CN114155207A - 高光谱监测方法、装置、设备及存储介质 - Google Patents

高光谱监测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114155207A
CN114155207A CN202111342353.6A CN202111342353A CN114155207A CN 114155207 A CN114155207 A CN 114155207A CN 202111342353 A CN202111342353 A CN 202111342353A CN 114155207 A CN114155207 A CN 114155207A
Authority
CN
China
Prior art keywords
image data
hyperspectral
map
distribution
hyperspectral 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
Application number
CN202111342353.6A
Other languages
English (en)
Inventor
何纯伟
黄�俊
谭伟
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.)
Shenzhen Green En Environmental Protection Technology Co ltd
Original Assignee
Shenzhen Green En Environmental Protection Technology Co ltd
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 Shenzhen Green En Environmental Protection Technology Co ltd filed Critical Shenzhen Green En Environmental Protection Technology Co ltd
Priority to CN202111342353.6A priority Critical patent/CN114155207A/zh
Publication of CN114155207A publication Critical patent/CN114155207A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/206—Drawing of charts or graphs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本申请公开了一种高光谱监测方法、装置、设备及存储介质。该方法包括：获取待检测区域内多个预设的时间周期的高光谱影像数据集；对高光谱影像数据集中的每一高光谱影像数据图进行预处理，得到每一高光谱影像数据图的标准影像图；获取预设的入侵植物的光谱曲线图；根据每一高光谱影像数据图的标准影像图和光谱曲线图得到分布图；根据多个分布图评估待检测区域内的入侵植物的分布趋势。本申请实施例的高光谱监测方法，能够提高入侵植物识别的准确率，直观地呈现外来入侵植物的蔓延趋势，并对外来入侵植物的未来蔓延趋势做出预测。

Description

高光谱监测方法、装置、设备及存储介质
技术领域
本申请涉及遥感影像处理技术领域，尤其是涉及一种高光谱监测方法、装置、设备及存储介质。
背景技术
随着人类活动轨迹的发展和扩大，一些外来植物侵占了当地原有植物的栖息地，改变了当地的生态系统，对生态环境造成了一定程度的破坏。
相关技术中，采取中低分辨率时序数据分析法对入侵植物的分布趋势进行预测，然而，中低分辨率时序数据分析法的分辨率低，导致入侵植物的分布趋势预测的准确度不够，单个像元的尺寸太大，在一些小尺度区域内不能使用。
发明内容
本申请旨在至少解决现有技术中存在的技术问题之一。为此，本申请提出一高光谱监测方法、装置、设备及存储介质，能够提高入侵植物区域识别的准确度。
为实现上述目的，本公开实施例的第一方面提出了一种高光谱监测方法，包括：
获取待检测区域内多个预设的时间周期的高光谱影像数据集；其中，所述高光谱影像数据集包括多个高光谱影像数据图，所述时间周期内的所述入侵植物具有突出的光谱特征；
对所述高光谱影像数据集中的每一高光谱影像数据图进行预处理，得到每一高光谱影像数据图的标准影像图；
获取预设的入侵植物的光谱曲线图；其中，所述光谱曲线图与所述时间周期内的入侵植物的所述光谱特征相匹配；
根据每一高光谱影像数据图的标准影像图和所述光谱曲线图得到分布图；其中，所述分布图用于表征所述待检测区域内每一时间周期内所述入侵植物的分布区域；
根据多个分布图评估所述待检测区域内的所述入侵植物的分布趋势。
根据本申请实施例的高光谱监测方法，至少具有如下有益效果：通过使用高光谱影像，提高了入侵植物区域识别的准确度，通过多张入侵植物的分布图，能够直观地呈现外来入侵植物的蔓延趋势，反映出入侵植物的蔓延方向，并对入侵植物的未来蔓延趋势做出预测。
根据本申请的一些实施例，
所述预处理包括：几何校正处理和大气校正处理；
所述对所述高光谱影像数据集中的每一高光谱影像数据图进行预处理，得到每一高光谱影像数据图的标准影像图，包括：
根据预设的第一校正算法对所述高光谱影像数据集中的每一高光谱影像数据图几何校正处理，得到几何标准图；
根据预设的第二校正算法对所述几何标准图进行大气校正处理，得到每一高光谱影像数据图的标准影像图。
根据本申请的一些实施例，所述根据每一高光谱影像数据图的标准影像图和所述光谱曲线图得到分布图，具体包括：
对标准影像图中每一像元进行转换处理，得到每一像元的像元特征值；
对所述光谱曲线图进行转换处理，得到光谱特征值；
根据多个所述像元特征值和所述光谱特征值得到分布图。
根据本申请的一些实施例，所述根据多个所述像元特征值和光谱特征值得到分布图，具体包括：获取预设的像元比较阈值；
计算每一所述像元特征值和所述光谱特征值的差值，得到特征差值；
根据所述像元比较阈值和所述特征差值得到每一像元的比较结果；
根据多个所述比较结果得到分布图。
根据本申请的一些实施例，所述根据所述像元比较阈值和所述特征差值得到每一像元的比较结果，具体包括：
若所述特征差值小于所述像元比较阈值，则所述比较结果为所述像元相似；
若所述特征差值大于或等于所述像元比较阈值，则所述比较结果为所述像元不相似。
根据本申请的一些实施例，所述方法还包括：
记录获取待检测区域内高光谱影像数据图的时间顺序。
根据本申请的一些实施例，所述根据多个分布图评估所述待检测区域内的所述入侵植物的分布趋势，具体包括：
根据所述时间顺序对多个所述分布图进行排序处理，得到变化趋势图集；
对所述变化趋势图集进行动态化处理，得到动态变化图；
根据动态变化图评估所述待检测区域内的所述入侵植物的分布趋势。
为实现上述目的，本公开实施例的第二方面提出了一种高光谱监测装置，包括：
获取模块，用于获取待检测区域内多个预设的时间周期的高光谱影像数据集；其中，所述高光谱影像数据集包括多个高光谱影像数据图，所述时间周期内所述入侵植物具有突出的光谱特征；
预处理模块，用于对所述高光谱影像数据集中的每一高光谱影像数据图进行预处理，得到每一高光谱影像数据图的标准影像图；
入侵植物光谱获取模块，用于获取预设的入侵植物的光谱曲线图，其中，所述光谱曲线图与所述时间周期内的入侵植物的所述光谱特征相匹配；
分布图生成模块，用于根据每一高光谱影像数据图的标准影像图和所述光谱曲线图得到分布图；其中，所述分布图用于表征所述待检测区域内每一时间周期内所述入侵植物的分布区域；
评估模块，用于根据多个分布图评估所述待检测区域内的所述入侵植物的分布趋势。
为实现上述目的，本公开实施例的第三方面提出了一种计算机设备，包括：
至少一个存储器；
至少一个处理器；
至少一个程序；
所述程序被存储在所述存储器中，处理器执行所述至少一个程序以实现本公开实施例第一方面所述的方法。
为实现上述目的，本公开实施例的第四方面提出了一种存储介质，该存储介质是计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行：
本公开实施例第一方面所述的方法。
本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
下面结合附图和实施例对本申请做进一步的说明，其中：
图1是本申请实施例提供的高光谱监测方法的流程图；
图2是图1中所示步骤S200的流程图；
图3是图1中所示步骤S400的流程图；
图4是图3中所示步骤S430的流程图；
图5是图1中所示步骤S500的流程图；
图6是本申请实施例提供的高光谱监测装置的模块框图；
图7是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本申请的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
在本申请的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本申请的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本申请中的具体含义。
随着人类活动轨迹的发展和扩大，一些外来植物侵占了当地原有植物的栖息地，改变了当地的生态系统，对生态环境造成了一定程度的破坏。
相关技术中，采取中低分辨率时序数据分析法对入侵植物的分布趋势进行预测，然而，中低分辨率时序数据分析法的准确度不够，在一些小尺度区域内不能使用。
在外来入侵植物的监测方面，对于入侵植物的扩展活动规律呈现仍然比较抽象，不能直观的显示外来入侵植物的蔓延趋势；对于外来入侵植物的蔓延趋势以理论预测为主，只是对外来入侵植物的入侵概率进行估测，对物种或区域环境依赖程度高，普适性差。
基于此，本申请提供了一种高光谱监测方法，通过利用高光谱影像数据，提高了对外来入侵植物辨别的准确性。
下面结合附图，对本申请实施例的高光谱监测方法作进一步阐述。
请参照图1，本申请的一些实施例提供了一种高光谱监测方法，该方法包括但不限于步骤S100、步骤S200、步骤S300、步骤S400、步骤S500，下面对这五个步骤进行详细介绍。
步骤S100，获取待检测区域内多个预设的时间周期的高光谱影像数据集；其中，高光谱影像数据集包括多个高光谱影像数据图，预设的时间周期内的入侵植物具有突出的光谱特征，便于后续对高光谱影像数据图的分析和处理。
在步骤S100中，可以通过无人机获取高光谱影像数据；也可以通过卫星，还可以直接互联网上的相关资源，对此，本申请不作具体限制。
步骤S200，对高光谱影像数据集中的每一高光谱影像数据图进行预处理，得到每一高光谱影像数据图的标准影像图。
步骤S300，获取预设的入侵植物的光谱曲线图，其中，光谱曲线图与预设时间周期内的入侵植物的光谱特征相匹配。
需要说明的是，光谱特征指入侵植物的光谱曲线与地物背景光谱曲线差值最大的波段，在差值最大的波段上，可以实现入侵植物和背景的区分。
步骤S400，根据每一高光谱影像数据图的标准影像图和光谱曲线图得到分布图；其中，分布图用于表征所述待检测区域内每一时间周期内入侵植物的分布区域。
步骤S500，根据多个分布图评估所述待检测区域内的所述入侵植物的分布趋势。
本申请实施例的高光谱监测方法，通过在入侵植物具有突出的光谱特征的时间周期内，获取待检测区域的高光谱影像数据，得到高光谱影像数据集，然后对高光谱影像数据集进行预处理，得到每一高光谱影像数据图的标准影像图，再通过入侵植物的光谱特征生成分布图，根据多张分布图量化计算得出入侵植物的分布趋势，从而能够准确地评估入侵植物的蔓延过程以及未来的蔓延趋势。
参照图2，在一些实施例中，步骤S200包括但不限于步骤S210和步骤S220。
步骤S210：根据预设的第一校正算法对高光谱影像数据集中的每一高光谱影像数据图几何校正处理，得到几何标准图。
需要说明的是，在步骤S210中，第一校正算法主要用到二元n次多项式变换坐标的方法，具体变换公式如下所示：
Figure BDA0003352625430000051
其中，在公式(1)中，x，y为变换前图像坐标，u，v为变换后图像坐标，aij，bij为多项式系数，n与几何畸变的复杂程度密切相关，畸变程度越高，n取值越高，一般情况下n取值小于等于3。经过几何校正得到几何标准图，能够消除图像中的几何畸变。
步骤S220，根据预设的第二校正算法对所述几何标准图进行大气校正处理，得到每一高光谱影像数据图的标准影像图。
需要说明的是，在步骤S220中，第二校正算法主要用到黑暗像元法，黑暗像元法是一种大气校正处理用到的算法，其具体方法如下：
使用ENVI(The Environment for Visualizing Images，可视化图像处理软件)找到几何标准图中的黑暗像元并确定其各个波段反射率，将其他像元各个波段的反射率减去黑暗像元对应的各个波段的反射率，得到标准的像元的反射率，根据标准的像元所成图像即为标准影像图。
需要说明的是，黑暗像元指反射率或辐射亮度很小的像元，其判定阈值可在ENVI中自由设定。
通过预处理获得标准影像图，消除了图像中的几何畸变和大气畸变，提高了处理结果的精确度。
参照图3，图3是步骤S400的细化步骤流程图，在一些实施例中，步骤S400包括但不限于以下步骤：步骤S410、步骤S420、步骤S430。
步骤S410，对标准影像图中每一像元进行转换处理，得到每一像元的像元特征值。
获取每一像元在特定波段上的反射率，该反射率即为像元的像元特征值。
具体地，在该特定波段上，入侵植物具有突出的光谱特征。
步骤S420，对所述光谱曲线图进行转换处理，得到光谱特征值。
具体地，获取入侵植物在特定波段上的反射率，该反射率即为入侵植物的光谱特征值。
步骤S430，根据多个所述像元特征值和所述光谱特征值得到分布图。
将入侵植物在特定波段的光谱特征作为识别手段，并量化其数值，实现了对入侵植物的精确判断。
参照图4，图4是步骤S430的细化步骤流程图，在一些实施例中，步骤S430包括但不限于以下步骤：步骤S431、步骤S432、步骤S433、步骤S434。
步骤S431，获取预设的像元比较阈值。
需要说明的是，像元比较阈值是在入侵植物与目标区域像元的光谱曲线的差值最大波段上，可接受的能将像元识别为入侵植物的最大差值，需要人为设定，以用于区别入侵植物与其他区域。
步骤S432，计算每一所述像元特征值和所述光谱特征值的差值，得到特征差值。
需要说明的是，像元特征值和光谱特征值均为光谱反射率的值，光谱反射率用于表示某波段该像元的光波吸收情况，可以反映出地物的颜色信息，特征差值为像元特征值和光谱特征值的差值的绝对值。
步骤S433，根据所述像元比较阈值和所述特征差值得到每一像元的比较结果。
具体地，比较过程包括：若所述特征差值小于所述像元比较阈值，则所述比较结果为像元相似，认定为入侵区域；若所述特征差值大于或等于所述像元比较阈值，则所述比较结果为像元不相似，认定为非入侵区域。
步骤S434，根据多个所述比较结果得到分布图。
具体地，在同一个标准影像图中采取两种不同的颜色分别表示入侵区域和非入侵区域，得到分布图。入侵区域选用较为醒目的颜色如红色、紫色，非入侵区域选用较为平淡的颜色如绿色、蓝色。
在本申请的一些实施例中，高光谱监测方法还包括：
记录获取待检测区域内高光谱影像数据图的日期和时间顺序。
具体地，在本实施例中，将高光谱影像数据图命名为获取日期加时间先后序号的格式，如某高光谱影像数据图是2020年1月1日获取的1号图片，则命名为1-20200101，方便后续的使用和整理。
参照图5，图5是步骤S500的细化步骤流程图，在一些实施例中，步骤S500包括但不限于以下步骤：步骤S510、步骤S520、步骤S530。
步骤S510：根据时间顺序对多个分布图进行排序处理，得到变化趋势图集；
步骤S520：对变化趋势图集进行动态化处理，得到动态变化图；
步骤S530：根据动态变化图评估待检测区域内的入侵植物的分布趋势。
具体地，变化趋势图集是按时间先后顺序排列好的分布图，使用常用的图像处理软件，如Pr(Adobe Premiere Pro，视频编辑软件)，经过补帧得到动态变化图，动态变化图是短视频或者GIF(Graphics Interchange Format，图形交换格式)图的形式，动态的展现出待检测区域在预设时间周期内的入侵植物蔓延情况。
具体地，根据动态变化图评估待检测区域内的入侵植物的分布趋势包括：
使用谷歌地图应用接口提供的方法计算按时间顺序最早的分布图内入侵区域的中心点，计算每个固定角度入侵区域边缘点到中心点的距离，用该距离的变化值和高光谱影像数据图成像间的时间间隔，得到固定角度的入侵植物蔓延速度。根据蔓延速度即可定量地预测入侵植物未来的蔓延趋势。
本公开实施例还提供一种高光谱监测评估装置，参照图6，该装置包括：第一获取模块100、预处理模块200、第二获取模块300、分布图生成模块400、评估模块500。
第一获取模块100，用于获取待检测区域内多个预设的时间周期的高光谱影像数据集；
预处理模块200，用于对所述高光谱影像数据集中的每一高光谱影像数据图进行预处理；
第二获取模块300，用于获取预设的入侵植物的光谱曲线图；
分布图生成模块400，用于根据每一高光谱影像数据图的标准影像图和所述光谱曲线图得到分布图；
评估模块500，用于根据多个分布图评估所述待检测区域内的所述入侵植物的分布趋势。
本公开实施例的高光谱监测装置，通过在入侵植物具有突出的光谱特征的时间周期内，获取待检测区域的高光谱影像数据，得到高光谱影像数据集，然后对高光谱影像数据集进行预处理，得到每一高光谱影像数据图的标准影像图，再通过入侵植物的光谱特征生成分布图，根据多张分布图量化计算得出入侵植物的分布趋势，从而能够准确地评估入侵植物的蔓延过程以及未来的蔓延趋势。
需要说明的是，本实施例的高光谱监测装置的具体实施方式与上述高光谱监测方法的具体实施方式基本一致，在此不再赘述。
本公开实施例还提供了一种计算机设备，包括：
至少一个存储器；
至少一个处理器；
至少一个程序；
所述程序被存储在所述存储器中，处理器执行所述至少一个程序以实现：本公开实施例上述的高光谱监测方法。该计算机设备可以为包括手机、平板电脑、个人数字助理、车载电脑等任意智能终端。
请参阅图7，图7示意了另一实施例的电子设备的硬件结构，电子设备包括：
处理器701，可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本公开实施例所提供的技术方案；
存储器702，可以采用ROM(Read Only Memory，只读存储器)、静态存储设备、动态存储设备或者RAM(Random Access Memory，随机存取存储器)等形式实现。存储器702可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器702中，并由处理器701来调用执行本公开实施例的评估方法；
输入/输出接口703，用于实现信息输入及输出；
通信接口704，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；和
总线705，在设备的各个组件(例如处理器701、存储器702、输入/输出接口703和通信接口704)之间传输信息；
其中处理器701、存储器702、输入/输出接口703和通信接口704通过总线705实现彼此之间在设备内部的通信连接。
本公开实施例还提供了一种存储介质，该存储介质是计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令用于使计算机执行上述高光谱监测方法。
上面结合附图对本申请实施例作了详细说明，但是本申请不限于上述实施例，在所述技术领域普通技术人员所具备的知识范围内，还可以在不脱离本申请宗旨的前提下作出各种变化。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本申请的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本申请的范围由权利要求及其等同物限定。

Claims (10)

1.一种高光谱监测方法，其特征在于，所述方法包括：
获取待检测区域内多个预设的时间周期的高光谱影像数据集；其中，所述高光谱影像数据集包括多个高光谱影像数据图，所述时间周期内的所述入侵植物具有突出的光谱特征；
对所述高光谱影像数据集中的每一高光谱影像数据图进行预处理，得到每一高光谱影像数据图的标准影像图；
获取预设的入侵植物的光谱曲线图；其中，所述光谱曲线图与所述时间周期内的入侵植物的所述光谱特征相匹配；
根据每一高光谱影像数据图的标准影像图和所述光谱曲线图得到分布图；其中，所述分布图用于表征所述待检测区域内每一时间周期内所述入侵植物的分布区域；
根据多个分布图评估所述待检测区域内的所述入侵植物的分布趋势。
2.根据权利要求1所述的方法，其特征在于，所述预处理包括：几何校正处理和大气校正处理；
所述对所述高光谱影像数据集中的每一高光谱影像数据图进行预处理，得到每一高光谱影像数据图的标准影像图，包括：
根据预设的第一校正算法对所述高光谱影像数据集中的每一高光谱影像数据图几何校正处理，得到几何标准图；
根据预设的第二校正算法对所述几何标准图进行大气校正处理，得到每一高光谱影像数据图的标准影像图。
3.根据权利要求1所述的方法，其特征在于，所述根据每一高光谱影像数据图的标准影像图和所述光谱曲线图得到分布图，包括：
对标准影像图中每一像元进行转换处理，得到每一像元的像元特征值；
对所述光谱曲线图进行转换处理，得到光谱特征值；
根据多个所述像元特征值和所述光谱特征值得到分布图。
4.根据权利要求3所述的方法，其特征在于，所述根据多个所述像元特征值和光谱特征值得到分布图，包括：
获取预设的像元比较阈值；
计算每一所述像元特征值和所述光谱特征值的差值，得到特征差值；
根据所述像元比较阈值和所述特征差值得到每一像元的比较结果；
根据多个所述比较结果得到分布图。
5.根据权利要求4所述的方法，其特征在于，所述比较结果包括：像元相似和像元不相似；
所述根据所述像元比较阈值和所述特征差值得到每一像元的比较结果，包括：
若所述特征差值小于所述像元比较阈值，则所述比较结果为所述像元相似；
若所述特征差值大于或等于所述像元比较阈值，则所述比较结果为所述像元不相似。
6.根据权利要求1至5任意一项所述的方法，其特征在于，所述方法还包括：
记录获取待检测区域内高光谱影像数据图的日期和时间顺序。
7.根据权利要求6所述的方法，其特征在于，所述根据多个分布图评估所述待检测区域内的所述入侵植物的分布趋势，包括：
根据所述时间顺序对多个所述分布图进行排序处理，得到变化趋势图集；
对所述变化趋势图集进行动态化处理，得到动态变化图；
根据动态变化图评估所述待检测区域内的所述入侵植物的分布趋势。
8.一种高光谱监测装置，其特征在于，所述装置包括：
获取模块，用于获取待检测区域内多个预设的时间周期的高光谱影像数据集；其中，所述高光谱影像数据集包括多个高光谱影像数据图，所述时间周期内所述入侵植物具有突出的光谱特征；
预处理模块，用于对所述高光谱影像数据集中的每一高光谱影像数据图进行预处理，得到每一高光谱影像数据图的标准影像图；
入侵植物光谱获取模块，用于获取预设的入侵植物的光谱曲线图，其中，所述光谱曲线图与所述时间周期内的入侵植物的所述光谱特征相匹配；
分布图生成模块，用于根据每一高光谱影像数据图的标准影像图和所述光谱曲线图得到分布图；其中，所述分布图用于表征所述待检测区域内每一时间周期内所述入侵植物的分布区域；
评估模块，用于根据多个分布图评估所述待检测区域内的所述入侵植物的分布趋势。
9.一种计算机设备，其特征在于，包括：
至少一个存储器；
至少一个处理器；
至少一个程序；
所述程序被存储在所述存储器中，处理器执行所述至少一个程序以实现：
如权利要求1至7任一项所述的方法。
10.一种存储介质，所述存储介质为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存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行：
如权利要求1至7任一项所述的方法。
CN202111342353.6A 2021-11-12 2021-11-12 高光谱监测方法、装置、设备及存储介质 Pending CN114155207A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111342353.6A CN114155207A (zh) 2021-11-12 2021-11-12 高光谱监测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111342353.6A CN114155207A (zh) 2021-11-12 2021-11-12 高光谱监测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114155207A true CN114155207A (zh) 2022-03-08

Family

ID=80460328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111342353.6A Pending CN114155207A (zh) 2021-11-12 2021-11-12 高光谱监测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114155207A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116895045A (zh) * 2023-07-12 2023-10-17 生态环境部南京环境科学研究所 一种用于外来入侵植物生物防治的监测系统及方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116895045A (zh) * 2023-07-12 2023-10-17 生态环境部南京环境科学研究所 一种用于外来入侵植物生物防治的监测系统及方法

Similar Documents

Publication Publication Date Title
US20220245792A1 (en) Systems and methods for image quality detection
CN110197504B (zh) 图像配准方法、装置、电子设备及计算机可读存储介质
CN112488091A (zh) 基于地球同步轨道卫星影像的火情监测方法及装置
CN112906750B (zh) 一种基于高光谱图像的材质分析方法及系统
US9383478B2 (en) System and method for atmospheric parameter enhancement
CN117409330B (zh) 水生植被识别方法、装置、计算机设备和存储介质
US20200265227A1 (en) Background suppression for anomaly detection
CN113033385A (zh) 一种基于深度学习的违章建筑遥感识别方法及系统
CN111413279A (zh) 多光谱探测的视频处理方法、装置及多光谱探测终端
CN114155207A (zh) 高光谱监测方法、装置、设备及存储介质
CN112102207A (zh) 一种确定温度的方法、装置、电子设备及可读存储介质
CN116258956A (zh) 无人机树木识别方法、设备、存储介质及装置
CN108414468A (zh) 基于小波变换和非线性变换的红外光谱波段特征增强方法
CN115223181A (zh) 基于文本检测的报告材料印章文字识别方法和装置
Zou et al. Statistical analysis of signal-dependent noise: application in blind localization of image splicing forgery
CN110824451A (zh) 雷达回波图的处理方法、装置、计算机设备及存储介质
CN112989924B (zh) 目标检测方法、目标检测装置及终端设备
US20210209786A1 (en) Detection device, method of detection, information processing device, and storage medium
CN115639159A (zh) 一种基于多光谱影像的废水污染监测方法和装置
CN114140620A (zh) 一种物体直线轮廓检测方法
CN117685929B (zh) 一种用于监测光伏板空间分布信息的方法和终端设备
CN111325732A (zh) 面部残留物检测方法及相关设备
CN114820547B (zh) 车道线检测方法、装置、计算机设备、存储介质
CN117422654B (zh) 遥感影像匀色方法、装置、设备及存储介质
CN113643219B (zh) 一种基于三光融合的图像成像方法及装置

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