CN117132778B - 一种光谱测量校正计算方法及系统 - Google Patents
一种光谱测量校正计算方法及系统 Download PDFInfo
- Publication number
- CN117132778B CN117132778B CN202311403596.5A CN202311403596A CN117132778B CN 117132778 B CN117132778 B CN 117132778B CN 202311403596 A CN202311403596 A CN 202311403596A CN 117132778 B CN117132778 B CN 117132778B
- Authority
- CN
- China
- Prior art keywords
- point
- interval
- data
- data point
- spectrum
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 73
- 238000012937 correction Methods 0.000 title claims abstract description 31
- 238000005259 measurement Methods 0.000 title claims abstract description 28
- 238000004364 calculation method Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 55
- 230000002159 abnormal effect Effects 0.000 claims abstract description 30
- 230000003595 spectral effect Effects 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 239000000126 substance Substances 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明涉及光谱测量技术领域，具体涉及一种光谱测量校正计算方法及系统。该方法包括：获取高光谱图像；将像素点在每个波段的点记为数据点，获取一条光谱波动曲线及其极大值点，基于此获取像素点的若干敏感波动区间；根据像素点的敏感波段区间的差异获取差值区间，获取差值区间和敏感波动区间的相似性；基于此获取每个像素点的匹配像素点；获取光谱灰度图，对光谱灰度图进行聚类构建孤立树，根据孤立树中数据点之间的距离以及数据点到孤立树的距离获取数据点的异常得分；根据数据点的异常得分进行去噪。本发明提高了对于噪声的敏感性。
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校正计算方法及系统。
背景技术
光谱数据可以分析物体的物质信息，不同的物质对光的波段的吸收，可以分析波段的变化情况对物体中的物质分布进行确定。通过光谱仪采集的植物叶片的高光谱数据，采集的光谱数据中存在噪声影响对植物叶片中的物质含量数据的判断，需要对采集的数据进行去噪处理。
通过孤立森林算法可以分析采集的数据的离散情况，根据数据集的离散情况对采集的数据进行去噪处理，由于同一个物质数据可能在多个波段分布都比较敏感，相对于整体来说这个敏感的区域在孤立森林中的异常得分比较高但在这个点不是异常的，根据异常得分去噪会导致将正常的数据当作噪声被去除会影响采集的数据的准确性。
发明内容
为了解决正常数据被当作噪声除去的技术问题，本发明提供了一种光谱测量校正计算方法及系统，所采用的技术方案具体如下：
第一方面，本发明提出了一种光谱测量校正计算方法，该方法包括以下步骤：
获取高光谱图像；
在高光谱图像中，将像素点在每个波段的点记为数据点，根据每个像素点的数据点获取一条光谱波动曲线；获取光谱波动曲线的极大值点，根据光谱波动曲线的极大值点获取像素点的若干敏感波动区间；
根据像素点的敏感波段区间的差异获取差值区间，根据差值区间内每个数据点的斜率以及敏感波段区间对差值区间的修正获取差值区间和敏感波动区间的相似性；根据差值区间和敏感波动区间的相似性获取每个像素点的匹配像素点；
对于高光谱图像获取对应的光谱灰度图，对光谱灰度图进行聚类构建孤立树，根据孤立树中数据点与其余数据点的距离以及数据点到孤立树根节点的距离获取数据点的异常得分；
根据每个数据点的异常得分判断数据点是否受噪声影响，并对受噪声影响的数据点进行去噪。
优选的，所述根据每个像素点的数据点获取一条光谱波动曲线的方法为：
将所有数据点进行曲线拟合获取光谱波动曲线，光谱波动曲线的横坐标为数据点的波段，纵坐标为数据点的光谱值。
优选的，所述根据光谱波动曲线的极大值点获取像素点的若干敏感波动区间的方法为：
对于光谱波动曲线计算其导数，获取光谱波动曲线中的极大值，极大值对应的数据点记为极大指点，获取每个数据点到每个极大值点的横坐标的差以及每个数据点的斜率，将每个数据点到极大值点的横坐标的差的导数与数据点斜率的乘积记为第一乘积，将第一乘积归一化获取数据点对于极大值点的隶属度，根据数据点对于极大指点的隶属度获取敏感波动区间。
优选的，所述根据数据点对于极大指点的隶属度获取敏感波动区间的方法为：
给定预设隶属阈值，若像素点对于极大值点的隶属度大于预设隶属阈值，将像素点分在此极大值点的隶属区间内，若像素点对于多个极大值点隶属度都大于预设隶属阈值，将像素点分到最大隶属度对应的极大值点的隶属区间内，将极大值点的隶属区间记为敏感波动区间。
优选的，所述根据像素点的敏感波段区间的差异获取差值区间的方法为：
将任意一个像素点记为目标像素点，其余像素点记为待定像素点，获取目标像素点的所有敏感波动区间，将目标像素点的所有敏感波动区间对应的波段在待定像素点中提取出来，将待定像素点中提取出来的连续波段构成的区间记为待定区间，对于相同波段构成的敏感波动区间和待定区间的每个数据点的光谱值作差得到每个数据点的差值，将数据点的差值组成的区间记为差值区间。
优选的，所述根据差值区间内每个数据点的斜率以及敏感波段区间对差值区间的修正获取差值区间和敏感波动区间的相似性的方法为：
式中，表示第o个差值区间极大值左侧所有数据点的斜率的导数的方差，表示第o个差值区间极大值右侧所有数据点的斜率的导数的方差，/>表示第o个差值区间的极大值点与其对应的敏感波动区间的极大值点的波段距离，/>表示以自然常数为底的指数函数，/>表示线性归一化函数，/>表示第o个差值区间与其对应的敏感波动区间的相似性。
优选的，所述对光谱灰度图进行聚类构建孤立树的方法为：
对于光谱灰度图中的所有像素点根据其灰度值进行聚类，聚类方法为均值飘逸聚类，将聚类获取的每一个簇类中的所有像素点记为聚类像素点，将聚类像素点中任意一个波段对应的数据点记为聚类数据点，将同一簇类同一波段下的聚类数据点作为样本空间构建若干孤立树。
优选的，所述根据孤立树中数据点与其余数据点的距离以及数据点到孤立树根节点的距离获取数据点的异常得分的方法为：
式中，表示第i个数据点与第c棵孤立树中与其匹配的第x个数据点的孤立距离，/>表示第i个数据点到第c棵孤立树的根节点的孤立距离，/>表示第i个数据点在第c棵孤立树中匹配的数据点的数量，/>表示构建的孤立树的数量，/>表示线性归一化函数，/>表示第i个数据点的异常得分。
优选的，所述根据每个数据点的异常得分判断数据点是否受噪声影响，并对受噪声影响的数据点进行去噪的方法为：
给定异常阈值，若数据点的异常得分大于异常阈值，数据点受到噪声的影响，将受到噪声影响的数据点删除，将数据点的所有匹配数据点求光谱均值作为数据点的光谱值完成去噪。
第二方面，本发明实施例还提供了一种光谱测量校正计算系统，包括存储器、处理器以及存储在所述存储器中并在所述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上述任意一项所述一种光谱测量校正计算方法的步骤。
本发明具有如下有益效果：本申请相对于现有技术的好处在于分析采集的高光谱的数据，分析图像中单个像素点的中光谱数据的波动情况，根据波动情况分析不同波段下数据之间的关联性，基于此获取不同区间的相似性，根据相似性获取像素点之间的匹配关系，根据匹配的像素点在同一波段下的数据点，将像素点聚类后，对于同一个簇类的数据点构建样本扣减计算异常得分，在此计算异常得分时考虑了不通过孤立树之间的置信度，可以获取更准确的异常得分，根据异常得分对数据进行去噪处理。避免了孤立森林算法中对整体分析，导致敏感的区域在孤立森林中的异常得分比较高但在这个点不是异常的情况，并解决了根据异常得分去噪会导致将正常的数据当作噪声被去除会影响采集的数据的准确性。
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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种光谱测量校正计算方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种光谱测量校正计算方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
一种光谱测量校正计算方法实施例：
下面结合附图具体的说明本发明所提供的一种光谱测量校正计算方法的具体方案。
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校正计算方法流程图，该方法包括以下步骤：
步骤S001，获取高光谱图像。
通过高光谱相机采集叶片的高光谱图像，将所采集的高光谱数据进行预处理后获取高光谱图像，将采集的高光谱图像送往数据处理中心进行下一步操作。
步骤S002，在高光谱图像中，将像素点在每个波段的点记为数据点，根据每个像素点的数据点获取一条光谱波动曲线；获取光谱波动曲线的极大值点，根据光谱波动曲线的极大值点获取像素点的若干敏感波动区间。
光谱是检测叶片中物质分布和含量信息的手段，根据先验知识得知叶片中同在叶肉部分的物质含量应该是相似的，这些像素点在光谱中的表现会存在相似的波动情况，而对高光谱图像中两个像素点直接进行匹配时，不能直接通过分析数值是否相等来判断两个像素点之间存在关联性，通过像素点之间的光谱数据的相似性进行匹配；而计算相似性时，不同像素点可能在不同的波段有不同的敏感性，直接对两个像素点的整体进行分析会导致不敏感的波段拥有较高的相似性从而牺牲敏感波段的相似性，这样会使得两个像素点的相似性计算不准确，因此根据每个像素点的波动情况对其所有波段进行划分获取敏感波段区间，进而获取两个像素点敏感波段区间的相似性。
具体的，对于高光谱图像中的每个像素点，该像素点在每个波段中对应一个光谱值，将像素点在每个波段的点记为数据点，即一个像素点有若干数据点构成，每个像素点对应一条数据曲线，所述数据曲线的横坐标为数据点的波段，纵坐标为数据点的光谱值，将所述数据曲线记为光谱波动曲线。
根据先验知识得知物质对光谱的波段敏感时会产生明显的波峰或者波谷，而光谱波动曲线中的波峰和波谷就是其极大值和极小值，因此需要获取极大值周边数据点与极大值点组成的区间作为敏感波动区间，根据每个数据点与极大值点的距离差异和每个数据点的斜率获取每个数据点对与极大值的隶属度，若两个数据点的关联性较强，则其分在同一个敏感波动区间中。
对光谱波动曲线求导获取其导数，根据导数获取其极大值点，将极大值点对应的波段记为极大值波段，对于光谱波动曲线中所有数据点，计算数据点到每个极大值点的欧氏距离，并且获取每个数据点的斜率，基于此获取每个像素点对于每个极大值点的隶属度，公式如下：
式中，表示第z个数据点与第j个极大值点的横坐标的差，/>表示第z个数据点的斜率，/>表示线性归一化函数，/>表示第z个数据点对于第j个极大值点的隶属度。上述数据点中不包含极大值点。
获取每个数据点对于极大值点的隶属度后，在此设置阈值0.78，将隶属度超过阈值的数据点划分到这个极大值点的隶属区间中，所述隶属区间记为敏感波动区间，若同一个数据点对多个极大值点都有超过阈值的隶属度，则将该数据点分到隶属度最大的极大值点对应的敏感波动区间，由此可以将光谱波动曲线划分为多个敏感波动区间，其中存在不属于任何一个敏感波动区间的数据点。
至此，获取了每个像素点对应的若干敏感波动区间。
步骤S003，根据像素点的敏感波段区间的差异获取差值区间，根据差值区间内每个数据点的斜率以及敏感波段区间对差值区间的修正获取差值区间和敏感波动区间的相似性，根据差值区间和敏感波动区间的相似性获取每个像素点的匹配像素点。
对于每个像素点与其周围邻域的像素点根据其光谱的波动情况的相似性可以获取两个像素点的相似性，在分析像素点之间的相似性时可以分析像素点之间敏感波动区间的相似性来代替，对于任意一个像素点记为目标像素点，获取目标像素点的所有敏感波动区间，对于其余像素点记为待定像素点，根据目标像素点的敏感波动区间的波段在待定像素点获取相同大小和位置的区间，将所截取的区间记为待定区间，对于每个敏感波动区间都有对应的待定区间，两个区间包含的波段是相同的。
将敏感波动区间和待定区间的差异获取一个差值区间，差值区间对应一条曲线记为差异曲线，由于高光谱图像中，同一物质的不同像素点的光谱波动曲线的走势是相同的，只有幅值的差异，而越敏感的波段，其像素点在该波段的光谱值变化越大，因此敏感波动区间和待定区间的差异获取的差值区间中只存在一个极大值点，极大值左侧数据递增，极大值右侧数据递减，区间端点处的差异应该是最小的其整体的分布可能呈现类正态分布。
差值区间的极大值对应的数据点同样为极大值点，计算差值区间的极大值点左侧所有数据点的斜率的导数的方差和极大值点右侧所有数据点的斜率导数的方差，为了防止出现极值点波动的情况，计算差值区间和敏感波动区间的极大值点的波段距离，所述波段距离为两个数据点波段的差，基于此获取差值区间和敏感波动区间的相似性，公式如下：
式中，表示第o个差值区间极大值左侧所有数据点的斜率的导数的方差，表示第o个差值区间极大值右侧所有数据点的斜率的导数的方差，/>表示第o个差值区间的极大值点与其对应的敏感波动区间的极大值点的波段距离，/>表示以自然常数为底的指数函数，/>表示线性归一化函数，/>表示第o个差值区间与其对应的敏感波动区间的相似性。
由此获取了两个插值区间和敏感波动区间的相似性，在此设定阈值为0.68，若相似性大于其阈值，则说明两个区间的相似性较高，对于两个像素点，若两个像素点中存在一个敏感波动区间相似性较高的区间，那么认为两个像素点匹配。
基于此，获取光谱图像中目标像素点的匹配情况，也即获取每个像素点的匹配像素点。
至此，获取了每个像素点的匹配像素点。
步骤S004，对于高光谱图像获取对应的光谱灰度图，对光谱灰度图进行聚类构建孤立树，根据孤立树中数据点与其余数据点的距离以及数据点到孤立树根节点的距离获取数据点的异常得分。
分析孤立森林的算法是对样本空间中的离群点进行检测，分析光谱数据时只有同种物质之家的情况才能划分到一个样本空间中，不同的物质参与样本空间的划分其会存在明显的离群点会影响数据的异常得分的计算，可以根据图像中的灰度值分布情况将可能是同种数据的概率更高数据划分到同一个样本空间中。
具体的，对于高光谱图像获取其灰度图像记为光谱灰度图，对于灰度光谱图的所有像素点根据其灰度值进行聚类，所使用的聚类方法为均值飘逸聚类，聚类后获取若干簇类，其中每个簇类都是灰度值相似的区间。对于任意一个簇类，对每个簇类中所有像素点的同一层波段的数据点构建孤立树进行分析，例如，对于簇类a，其中有100个像素点，对于100个像素点分别获取同一个波段的数据点，将这100个数据点构成若干孤立树。所述孤立树存在于孤立森林的其中，为公知技术，在此不多做赘述。
在计算数据点的异常得分时，就是对数据点所处的树的位置距离根节点的距离去判断其异常得分的，根据上述获取了像素点之间的匹配关系，若其像素点匹配，则相同波段的数据点也匹配，根据每个数据点与每棵孤立树中匹配的数据点的距离以及该数据点到根节点的距离获取每个数据点的异常得分，公式如下：
式中，表示第i个数据点与第c棵孤立树中与其匹配的第x个数据点的孤立距离，/>表示第i个数据点到第c棵孤立树的根节点的孤立距离，/>表示第i个数据点在第c棵孤立树中匹配的数据点的数量，/>表示构建的孤立树的数量，/>表示线性归一化函数，/>表示第i个数据点的异常得分。
至此，获取了每个数据点的异常得分。
步骤S005，根据每个数据点的异常得分判断数据点是否受噪声影响，并对受噪声影响的数据点进行去噪。
根据上述得到的每个数据点的异常得分，异常得分越高的数据点受到噪声的可能性越大，因此根据计算的异常得分判断数据点是否受到噪声影响，在本实施例中，若异常得分大于0.75，则认为数据点受到噪声的影响。
将受到噪声影响的数据点删除，将其同一波段下的匹配数据点的光谱值求均值作为该数据点的光谱值，至此完成去噪。
本实施例提供一种光谱测量校正计算系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，处理器执行所述计算机程序时实现上述步骤S001至步骤S004的方法。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
Claims (9)
1.一种光谱测量校正计算方法，其特征在于，该方法包括以下步骤：
获取高光谱图像；
在高光谱图像中，将像素点在每个波段的点记为数据点，根据每个像素点的数据点获取一条光谱波动曲线；获取光谱波动曲线的极大值点，根据光谱波动曲线的极大值点获取像素点的若干敏感波动区间；
根据像素点的敏感波段区间的差异获取差值区间，根据差值区间内每个数据点的斜率以及敏感波段区间对差值区间的修正获取差值区间和敏感波动区间的相似性；根据差值区间和敏感波动区间的相似性获取每个像素点的匹配像素点；
对于高光谱图像获取对应的光谱灰度图，对光谱灰度图进行聚类构建孤立树，根据孤立树中数据点与其余数据点的距离以及数据点到孤立树根节点的距离获取数据点的异常得分；
根据每个数据点的异常得分判断数据点是否受噪声影响，并对受噪声影响的数据点进行去噪；
所述根据光谱波动曲线的极大值点获取像素点的若干敏感波动区间的方法为：
对于光谱波动曲线计算其导数，获取光谱波动曲线中的极大值，极大值对应的数据点记为极大指点，获取每个数据点到每个极大值点的横坐标的差以及每个数据点的斜率，将每个数据点到极大值点的横坐标的差的导数与数据点斜率的乘积记为第一乘积，将第一乘积归一化获取数据点对于极大值点的隶属度，根据数据点对于极大指点的隶属度获取敏感波动区间。
2.如权利要求1所述的一种光谱测量校正计算方法，其特征在于，所述根据每个像素点的数据点获取一条光谱波动曲线的方法为：
将所有数据点进行曲线拟合获取光谱波动曲线，光谱波动曲线的横坐标为数据点的波段，纵坐标为数据点的光谱值。
3.如权利要求1所述的一种光谱测量校正计算方法，其特征在于，所述根据数据点对于极大指点的隶属度获取敏感波动区间的方法为：
给定预设隶属阈值，若像素点对于极大值点的隶属度大于预设隶属阈值，将像素点分在此极大值点的隶属区间内，若像素点对于多个极大值点隶属度都大于预设隶属阈值，将像素点分到最大隶属度对应的极大值点的隶属区间内，将极大值点的隶属区间记为敏感波动区间。
4.如权利要求1所述的一种光谱测量校正计算方法，其特征在于，所述根据像素点的敏感波段区间的差异获取差值区间的方法为：
将任意一个像素点记为目标像素点，其余像素点记为待定像素点，获取目标像素点的所有敏感波动区间，将目标像素点的所有敏感波动区间对应的波段在待定像素点中提取出来，将待定像素点中提取出来的连续波段构成的区间记为待定区间，对于相同波段构成的敏感波动区间和待定区间的每个数据点的光谱值作差得到每个数据点的差值，将数据点的差值组成的区间记为差值区间。
5.如权利要求1所述的一种光谱测量校正计算方法，其特征在于，所述根据差值区间内每个数据点的斜率以及敏感波段区间对差值区间的修正获取差值区间和敏感波动区间的相似性的方法为：
式中，表示第o个差值区间极大值左侧所有数据点的斜率的导数的方差，表示第o个差值区间极大值右侧所有数据点的斜率的导数的方差，/>表示第o个差值区间的极大值点与其对应的敏感波动区间的极大值点的波段距离，/>表示以自然常数为底的指数函数，/>表示线性归一化函数，/>表示第o个差值区间与其对应的敏感波动区间的相似性。
6.如权利要求1所述的一种光谱测量校正计算方法，其特征在于，所述对光谱灰度图进行聚类构建孤立树的方法为：
对于光谱灰度图中的所有像素点根据其灰度值进行聚类，聚类方法为均值飘逸聚类，将聚类获取的每一个簇类中的所有像素点记为聚类像素点，将聚类像素点中任意一个波段对应的数据点记为聚类数据点，将同一簇类同一波段下的聚类数据点作为样本空间构建若干孤立树。
7.如权利要求1所述的一种光谱测量校正计算方法，其特征在于，所述根据孤立树中数据点与其余数据点的距离以及数据点到孤立树根节点的距离获取数据点的异常得分的方法为：
式中，表示第i个数据点与第c棵孤立树中与其匹配的第x个数据点的孤立距离，表示第i个数据点到第c棵孤立树的根节点的孤立距离，/>表示第i个数据点在第c棵孤立树中匹配的数据点的数量，/>表示构建的孤立树的数量，/>表示线性归一化函数，/>表示第i个数据点的异常得分。
8.如权利要求1所述的一种光谱测量校正计算方法，其特征在于，所述根据每个数据点的异常得分判断数据点是否受噪声影响，并对受噪声影响的数据点进行去噪的方法为：
给定异常阈值，若数据点的异常得分大于异常阈值，数据点受到噪声的影响，将受到噪声影响的数据点删除，将数据点的所有匹配数据点求光谱均值作为数据点的光谱值完成去噪。
9.一种光谱测量校正计算系统，包括存储器、处理器以及存储在所述存储器中并在所述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如权利要求1-8任意一项所述一种光谱测量校正计算方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311403596.5A CN117132778B (zh) | 2023-10-27 | 2023-10-27 | 一种光谱测量校正计算方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311403596.5A CN117132778B (zh) | 2023-10-27 | 2023-10-27 | 一种光谱测量校正计算方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117132778A CN117132778A (zh) | 2023-11-28 |
| CN117132778B true CN117132778B (zh) | 2024-02-06 |
Family
ID=88863237
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311403596.5A Active CN117132778B (zh) | 2023-10-27 | 2023-10-27 | 一种光谱测量校正计算方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117132778B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117671300B (zh) * | 2023-12-07 | 2024-04-26 | 广东晨晖新材料科技有限公司 | 一种三聚氰胺浸渍纸生产的质检预警方法及系统 |
| 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 |
| CN117764982B (zh) * | 2024-01-11 | 2024-05-07 | 松佳精密科技(东莞)有限公司 | 基于三维点云技术的冲压模架磨损检测方法 |
| CN117591905B (zh) * | 2024-01-19 | 2024-04-02 | 山东鲁港福友药业有限公司 | 基于高光谱特征的猪肉安全性检测方法 |
| CN117877007B (zh) * | 2024-03-12 | 2024-05-10 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种全氟辛烷磺酸快速检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102393913A (zh) * | 2011-10-31 | 2012-03-28 | 北京航空航天大学 | 一种基于光谱指纹特征的弱小目标精确跟踪方法 |
| CN116559111A (zh) * | 2023-05-10 | 2023-08-08 | 四川轻化工大学 | 一种基于高光谱成像技术的高粱品种识别方法 |
| CN116758361A (zh) * | 2023-08-22 | 2023-09-15 | 中国铁路设计集团有限公司 | 基于空间与光谱联合特征的工程岩组遥感分类方法及系统 |
-
2023
- 2023-10-27 CN CN202311403596.5A patent/CN117132778B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102393913A (zh) * | 2011-10-31 | 2012-03-28 | 北京航空航天大学 | 一种基于光谱指纹特征的弱小目标精确跟踪方法 |
| CN116559111A (zh) * | 2023-05-10 | 2023-08-08 | 四川轻化工大学 | 一种基于高光谱成像技术的高粱品种识别方法 |
| CN116758361A (zh) * | 2023-08-22 | 2023-09-15 | 中国铁路设计集团有限公司 | 基于空间与光谱联合特征的工程岩组遥感分类方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117132778A (zh) | 2023-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117132778B (zh) | 一种光谱测量校正计算方法及系统 | |
| CN109142317B (zh) | 一种基于随机森林模型的拉曼光谱物质识别方法 | |
| Zhang et al. | Identification of corn seeds with different freezing damage degree based on hyperspectral reflectance imaging and deep learning method | |
| Sandika et al. | Random forest based classification of diseases in grapes from images captured in uncontrolled environments | |
| CN113989603A (zh) | 用于光谱分类的减少的误报识别 | |
| Mishra et al. | Identification of citrus greening (HLB) using a VIS-NIR spectroscopy technique | |
| CN115131683B (zh) | 基于高分辨率遥感影像的林业信息识别方法 | |
| CN105989597B (zh) | 基于像素选择过程的高光谱图像异常目标检测方法 | |
| CN107609588A (zh) | 一种基于语音信号的帕金森患者updrs得分预测方法 | |
| CN102072767A (zh) | 基于波长相似性共识回归红外光谱定量分析方法和装置 | |
| CN117332283B (zh) | 一种中药材生长信息采集分析方法及系统 | |
| CN116842326A (zh) | 一种基于光学手段的畜牧养殖水质监测系统 | |
| CN115292334A (zh) | 基于视觉智能种植方法、系统、电子设备及存储介质 | |
| CN117589741B (zh) | 基于光学特征的吲哚菁绿智能检测方法 | |
| CN115331098A (zh) | 一种基于增强物候特征的越冬作物早期分类方法和系统 | |
| Das et al. | Detection of diseases on visible part of plant—A review | |
| CN113310934A (zh) | 骆驼奶中掺加奶牛奶及其掺加比例的快速鉴定方法 | |
| CN111751295A (zh) | 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用 | |
| CN107895361A (zh) | 一种基于局部密度纯化背景的高光谱异常检测方法 | |
| CN116994126A (zh) | 基于冠层反射率光谱的作物叶面积指数获取方法及装置 | |
| Jinglei et al. | Distance-based separability criterion of ROI in classification of farmland hyper-spectral images | |
| CN112834451B (zh) | 基于红外光谱的样品识别方法、设备及存储介质 | |
| CN116994675B (zh) | 基于近红外数据的锦灯笼宿萼表皮检测方法 | |
| CN117556245B (zh) | 一种四甲基氢氧化铵生产过滤杂质检测方法 | |
| CN110188735A (zh) | 一种基于高光谱的入侵植物识别方法 |
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 |