CN117112979B - 一种光谱测量过程中误差补偿优化方法 - Google Patents
一种光谱测量过程中误差补偿优化方法 Download PDFInfo
- Publication number
- CN117112979B CN117112979B CN202311360050.6A CN202311360050A CN117112979B CN 117112979 B CN117112979 B CN 117112979B CN 202311360050 A CN202311360050 A CN 202311360050A CN 117112979 B CN117112979 B CN 117112979B
- Authority
- CN
- China
- Prior art keywords
- data
- hyperspectral
- contrast
- fluctuation
- error
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000008569 process Effects 0.000 title claims abstract description 34
- 238000001228 spectrum Methods 0.000 title claims abstract description 28
- 238000005457 optimization Methods 0.000 title claims abstract description 10
- 239000013598 vector Substances 0.000 claims abstract description 110
- 239000011159 matrix material Substances 0.000 claims abstract description 23
- 238000006243 chemical reaction Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 239000000126 substance Substances 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明涉及光谱测量领域，提出了一种光谱测量过程中误差补偿优化方法，包括：获取高光谱测量数据；根据高光谱测量数据获取每个数据元素的波动对比向量和波动对比矩阵，根据波动对比向量获取高光谱测量数据分集，根据高光谱测量数据分集计算得到每个波动对比向量中每个维度的对比一致性系数和对比因子，根据每个波动对比向量的对比因子计算得到高光谱测量数据分集中每个波动对比向量中每个维度的误差凸显转换特征并进一步获取得到高光谱测量数据的误差搜索半径；根据高光谱测量数据的误差搜索半径获取高光谱测量误差数据簇并对高光谱测量误差数据优化补偿。本发明提高了光谱测量过程中的准确性。
Description
技术领域
本发明涉及光谱测量技术领域，具体涉及一种光谱测量过程中误差补偿优化方法。
背景技术
光谱分析是一种科学技术方法，利用测量物质与电磁辐射之间相互作用产生的光谱信号，通过接受相互作用后的光谱信号，获取测量物质对不同波长的反应程度，获取物质的组成、结构、成分和性质的信息。对于获得的光谱数据，每一个高光谱数据序列代表一条光谱曲线，高光谱数据序列表示物质在所有光谱上的反射特性。由于高光谱数据的检测物体构成优异性，所以高光谱技术被运用于各种方面，如农业、环境科学、地质勘探、城市规划等领域。
虽然高光谱数据能够提供丰富的空间和光谱信息，由于空气对光的散射会导致光的传播方向发生改变。这种散射会使得远离光源的区域的光强度减弱，空气对光的吸收也会导致一定的能量损失，从而使得光谱测量数据存在一定误差。
发明内容
本发明提供一种光谱测量过程中误差补偿优化方法，以解决光谱测量过程中由于误差搜索半径选择不当导致光谱测量数据中误差数据无法准确获取引起的光谱测量误差问题，所采用的技术方案具体如下：
本发明一个实施例一种光谱测量过程中误差补偿优化方法，该方法包括以下步骤：
获取高光谱测量数据；
根据高光谱测量数据获取每个数据元素的波动对比向量和波动对比矩阵，根据波动对比矩阵获取高光谱测量数据分集，根据高光谱测量数据分集计算得到每个波动对比向量中每个维度的对比一致性系数；
根据每个波动对比向量中每个维度的对比一致性系数计算高光谱测量数据分集中每个波动对比向量的对比因子，根据每个波动对比向量的对比因子计算高光谱测量数据分集中每个波动对比向量中每个维度的误差凸显转换特征；
根据高光谱测量数据分集中每个波动对比向量中每个维度的误差凸显转换特征计算高光谱测量数据的误差搜索半径，根据高光谱测量数据的误差搜索半径获取高光谱测量误差数据簇并对高光谱测量误差数据优化补偿。
优选的，所述根据高光谱测量数据获取每个数据元素的波动对比向量和波动对比矩阵的方法为：
将高光谱测量数据中每个波长为中心预设长度的数据记为每个数据元素的波动对比向量，将每个数据元素的波动对比向量按高光谱测量数据排列顺序构成波动对比矩阵。
优选的，所述根据波动对比矩阵获取高光谱测量数据分集的方法为：
获取波动对比矩阵中第一个元素与所有不同元素中最大余弦相似性的元素，并记为第一最大元素，将第一元素与第一最大元素构成的集合记为第一数据分集，对于第二个元素的最大元素的若存在于第一数据分集中，则将第二个元素加入第一数据分集中，反之，加入第二数据分集中，遍历波动对比矩阵中所有元素直至每个元素均有一个数据分集。
优选的，所述根据高光谱测量数据分集计算得到每个波动对比向量中每个维度的对比一致性系数的具体方法为：
式中，表示了高光谱数据分集中所有波动对比向量第/>个维度的中位数，/>表示了高光谱数据分集调节常量因子，/>表示了高光谱数据分集中所有波动对比向量第/>个维度的最大值，/>表示了高光谱数据分集中所有波动对比向量第/>个维度的最小值，/>表示了第/>个高光谱数据分集中所有波动对比向量的总个数，/>表示了高光谱数据分集中第/>个波动对比向量的频次，/>表示了高光谱数据分集中的/>个波动对比向量中第/>个维度的高光谱数据，/>表示了高光谱数据分集波动对比向量第/>个维度的对比一致性系数。
优选的，所述根据每个波动对比向量中每个维度的对比一致性系数计算高光谱测量数据分集中每个波动对比向量的对比因子的具体方法为：
式中，表示了以自然常数为底的指数函数，/>表示了第/>个高光谱数据分集中波动对比向量的总个数，/>表示了两个向量之间的/>距离，/>表示了归一化函数，/>表示了高光谱数据分集中第/>个波动对比向量，/>表示了第/>个高光谱数据分集的一致对比向量，/>表示了高光谱数据分集中第/>个波动对比向量对比因子。
优选的，所述高光谱数据分集的一致对比向量的获取方法为：
将高光谱数据分集每个波动对比向量不同维度的对比一致性系数按维度顺序排列得到高光谱数据分集的一致对比向量。
优选的，所述根据每个波动对比向量的对比因子计算高光谱测量数据分集中每个波动对比向量中每个维度的误差凸显转换特征的方法为：
将高光谱数据分集中波每个动对比向量中每个维度数据与波动对比向量对比因子乘积的四舍五入取整结果记为个波动对比向量中每个维度的误差凸显转换特征。
优选的，所述根据高光谱测量数据分集中每个波动对比向量中每个维度的误差凸显转换特征计算高光谱测量数据的误差搜索半径的具体方法为：
式中，表示了高光谱数据预设经验搜索半径，/>表示了归一化函数，/>表示了高光谱数据中元素向量的总个数，/>表示了高光谱数据预设分段长度，/>表示了高光谱数据分段长度中误差凸显转换特征熵，/>表示了高光谱数据误差调节阈值，/>表示了高光谱数据预设分段长度中数据的均值，/>表示了高光谱数据误差搜索半径。
优选的，所述高光谱数据误差调节阈值的计算方法为：
将高光谱数据预设分段长度的最大值与最小值的差记为高光谱数据误差调节阈值。
优选的，所述根据高光谱测量数据的误差搜索半径获取高光谱测量误差数据簇并对高光谱测量误差数据优化补偿的方法为：
将高光谱数据误差搜索半径作为聚类算法输入得到误差数据簇，利用的插值算法对剔除误差数据簇后的高光谱测量数据空缺误差数据位置进行优化补偿。
本发明的有益效果是：本发明首先利用光谱数据波峰起伏特点得到波动对比向量和波动对比矩阵，并基于波动对比向量和波动对比矩阵获取高光谱测量数据分集，对光谱测量过程中误差数据起伏波动情况进行计算表征，较为有效地表现了光谱测量过程中误差数据造成的起伏波动变化情况，同时，本发明根据高光谱测量数据分集中波动对比向量中不同维度数据的具体情况进行分析计算得到误差凸显转换特征并进一步计算得到相应的高光谱测量数据的误差搜索半径，通过高光谱测量数据的误差搜索半径较为准确的获取得到高光谱测量数据中的误差数据簇，有效地规避了传统计算过程中由于误差搜索半径设置不当导致地高光谱测量过程中无法准确获取误差数据的缺点，提高了光谱测量过程中误差补偿优化的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种光谱测量过程中误差补偿优化方法的流程示意图。
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。
请参阅图1，其示出了本发明一个实施例提供的一种光谱测量过程中误差补偿优化方法流程图，该方法包括以下步骤：
步骤S001，获取高光谱测量数据。
需要说明的是，不同物体在不同波段对光辐射强度的表现有所不同，因此，利用高光谱数据可以对不同物质进行区分识别检测，通过高光谱成像传感器可以获取得到待检测物体的高光谱数据信息。在获取得到待检测物体高光谱数据中，包含了多个不同光谱波段的数据信息，每个空间点位置处的光谱数据记为一个反射序列。
步骤S002，根据高光谱测量数据获取每个数据元素的波动对比向量和波动对比矩阵，根据波动对比向量获取高光谱测量数据分集，根据高光谱测量数据分集计算得到每个波动对比向量中每个维度的对比一致性系数。
需要说明的是，在待检测物体的光谱反射序列中，对于不同波段的光会产生较强反射和吸收两种不同的表现特点，因此在获取得到待检测物体反射序列中会呈现的多个不同的波峰和波谷起伏变化特点，这种波峰波谷的起伏变化特点是区分不同物体的一个重要特征。当光谱数据出现较大的误差干扰时，此时在高光谱反射序列中波峰波谷的变化特点也会受到较大的影响，因此，首先获取高光谱数据的波动对比向量。
具体地，假设高光谱数据中一个波长为，则以该波长/>为中心，分别向左和向右取长度共为/>的高光谱数据，作为波长/>的波动对比向量，记为/>，其中/>为预设高光谱分段长度，取经验值为/>。对于待检测物体中每个不同位置处的数据均可以获取得到相应的波动对比向量。按照待检测物体空间排列位置，构建获取得到待检测物体的波动对比矩阵，记为，待检测物体的波动对比矩阵大小应与待检测物体的实际大小一致，其中每个元素均为维度为/>的波动对比向量。
需要说明的是，同一个物体的不同空间区域中，由于材料、厚度等物理性质存在差异，导致对光谱反射吸收的效果存在一定差异，因此利用待检测物体的波动对比矩阵中不同元素之间的相关变化特点对高光谱数据进行粗略划分。
具体地，对于待检测物体的波动对比矩阵中每个不同元素之间均可以计算余弦相似性，通过不同元素之间的余弦相似性可以将待检测物体波动对比矩阵中元素划分为不同的数据分集。获取待检测物体波动对比矩阵中第一个元素与所有不同元素中最大余弦相似性元素，并记为第一最大元素，将第一元素与第一最大元素构成的集合记为第一数据分集，对于第二个元素的最大元素的若存在于第一数据分集中，则将第二个元素加入第一数据分集中；反之，则构建并加入第二数据分集中，假设对于待检测物体的波动对比矩阵划分得到个不同的数据分集。
需要说明的是，待检测物体的不同数据分集表征了待检测物体中相应区域的光谱数分布变化特点，通常情况下，对于待检测物体同一个区域中高光谱数据分布应较为集中，若在测量过程中存在误差干扰，则对应区域中高光谱数据由于误差影响，数据分布应记为离散。因此，可以通过对不同数据分集中数据分布变化情况对高光谱数据误差影响情况进一步分析。
式中，表示了高光谱数据分集中所有波动对比向量第/>个维度的中位数，/>表示了高光谱数据分集调节常量因子，/>表示了高光谱数据分集中所有波动对比向量第/>个维度的最大值，/>表示了高光谱数据分集中所有波动对比向量第/>个维度的最小值，/>表示了第/>个高光谱数据分集中所有波动对比向量的总个数，/>表示了高光谱数据分集中第/>个波动对比向量的频次，/>表示了高光谱数据分集中的/>个波动对比向量中第/>个维度的高光谱数据，/>表示了高光谱数据分集波动对比向量第/>个维度的对比一致性系数，其中/>取经验值为/>。
当数据分集中波动对比向量中不同维度数据分布相对离散时，其对应维度下最大与最小值之差会相对增大，同时对于不同维度下数据分布越离散，则不同波动对比向量的频次相对较小，此时计算得到的对比一致性系数也会相对较小。
步骤S003，根据每个波动对比向量中每个维度的对比一致性系数计算高光谱测量数据分集中每个波动对比向量的对比因子，根据每个波动对比向量的对比因子计算高光谱测量数据分集中每个波动对比向量中每个维度的误差凸显转换特征，根据高光谱测量数据分集中每个波动对比向量中每个维度的误差凸显转换特征计算高光谱测量数据的误差搜索半径。
需要说明的是，假设某个高光谱波段发生误差时，对应高光谱数据分集波动对比向量维度下数据也会相对出现异常变化，因此可以对高光谱数据中波动对比向量维度数据的异常特点进行计算。
式中，表示了以自然常数为底的指数函数，/>表示了第/>个高光谱数据分集中波动对比向量的总个数，/>表示了两个向量之间的/>距离，/>表示了归一化函数，/>表示了高光谱数据分集中第/>个波动对比向量，/>表示了第/>个高光谱数据分集的一致对比向量，/>表示了高光谱数据分集中第/>个波动对比向量对比因子。
对于每个高光谱数据分集中所有不同波动对比向量均可以计算得到不同维度的对比一致性系数，按照高光谱数据分集中波动对比向量维度排列可以构建得到相应的高光谱数据分集的一致对比向量。
在高光谱数据分集中，若存在误差干扰导致高光谱数据出现异常，此时高光谱数据分集中不同波动对比向量维度数据的变化特点应与一致对比向量的变化一致，此时两个向量之间的距离较为接近，则此时计算得到的高光谱数据分集波动对比向量的对比因子数值会较大。
式中，表示了四舍五入取整函数，/>表示了高光谱数据分集中第/>个波动对比向量中第/>个维度的高光谱数据，/>表示了高光谱数据分集中第/>个波动对比向量的对比因子，/>高光谱数据分集中第/>个波动对比向量中第个/>维度的误差凸显转换特征。
假设高光谱数据中出现误差导致数据异常变化时，对应高光谱数据分集中第个波动对比向量的对比因子数值会较大，此时计算得到的高光谱数据中误差凸显转换特征数值相较于无误差的高光谱数据会相对较大。
需要说明的是，在传统DBSCAN算法中，搜索半径的大小的选取会对最终高光谱数据中误差噪声数据划分的准确行造成较大影响，当搜索半径选取过大时，在对高光谱数据误差数据聚类时会造成的误误差数据聚类效果较差，从而影响对高光谱数据误差处理过程中的准确性，因此为了准确获取高光谱数据中误差数据，需要选择合适的误差搜索半径。
上述公式中，表示了高光谱数据预设经验搜索半径，取经验值为/>，/>表示了归一化函数，/>表示了高光谱数据中波动对比向量的总个数，/>表示了高光谱数据预设分段长度，/>表示了高光谱数据分段长度中误差凸显转换特征熵，/>表示了高光谱数据误差调节阈值，/>表示了高光谱数据预设分段长度中数据的均值，/>表示了高光谱数据预设分段长度中数据的最大值，/>表示了高光谱数据预设分段长度中数据的最小值，/>表示了高光谱数据误差搜索半径。
当高光谱数据出现误差异常时，对应误差数据点周围数据点也会有较大可能出现误差变化，在高光谱数据分段长度中无差异常数据越明显，此时高光谱数据误差调节阈值大于等于高光谱数据分段长度中数据的均值，此时应缩小高光谱数据搜索半径，避免对高光谱误差数据错误划分，反之，对于无误差影响的高光谱数据，应适当增大搜索半径，降低光谱测量过程中误差数据划分的计算成本。
步骤S004，根据高光谱测量数据的误差搜索半径获取高光谱测量误差数据簇并对高光谱测量误差数据优化补偿。
将高光谱数据误差搜索半径作为DBSCAN算法参数输入，并令最小数目MinPts取经验值为/>，在高光谱数据中聚类划分得到不同的数据簇，在高光谱测量过程中，由于发生测量误差导致高光谱数据簇中误差凸显转换特征数值相对较大，因此，将划分后高光谱数据中误差凸显转换特征较大的高光谱数据簇剔除，并使用三次样条插值算法对空缺数据位置进行填充，其中三次样条插值算法是一种用于空缺数据填充的一种常用公知技术，其具体计算过程不再赘述，通过上述处理可以获取误差补偿后的光谱测量数据。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。
Claims (5)
1.一种光谱测量过程中误差补偿优化方法，其特征在于，该方法包括以下步骤：
获取高光谱测量数据；
根据高光谱测量数据获取每个数据元素的波动对比向量和波动对比矩阵，根据波动对比矩阵获取高光谱测量数据分集，根据高光谱测量数据分集计算得到每个波动对比向量中每个维度的对比一致性系数；
根据每个波动对比向量中每个维度的对比一致性系数计算高光谱测量数据分集中每个波动对比向量的对比因子，根据每个波动对比向量的对比因子计算高光谱测量数据分集中每个波动对比向量中每个维度的误差凸显转换特征，根据高光谱测量数据分集中每个波动对比向量中每个维度的误差凸显转换特征计算高光谱测量数据的误差搜索半径；
根据高光谱测量数据的误差搜索半径获取高光谱测量误差数据簇并对高光谱测量误差数据优化补偿；
所述根据高光谱测量数据获取每个数据元素的波动对比向量和波动对比矩阵的方法为：将高光谱测量数据中每个波长为中心预设长度的数据记为每个数据元素的波动对比向量，将每个数据元素的波动对比向量按高光谱测量数据排列顺序构成波动对比矩阵；
所述根据高光谱测量数据分集计算得到每个波动对比向量中每个维度的对比一致性系数的具体方法为：
式中，表示了高光谱数据分集中所有波动对比向量第/>个维度的中位数，/>表示了高光谱数据分集调节常量因子，/>表示了高光谱数据分集中所有波动对比向量第/>个维度的最大值，/>表示了高光谱数据分集中所有波动对比向量第/>个维度的最小值，/>表示了第/>个高光谱数据分集中所有波动对比向量的总个数，/>表示了高光谱数据分集中第/>个波动对比向量的频次，/>表示了高光谱数据分集中的/>个波动对比向量中第/>个维度的高光谱数据，/>表示了高光谱数据分集波动对比向量第/>个维度的对比一致性系数；
所述根据每个波动对比向量中每个维度的对比一致性系数计算高光谱测量数据分集中每个波动对比向量的对比因子的具体方法为：
式中，表示了以自然常数为底的指数函数，/>表示了第/>个高光谱数据分集中波动对比向量的总个数，/>表示了两个向量之间的/>距离，/>表示了归一化函数，/>表示了高光谱数据分集中第/>个波动对比向量，/>表示了第/>个高光谱数据分集的一致对比向量，/>表示了高光谱数据分集中第/>个波动对比向量对比因子；
所述根据每个波动对比向量的对比因子计算高光谱测量数据分集中每个波动对比向量中每个维度的误差凸显转换特征的方法为：将高光谱数据分集中波每个动对比向量中每个维度数据与波动对比向量对比因子乘积的四舍五入取整结果记为每个波动对比向量中每个维度的误差凸显转换特征；
所述根据高光谱测量数据分集中每个波动对比向量中每个维度的误差凸显转换特征计算高光谱测量数据的误差搜索半径的具体方法为：
式中，表示了高光谱数据预设经验搜索半径，/>表示了归一化函数，/>表示了高光谱数据中元素向量的总个数，/>表示了高光谱数据预设分段长度，/>表示了高光谱数据分段长度中误差凸显转换特征熵，/>表示了高光谱数据误差调节阈值，/>表示了高光谱数据预设分段长度中数据的均值，/>表示了高光谱数据误差搜索半径。
2.根据权利要求1所述的一种光谱测量过程中误差补偿优化方法，其特征在于，所述根据波动对比矩阵获取高光谱测量数据分集的方法为：
获取波动对比矩阵中第一个元素与所有不同元素中最大余弦相似性的元素，并记为第一最大元素，将第一元素与第一最大元素构成的集合记为第一数据分集，对于第二个元素的最大元素的若存在于第一数据分集中，则将第二个元素加入第一数据分集中，反之，加入第二数据分集中，遍历波动对比矩阵中所有元素直至每个元素均有一个数据分集。
3.根据权利要求1所述的一种光谱测量过程中误差补偿优化方法，其特征在于，所述高光谱数据分集的一致对比向量的获取方法为：
将高光谱数据分集每个波动对比向量不同维度的对比一致性系数按维度顺序排列得到高光谱数据分集的一致对比向量。
4.根据权利要求1所述的一种光谱测量过程中误差补偿优化方法，其特征在于，所述高光谱数据误差调节阈值的计算方法为：
将高光谱数据预设分段长度的最大值与最小值的差记为高光谱数据误差调节阈值。
5.根据权利要求1所述的一种光谱测量过程中误差补偿优化方法，其特征在于，所述根据高光谱测量数据的误差搜索半径获取高光谱测量误差数据簇并对高光谱测量误差数据优化补偿的方法为：
将高光谱数据误差搜索半径作为聚类算法输入得到误差数据簇，利用的插值算法对剔除误差数据簇后的高光谱测量数据空缺误差数据位置进行优化补偿。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311360050.6A CN117112979B (zh) | 2023-10-20 | 2023-10-20 | 一种光谱测量过程中误差补偿优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311360050.6A CN117112979B (zh) | 2023-10-20 | 2023-10-20 | 一种光谱测量过程中误差补偿优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117112979A CN117112979A (zh) | 2023-11-24 |
| CN117112979B true CN117112979B (zh) | 2024-02-06 |
Family
ID=88796894
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311360050.6A Active CN117112979B (zh) | 2023-10-20 | 2023-10-20 | 一种光谱测量过程中误差补偿优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117112979B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117435940B (zh) * | 2023-12-20 | 2024-03-05 | 龙建路桥股份有限公司 | 一种面向冬季混凝土养护过程中光谱检测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116297530A (zh) * | 2023-05-19 | 2023-06-23 | 广东正一包装股份有限公司 | 基于光学技术的阻隔膜表面质量检测方法 |
-
2023
- 2023-10-20 CN CN202311360050.6A patent/CN117112979B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116297530A (zh) * | 2023-05-19 | 2023-06-23 | 广东正一包装股份有限公司 | 基于光学技术的阻隔膜表面质量检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 一种自动获取端元的RMS误差迭代改进算法;郑淑倩;张友静;邓世赞;;遥感信息(05);全文 * |
| 基于布谷鸟搜索算法的高光谱图像解混算法;孙彦慧;张立毅;陈雷;李锵;滕建辅;刘静光;;光电子・激光(09);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117112979A (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117112979B (zh) | 一种光谱测量过程中误差补偿优化方法 | |
| CN108389188B (zh) | 一种稀疏高光谱异常目标检测方法 | |
| CN112364730B (zh) | 基于稀疏子空间聚类的高光谱地物自动分类方法及系统 | |
| CN111989747A (zh) | 用于预测样品中的成分的定量的分光光度法和装置 | |
| Bin et al. | A modified random forest approach to improve multi-class classification performance of tobacco leaf grades coupled with NIR spectroscopy | |
| CN113160183B (zh) | 一种高光谱数据处理方法、设备及介质 | |
| Chen et al. | MIMN-DPP: Maximum-information and minimum-noise determinantal point processes for unsupervised hyperspectral band selection | |
| CN115659284B (zh) | 一种大数据融合平台 | |
| CN116297530B (zh) | 基于光学技术的阻隔膜表面质量检测方法 | |
| CN103150577A (zh) | 基于粒子群优化的高光谱遥感影像自适应波段选择方法 | |
| US20230243744A1 (en) | Method and system for automatically detecting and reconstructing spectrum peaks in near infrared spectrum analysis of tea | |
| CN112002377B (zh) | 基于集成学习校准模型的松子蛋白质含量预测方法 | |
| CN111507297B (zh) | 一种基于度量信息矩阵的雷达信号识别方法及系统 | |
| Huang et al. | Bipartite graph partition based coclustering with joint sparsity for hyperspectral images | |
| CN117095771B (zh) | 一种高精度光谱测量数据优化处理方法 | |
| CN106785488A (zh) | 基于模块化子阵的干涉式微波辐射计天线阵列的设计方法 | |
| US8457388B2 (en) | Method and system for searching for global minimum | |
| CN116341770B (zh) | 基于聚苯乙烯生产数据的生产能力预测方法及系统 | |
| CN117078960A (zh) | 一种基于图像特征提取的近红外光谱分析方法及系统 | |
| CN109145975A (zh) | 一种矩阵范数导出正则化的多视图聚类机器学习方法 | |
| CN114863291A (zh) | 基于mcl和光谱差异度量的高光谱影像波段选择方法 | |
| CN109460712A (zh) | 一种基于最优近邻重构的高光谱波段选择方法 | |
| CN113505461A (zh) | 利用修正三维光谱指数的土壤有机质估测的方法及系统 | |
| Solodkiy et al. | Modified shift algorithm for processing measured data | |
| Novosadová et al. | Orthogonality is superiority in piecewise-polynomial signal segmentation and denoising |
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 |