048764 B CN114048764 B CN 114048764B
Authority
CN
China
Prior art keywords
envelope
acquiring
interval
spectrum
index set
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
Application number
CN202111232956.0A
Other languages
English (en)
Other versions
CN114048764A (zh
Inventor
王爽
安玲坪
武俊强
于粲
王伟东
王一豪
李娟�
刘学斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
XiAn Institute of Optics and Precision Mechanics of CAS
Original Assignee
XiAn Institute of Optics and Precision Mechanics of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by XiAn Institute of Optics and Precision Mechanics of CAS filed Critical XiAn Institute of Optics and Precision Mechanics of CAS
Priority to CN202111232956.0A priority Critical patent/CN114048764B/zh
Publication of CN114048764A publication Critical patent/CN114048764A/zh
Application granted granted Critical
Publication of CN114048764B publication Critical patent/CN114048764B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Spectrometry And Color Measurement (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供了一种红外光谱包络线去除方法，解决地物在红外波段采用现有包络线去除方法，导致红外光谱曲线特征不明显的问题。该方法包括步骤：1)获取原始光谱曲线D0(k)，k＝1，2，3...，K；2)获取归一化光谱D(k)；3)获取光谱极大值索引集I；4)将D(I)中幅值最大的点记为m；5)将m加入包络线索引集C；6)获取m右侧的包络线索引；7)获取m左侧的包络线索引；8)去除包络线索引集C中重复的点，将D(C)中所有光谱幅值按照索引从小到大的顺序用直线依次连接，得到包络线B(k)；9)按照下式获取去除包络线的归一化光谱D1(k)：D1(k)＝D(k)/B(k)。

Description

一种红外光谱包络线去除方法
技术领域
本发明涉及一种光谱包络线去除方法，具体涉及一种红外光谱包络线去除方法。
背景技术
高光谱仪器具有光谱分辨率高、波段数多的特点，能够获取近乎连续的光谱曲线。高光谱影像含有丰富的光谱特征，然而不同数据源获取的光谱信息有所差异，为了尽可能地消除环境和仪器带来的影响，必须对光谱曲线的变化特征进行增强处理。
包络线去除又称连续统去除，是遥感数据处理中常见的一种光谱分析方法，可以有效增强光谱曲线的吸收和反射特征，有助于特征提取和分类。包络线相当于光谱曲线的外壳，由连续的切线组成，得到方法通常有两种：一种是选取随波长变化的峰值点，用直线连接，并使折线在峰值点上的外角大于180°；另一种是以最大的峰值为起点，沿波长增加方向寻找与该点连线斜率最小的点并连接，随后以该点为起点重复这一步骤，波长减少方向类似。这两种方法得到的都是凸包络线。
对于地物遥感而言，物体产生的辐射形状与黑体辐射类似，在可见波段先上升后下降，光谱曲线为凸，而在红外波段呈下降趋势，光谱曲线并不总为凸，若继续使用上述方法得到的包络线，使得红外光谱曲线特征不明显，而无法最大化地突出目标光谱的吸收特征。
发明内容
为了解决地物在红外波段采用现有包络线去除方法，导致红外光谱曲线特征不明显，无法最大化地突出目标光谱吸收特征的技术问题，本发明提供了一种操作简单、可有效选取红外光谱峰值的红外光谱包络线去除方法。
为实现上述目的，本发明提供的技术方案是：
一种红外光谱包络线去除方法，其特殊之处在于，包括以下步骤：
步骤1、获取原始光谱曲线D0(k)；
获得单个地物目标在红外波段的原始光谱曲线D0(k)；
其中，波段用k表示，k＝1，2，3......K，K为总波段数，D0(k)表示该地物目标在第k波段的辐射值；
步骤2、获取归一化光谱D(k)；
对原始光谱曲线D0(k)进行归一化处理，获得归一化光谱数据D(k)：
D(k)＝D0(k)/MD
MD＝max[D0(k)]
其中，MD为原始光谱曲线中最大辐射值，归一化光谱数据D(k)的幅值在[0,1]区间；
步骤3、获取光谱极大值索引集I；
将D(k)中幅值满足一阶导为0且二阶导为负所对应的k，以及1和K存入极大值索引集I，极大值索引集I所对应的光谱幅值表示为D(I)；
步骤4、获取最大的峰值D(m)；
将D(I)中幅值最大的点记为m，光谱的最大峰值为D(m)；
步骤5、将m加入包络线索引集C；
创建一个空的索引集为包络线索引集C，并加入步骤4得到的m；
步骤6、获取m右侧的包络线索引；
步骤6.1、获取区间左侧端点S；
将步骤4得到的m赋给区间左端点S；
步骤6.2、判断右侧包络线是否完成；
若S的值为K，则右侧包络线完成，将K加入步骤5包络线索引集C，并跳转至步骤7.1；否则，进行步骤6.3；
步骤6.3、获取区间右侧端点E；
比较D(I)中S右侧所有点的幅值，幅值最大的点为区间右侧端点E，S＜E≤K；
步骤6.4、计算区间[S，E]内的斜率p(i)；
p(i)＝[D(i)-D(S)]/(i-S)
其中，i＝S+1，S+2...，E；
步骤6.5、获取包络线索引M；
选取最大斜率P(M)，并根据最大斜率P(M)，获取离步骤6.3中S最近的右侧包络线索引M，并将M加入包络线索引集C；其中，最大斜率P(M)计算如下：
P(M)＝max[p(i)]
其中，S＜M≤E；
步骤6.6、判断该区间是否仍有包络线索引；
若M与E相同，执行步骤6.7；若否，将M的值赋给S，跳转至步骤6.4；
步骤6.7、获取新的有效区间；
将E的值赋给S，跳转至步骤6.2；
步骤7、获取m左侧的包络线索引；
步骤7.1、获取区间右侧端点E；
将步骤4得到的m赋给区间右端点E；
步骤7.2、判断左侧包络线是否完成；
若E的值为1，则左侧包络线完成，将1加入包络线索引集C，并跳转至步骤8；若否，进行步骤7.3；
步骤7.3、获取区间左侧端点S；
比较D(I)中E左侧所有点的幅值，幅值最大的点为区间左侧端点S，1≤S＜E；
步骤7.4、计算区间[S，E]内的斜率p(j)；
p(j)＝[D(E)-D(j)]/(E-j)
其中，j＝S，S+1...，E-1；
步骤7.5、获取包络线索引N；
选取最小斜率P(N)，并根据最小斜率P(N)，获取离步骤7.3中S最近的左侧包络线索引N，并将N加入包络线索引集C；其中，最小斜率P(N)计算如下：
P(N)＝min[p(j)]
其中，S≤N＜E；
步骤7.6、判断该区间是否仍有包络线索引；
若N与S相同，执行步骤7.7；若否，将N的值赋给E，跳转至步骤7.4；
步骤7.7、获取新的有效区间；
将S的值赋给E，跳转至步骤7.2；
步骤8、获取包络线B(k)；
去除包络线索引集C中重复的点，此时包络线索引集C所对应的光谱幅值表示为D(C)，将D(C)中所有光谱幅值按照索引从小到大的顺序用直线依次连接，得到包络线B(k)，k＝1，2，3...，K；
步骤9、获取去除包络线的归一化光谱D1(k)；
按照下式获取去除包络线的归一化光谱D1(k)：
D1(k)＝D(k)/B(k)。
进一步地，步骤1中，利用光谱仪获取原始光谱曲线D0(k)。
与现有技术相比，本发明的优点是：
1、本发明方法结合地物红外光谱曲线呈下降趋势的特点，根据峰值对光谱曲线进行了区间划分，在每个符合条件的区间内进行包络线拟合，最终用于本地物红外光谱的包络线去除，这样得到的新包络线更加贴合光谱曲线的变化趋势，可有效放大目标的吸收和反射特征。
2、本发明基于地物红外光谱包络线去除方法，将光谱曲线重新分段进行包络线拟合，有效地突出了地物的吸收特征，对地物红外光谱数据处理技术的研究具有重要意义；
3、本发明方法在地物目标识别和分类领域有很大的应用前景。
附图说明
图1是本发明一个具体实施例的包络线拟合流程图；
图2是利用本发明方法处理数据前后的对比图，其中，(a)为原始红外光谱曲线以及本发明拟合得到的包络线；(b)为本发明实施例去除处理后的光谱曲线。
具体实施方式
以下结合附图和具体实施例对本发明的内容作进一步详细描述。
本发明结合地物红外光谱曲线呈下降趋势的特点，根据峰值对光谱曲线进行区间划分，在每个符合条件的区间内进行包络线拟合，最终服务于地物红外光谱的包络线去除。这样得到的新包络线更加贴合光谱曲线的变化趋势，可有效放大目标的吸收和反射特征，在地物目标识别和分类的相关研究中，具有很大的借鉴意义。
如图1所示，本发明一种红外光谱包络线去除方法，根据地物红外辐射特征对光谱曲线进行合理分段，在每一段区间进行包络线拟合，将所有区间包络线整合后再实现包络线去除。该方法具体包括以下步骤：
步骤1、获取原始光谱曲线D0(k)；
利用光谱仪获得单个地物目标在红外波段的原始光谱曲线D0(k)；
其中，波段用k表示，k＝1，2，3......K，K为总波段数，由光谱仪特性决定，D0(k)表示该地物目标在第k波段的辐射值；
步骤2、获取归一化光谱D(k)；
对步骤1)获取的原始光谱曲线D0(k)进行归一化处理，获得归一化光谱数据D(k)：
D(k)＝D0(k)/MD
MD＝max[D0(k)]
其中，k＝1，2，3......K，MD为原始光谱曲线中最大辐射值，归一化光谱数据D(k)的幅值在[0,1]区间；
步骤3、获取光谱极大值索引集I；
对步骤2)得到的D(k)进行筛选，将D(k)中幅值满足一阶导为0且二阶导为负条件所对应的k，以及1和K存入极大值索引集I，极大值索引集I所对应的归一化光谱幅值表示为D(I)，D(I)为归一化光谱D(k)的峰值，简称峰值；
步骤4、获取最大的峰值D(m)；
比较步骤3)得到的D(I)中所有点幅值，幅值最大的点记为m，光谱的最大峰值为D(m)；
步骤5、将m加入包络线索引集C；
创建一个空的索引集为包络线索引集C，并加入步骤4得到的m；
步骤6、获取m右侧的包络线索引；
步骤6.1、获取区间左侧端点S；
将步骤4得到的m赋给区间左端点S；
步骤6.2、判断右侧包络线是否完成；
若S的值为K，则右侧包络线完成，将K加入步骤5包络线索引集C，并跳转至步骤7；否则，进行下一步；
步骤6.3、获取区间右侧端点E；
比较步骤3)得到的D(I)中S右侧所有点的幅值，幅值最大的点为区间右侧端点E，S＜E≤K；
步骤6.4、计算区间[S，E]内的斜率p(i)；
p(i)＝[D(i)-D(S)]/(i-S)
其中，i＝S+1，S+2...，E；
步骤6.5、获取包络线索引M；
选取最大斜率P(M)，并根据最大斜率P(M)，获得对应的M，即获取离步骤6.3中S最近的右侧包络线索引M，并将M加入包络线索引集C；其中，最大斜率P(M)计算如下：
P(M)＝max[p(i)]
其中，S＜M≤E；
步骤6.6、判断该区间是否仍有包络线索引；
若M与E相同，说明该区间包络线索引均已找出，执行步骤6.7；若否，将M的值赋给S，跳转至步骤6.4；
步骤6.7、获取新的有效区间；
将E的值赋给S，跳转至步骤6.2；
步骤7、获取m左侧的包络线索引；
步骤7.1、获取区间右侧端点E；
将步骤4得到的m赋给区间右端点E；
步骤7.2、判断左侧包络线是否完成；
若E的值为1，则左侧包络线完成，将1加入包络线索引集C，并跳转至步骤8；若否，进行下一步，即执行步骤7.3；
步骤7.3、获取区间左侧端点S；
比较步骤3)得到的D(I)中E左侧所有点的幅值，幅值最大的点为区间左侧端点S，1≤S＜E；
步骤7.4、计算区间[S，E]内的斜率p(j)；
p(j)＝[D(E)-D(j)]/(E-j)
其中，j＝S，S+1...，E-1；
步骤7.5、获取包络线索引N；
选取最小斜率P(N)，并根据最小斜率P(N)，获得对应的N，即获取离步骤7.3中S最近的左侧包络线索引N，并将N加入包络线索引集C；其中，最小斜率P(N)计算如下：
P(N)＝min[p(j)]
其中，S≤N＜E；
步骤7.6、判断该区间是否仍有包络线索引；
若N与S相同，说明该区间包络线索引均已找出，继续下一步，即执行步骤7.7；若否，将N的值赋给E，跳转至步骤7.4；
步骤7.7、获取新的有效区间；
将S的值赋给E，跳转至步骤7.2；
步骤8、获取包络线B(k)；
去除包络线索引集C中重复的点，此时包络线索引集C所对应的光谱幅值表示为D(C)，将D(C)中所有光谱幅值按照索引从大到小的顺序用直线依次连接，得到包络线B(k)，k＝1，2，3...，K；
步骤9、获取归一化光谱D1(k)；
按照下式获取去除包络线的归一化光谱D1(k)：
D1(k)＝D(k)/B(k)。
对本发明红外光谱包络线去除方法的试验验证：
参照图2，(a)为原始红外光谱曲线图及本发明拟合得到的包络线；(b)为本发明实施例去除处理后的归一化光谱曲线。从中可以看出，原始光谱呈现下降趋势，吸收位置在信号弱的地方不明显，而采用本发明方法校正后，出现了更多最大值，这表示吸收位置两侧到顶，吸收效果更明显，有利于后续计算吸收宽度等光谱特征。
以上仅是对本发明的优选实施方式进行了描述，并不将本发明的技术方案限制于此，本领域技术人员在本发明主要技术构思的基础上所作的任何变形都属于本发明所要保护的技术范畴。

Claims (2)

1.一种红外光谱包络线去除方法，其特征在于，包括以下步骤：
步骤1、获取原始光谱曲线D0(k)；
获得单个地物目标在红外波段的原始光谱曲线D0(k)；
其中，波段用k表示，k＝1，2，3......K，K为总波段数，D0(k)表示该地物目标在第k波段的辐射值；
步骤2、获取归一化光谱D(k)；
对原始光谱曲线D0(k)进行归一化处理，获得归一化光谱数据D(k)：
D(k)＝D0(k)/MD
MD＝max[D0(k)]
其中，MD为原始光谱曲线中最大辐射值，归一化光谱数据D(k)的幅值在[0,1]区间；
步骤3、获取光谱极大值索引集I；
将D(k)中幅值满足一阶导为0且二阶导为负所对应的k，以及1和K存入极大值索引集I，极大值索引集I所对应的光谱幅值表示为D(I)；
步骤4、获取最大的峰值D(m)；
将D(I)中幅值最大的点记为m，光谱的最大峰值为D(m)；
步骤5、将m加入包络线索引集C；
创建一个空的索引集为包络线索引集C，并加入步骤4得到的m；
步骤6、获取m右侧的包络线索引；
步骤6.1、获取区间左侧端点S；
将步骤4得到的m赋给区间左端点S；
步骤6.2、判断右侧包络线是否完成；
若S的值为K，则右侧包络线完成，将K加入步骤5包络线索引集C，并跳转至步骤7.1；否则，进行步骤6.3；
步骤6.3、获取区间右侧端点E；
比较D(I)中S右侧所有点的幅值，幅值最大的点为区间右侧端点E，S＜E≤K；
步骤6.4、计算区间[S，E]内的斜率p(i)；
p(i)＝[D(i)-D(S)]/(i-S)
其中，i＝S+1，S+2...，E；
步骤6.5、获取包络线索引M；
选取最大斜率P(M)，并根据最大斜率P(M)，获取离步骤6.3中S最近的右侧包络线索引M，并将M加入包络线索引集C；其中，最大斜率P(M)计算如下：
P(M)＝max[p(i)]
其中，S＜M≤E；
步骤6.6、判断该区间是否仍有包络线索引；
若M与E相同，执行步骤6.7；若否，将M的值赋给S，跳转至步骤6.4；
步骤6.7、获取新的有效区间；
将E的值赋给S，跳转至步骤6.2；
步骤7、获取m左侧的包络线索引；
步骤7.1、获取区间右侧端点E；
将步骤4得到的m赋给区间右端点E；
步骤7.2、判断左侧包络线是否完成；
若E的值为1，则左侧包络线完成，将1加入包络线索引集C，并跳转至步骤8；若否，进行步骤7.3；
步骤7.3、获取区间左侧端点S；
比较D(I)中E左侧所有点的幅值，幅值最大的点为区间左侧端点S，1≤S＜E；
步骤7.4、计算区间[S，E]内的斜率p(j)；
p(j)＝[D(E)-D(j)]/(E-j)
其中，j＝S，S+1...，E-1；
步骤7.5、获取包络线索引N；
选取最小斜率P(N)，并根据最小斜率P(N)，获取离步骤7.3中S最近的左侧包络线索引N，并将N加入包络线索引集C；其中，最小斜率P(N)计算如下：
P(N)＝min[p(j)]
其中，S≤N＜E；
步骤7.6、判断该区间是否仍有包络线索引；
若N与S相同，执行步骤7.7；若否，将N的值赋给E，跳转至步骤7.4；
步骤7.7、获取新的有效区间；
将S的值赋给E，跳转至步骤7.2；
步骤8、获取包络线B(k)；
去除包络线索引集C中重复的点，此时包络线索引集C所对应的光谱幅值表示为D(C)，将D(C)中所有光谱幅值按照索引从小到大的顺序用直线依次连接，得到包络线B(k)，k＝1，2，3...，K；
步骤9、获取去除包络线的归一化光谱D1(k)；
按照下式获取去除包络线的归一化光谱D1(k)：
D1(k)＝D(k)/B(k)。
2.根据权利要求1所述红外光谱包络线去除方法，其特征在于：步骤1中，利用光谱仪获取原始光谱曲线D0(k)。
CN202111232956.0A 2021-10-22 2021-10-22 一种红外光谱包络线去除方法 Active CN114048764B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111232956.0A CN114048764B (zh) 2021-10-22 2021-10-22 一种红外光谱包络线去除方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111232956.0A CN114048764B (zh) 2021-10-22 2021-10-22 一种红外光谱包络线去除方法

Publications (2)

Publication Number Publication Date
CN114048764A CN114048764A (zh) 2022-02-15
CN114048764B true CN114048764B (zh) 2023-04-18

Family

ID=80205935

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111232956.0A Active CN114048764B (zh) 2021-10-22 2021-10-22 一种红外光谱包络线去除方法

Country Status (1)

Country Link
CN (1) CN114048764B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105606537A (zh) * 2015-08-31 2016-05-25 山东科技大学 基于多类型光谱特征参数协同的矿物类型遥感识别方法
DE102015105239A1 (de) * 2015-04-07 2016-10-13 Analytik Jena Ag Verfahren zur Korrektur von Untergrundsignalen in einem Spektrum
CN106053430A (zh) * 2016-06-16 2016-10-26 重庆大学 一种用于微量气体拉曼光谱检测基线校正的包络线迭代方法
CN106644946A (zh) * 2016-10-28 2017-05-10 核工业北京地质研究院 一种野外岩石矿物光谱的包络线去除方法
CN108593569A (zh) * 2018-07-02 2018-09-28 中国地质环境监测院 基于光谱形态特征的高光谱水质参数定量反演方法
CN113092400A (zh) * 2021-03-19 2021-07-09 西北核技术研究所 一种多特征约束加权拟合的高光谱地物识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102015105239A1 (de) * 2015-04-07 2016-10-13 Analytik Jena Ag Verfahren zur Korrektur von Untergrundsignalen in einem Spektrum
CN105606537A (zh) * 2015-08-31 2016-05-25 山东科技大学 基于多类型光谱特征参数协同的矿物类型遥感识别方法
CN106053430A (zh) * 2016-06-16 2016-10-26 重庆大学 一种用于微量气体拉曼光谱检测基线校正的包络线迭代方法
CN106644946A (zh) * 2016-10-28 2017-05-10 核工业北京地质研究院 一种野外岩石矿物光谱的包络线去除方法
CN108593569A (zh) * 2018-07-02 2018-09-28 中国地质环境监测院 基于光谱形态特征的高光谱水质参数定量反演方法
CN113092400A (zh) * 2021-03-19 2021-07-09 西北核技术研究所 一种多特征约束加权拟合的高光谱地物识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ke xu.Photoplethysmography Motion Artifacts Removal Based on Signal-Noise Interaction Modeling Utilizing Envelope Filtering and Time-Delay Neural Network.《IEEE Sensors Journal》.2019,全文. *
丁丽霞 ; 王志辉 ; 葛宏立 ; .基于包络线法的不同树种叶片高光谱特征分析.浙江林学院学报.2010,(06),全文. *
卢青 ; 王雅琳 ; 彭凯 ; 薛永飞 ; 谢永芳 ; .EMD包络线拟合算法改进及在泡沫尺寸趋势提取中的应用.江南大学学报(自然科学版).2015,(06),全文. *
时培明 ; 王敬 ; 温江涛 ; 田广军 ; .基于包络线算法改进EMD的旋转机械故障诊断方法研究.计量学报.2016,(01),全文. *
郭超凡.基于可见光波段包络线去除的湿地植物叶片叶绿素估算.《生态学报》.2016,全文. *

Also Published As

Publication number Publication date
CN114048764A (zh) 2022-02-15

Similar Documents

Publication Publication Date Title
CN110243806B (zh) 拉曼光谱下基于相似度的混合物组分识别方法
CN111489309B (zh) 一种稀疏解混的预处理装置及方法
US10541119B2 (en) Method for identifying microorganisms by mass spectrometry
CN112557332B (zh) 一种基于光谱分峰拟合的光谱分段和光谱比对方法
CN108985357B (zh) 基于图像特征的集合经验模态分解的高光谱图像分类方法
CN102854147B (zh) 一种基于高光谱数据的壁画底稿信息提取方法
CN104850859A (zh) 一种基于多尺度分析的图像特征包构建方法
Li et al. Spatial attention guided residual attention network for hyperspectral image classification
CN114048764B (zh) 一种红外光谱包络线去除方法
CN113920376A (zh) 一种基于轻量型卷积神经网络的小麦种子品种鉴别的方法
CN110991463B (zh) 一种超像素图引导下的多尺度引导滤波特征提取方法
CN116152524A (zh) 一种小麦种子分类方法
CN109254654B (zh) 一种结合PCA和PCANet的驾驶疲劳特征提取方法
CN109271874B (zh) 一种融合空间和光谱信息的高光谱图像特征提取方法
CN117037834B (zh) 一种会议语音数据智能采集方法及系统
CN100334467C (zh) 航空高光谱遥感图像光谱域噪声自检测与去除方法
CN102880861A (zh) 基于线性预测倒谱系数的高光谱图像分类方法
CN114155385B (zh) 一种基于深度学习的rgb与高光谱的烟草识别方法
CN115561193A (zh) 一种傅里叶红外光谱仪数据处理和分析系统
CN110047062B (zh) 一种用于茶叶外形品质检测的高光谱特征波段优化方法
CN109785825B (zh) 一种语音识别的算法及储存介质、应用其的电器
CN113177488A (zh) 基于最佳指数波段组合的高光谱图像波段选择方法
CN106815314A (zh) 基于幅值相位混合建模的图像检索方法
CN109009090A (zh) 一种基于直方图的脑信号图显示方法
CN105005795A (zh) 一种基于空间分层匹配的超光谱分类方法和装置

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