CN117315470B - 基于地空全谱段高光谱数据的水质参数反演系统 - Google Patents
基于地空全谱段高光谱数据的水质参数反演系统 Download PDFInfo
- Publication number
- CN117315470B CN117315470B CN202311241677.XA CN202311241677A CN117315470B CN 117315470 B CN117315470 B CN 117315470B CN 202311241677 A CN202311241677 A CN 202311241677A CN 117315470 B CN117315470 B CN 117315470B
- Authority
- CN
- China
- Prior art keywords
- curve graph
- reflection curve
- water surface
- water
- priori
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 233
- 238000001228 spectrum Methods 0.000 title claims abstract description 124
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 230000003595 spectral effect Effects 0.000 claims description 46
- 238000000034 method Methods 0.000 claims description 12
- 239000000523 sample Substances 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000002310 reflectometry Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 230000001154 acute effect Effects 0.000 claims description 4
- 229930002868 chlorophyll a Natural products 0.000 claims description 4
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000012216 screening Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation 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
- G06V10/40—Extraction of image or video features
- G06V10/58—Extraction of image or video features relating to hyperspectral data
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- 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
- G01N2021/1793—Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于地空全谱段高光谱数据的水质参数反演系统,所述水质参数反演系统包括光谱仪、数据处理模、图像检索模块、输出模块以及控制模块,所述光谱仪、数据处理模、图像检索模块和输出模块分别与所述控制模块电连接,所述水质参数包括水中的检测目标类别以及所述检测目标的浓度。所述水质参数反演系统通过从水质参数‑光谱反射曲线图集当中检索出与当前水面光谱反射曲线图匹配度最高的先验目标水面光谱反射曲线图,并根据该先验水面光谱反射曲线图确定待测水体的水质参数,本发明公开的基于地空全谱段高光谱数据的水质参数反演系统有利于降低计算资源占用量。
Description
技术领域
本发明涉及环境监测技术领域,尤其涉及一种基于地空全谱段高光谱数据的水质参数反演系统。
背景技术
专利CN111007021A公开了一种基于一维卷积神经网络的高光谱水质参数反演系统,该系统通过地面点光谱实测模块用于测量选定点处水体的高光谱数据;所述水质采集分析模块用于采集选定点处的水体样本并分析得到水质参数浓度;所述反演模型构建模块用于以所述全部光谱波段信息为输入,以水质参数浓度为输出,训练一维卷积神经网络的参数以拟合光谱波段信息与水质参数浓度间复杂的非线性关系;所述高光谱数据获取模块用于采集监测水域的高光谱遥感图像,并得到各点光谱波段的遥感反射率;所述水质参数反演模块用于以所述各点的光谱波段信息作为输入,反演得到监测水域中各点的水质参数浓度,同时该系统无需增加波段筛选子模块,充分利用所有波段信息。
然而,上述技术方案中,训练卷积神经网络的参数以拟合光谱波段信息与水质参数浓度间复杂的非线性关系的过程需要占用设备的计算资源较多,不适用于执行相关步骤的设备所配置的计算资源紧凑的应用场景。
可见,如何设计一款有利于降低计算资源占用量的水质参数反演系统,是亟需解决的技术问题。
发明内容
本发明所要解决的技术问题在于,提供一种基于地空全谱段高光谱数据的水质参数反演系统,适用于所配置的计算资源紧凑的应用场景。
为了解决上述技术问题,本发明公开了一种基于地空全谱段高光谱数据的水质参数反演系统,所述水质参数反演系统包括光谱仪、数据处理模、图像检索模块、输出模块以及控制模块,所述光谱仪、数据处理模、图像检索模块和输出模块分别与所述控制模块电连接,所述水质参数包括水中的检测目标类别以及所述检测目标的浓度,其中,所述控制模块执行的步骤包括:
所述控制模块通过所述光谱仪获取在预设光源照射的待测水体的高光谱数据;
所述控制模块控制所述数据处理模块根据所述高光谱数据绘制出所述待测水体的当前水面光谱反射曲线图;
所述控制模块控制所述图像检索模块从水质参数-光谱反射曲线图集当中检索出与所述当前水面光谱反射曲线图匹配度最高的先验水体光谱反射曲线图,并标记为目标先验水面光谱反射曲线图,其中,所述水质参数-光谱反射曲线图集包括根据先验水体在所述预设光源照射下的高光谱数据绘制出的先验水体光谱反射曲线图集和与所述先验水体光谱反射曲线图集中的每一张先验水体光谱反射曲线图对应的先验水质参数;
所述控制模块从所述图像检索模块获取所述目标先验水面光谱反射曲线图对应的目标先验水质参数;
所述控制模块通过所述输出模块输出表示所述待测水体的水质参数为所述目标先验水质参数的反演结果。
本发明通过将当前水面光谱反射曲线图与先验目标水面光谱反射曲线图之间进行比对而确定反演结果,与现有技术中的训练卷积神经网络的参数以拟合光谱波段信息与水质参数浓度间复杂的非线性关系的复杂的推算以及迭代过程而最终确定反演结果相比,本发明公开的基于地空全谱段高光谱数据的水质参数反演系统更有利于降低计算资源占用量。
作为一种可选的实施方式,本发明中,所述水质参数反演系统还包括与所述控制模块电连接的图像特征提取模块,
在所述控制模块控制所述数据处理模块根据所述高光谱数据绘制出所述待测水体的当前水面光谱反射曲线图之后,以及在所述控制模块控制所述图像检索模块从水质参数-光谱反射曲线图集当中检索出与所述当前水面光谱反射曲线图匹配度最高的先验水体光谱反射曲线图,并标记为目标先验水面光谱反射曲线图之前,所述控制模块执行的步骤还包括:
所述控制模块控制所述图像特征提取模块对所述当前水面光谱反射曲线图执行图像特征提取的操作,确定出当前水面光谱反射曲线的波峰和波谷对应的波段范围;
以及所述图像检索模块从水质参数-光谱反射曲线图集当中检索出与所述当前水面光谱反射曲线图匹配度最高的目标先验水面光谱反射曲线图的过程中,所述图像检索模块执行的步骤包括:
所述图像检索模块从水质参数-光谱反射曲线图集当中检索出若干张与所述当前水面光谱反射曲线图的波峰和波谷对应的波段范围匹配的先验水面光谱反射曲线图,并标记为候选目标先验水面光谱反射曲线图;
所述图像检索模块根据光谱反射曲线图匹配算法从所述候选目标先验水面光谱反射曲线图中筛选出与所述当前水面光谱曲线图匹配度最高者,并标记为目标先验水面光谱反射曲线图。
作为一种可选的实施方式,本发明中,所述光谱反射曲线图匹配算法通过求取候选目标先验水面光谱反射曲线图与当前水面光谱曲线图之间的匹配评价指数确定所述候选目标先验水面光谱反射曲线图中筛选出与所述当前水面光谱曲线图匹配度,
其中,求取候选目标先验水面光谱反射曲线图与当前水面光谱曲线图之间的匹配评价指数采用以下公式:
式中,M为候选目标先验水面光谱反射曲线图与当前水面光谱曲线图之间的匹配评价指数,n表示取样的波段数量,yi表示当前水面光谱曲线上的某一取样波段所对应的反射率,y′i表示候选目标先验水面光谱反射曲线上的与该取样波段所对应的反射率,表示yi的均值,/>表示y′i的均值。
作为一种可选的实施方式,本发明中,所述水质参数包括水中的叶绿素a浓度或者悬浮物浓度。
作为一种可选的实施方式,本发明中,所述输出模块还与智能穿戴设备通信连接,
所述智能穿戴设备用于展示所述输出模块所输出的表示所述待测水体的水质参数为所述目标先验水质参数的反演结果。
作为一种可选的实施方式,本发明中,所述光谱仪的探头所在的平面与所述预设光源的入射平面的夹角为钝角,所述光谱仪的探头与水平面法线方向的夹角为锐角。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的一种基于地空全谱段高光谱数据的水质参数反演系统的结构示意图;
图2是本发明实施例的控制模块的一种执行步骤的流程示意图;
图3是本发明实施例的控制模块的另一种执行步骤的流程示意图;
图4是本发明实施例的图像检索模块的一种执行步骤的流程示意图;
图5是本发明实施例的光谱仪和预设光源的位置关系示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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作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。
本发明的说明书和权利要求书中的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于地空全谱段高光谱数据的水质参数反演系统,如图1所示,水质参数反演系统包括光谱仪、数据处理模块、图像检索模块、输出模块以及控制模块,光谱仪、数据处理模块、图像检索模块和输出模块分别与控制模块电连接,水质参数包括水中的检测目标类别以及检测目标的浓度。可选的,本发明所公开的水质参数反演系统可以设置在待测水体两侧的陆地上固定的检测设备上,通常,这适用于对小范围待测水体的水质参数进行监测的场景,比如,对人工河道的某区域进行水体监测,对污水处理厂的某环节输出的水体进行监测,除此之外,该水质参数反演系统也可以设置在飞行器上(如,无人机)用于监测流域较大的水体(如,湖泊、河流等)的水质参数。可选的,该水质参数可以包括水中的叶绿素a浓度或者悬浮物浓度,叶绿素a和悬浮物具有特定的光谱特性,该水质参数反演系统在监测这两者的浓度的应用场景中效果显著。
其中,如图2所示,控制模块执行的步骤包括:
S101、控制模块通过光谱仪获取在预设光源照射的待测水体的高光谱数据。可选的,该光谱仪可以为全谱段光谱成像仪,对远距离的水质参数监测特别适用。可选的,该预设光源可以是入射角预先确定的太阳光。
S102、控制模块控制数据处理模块根据高光谱数据绘制出待测水体的当前水面光谱反射曲线图。水面光谱反射曲线图可以是以光谱的波长为横坐标,光谱的反射率为纵坐标的曲线图。
S103、控制模块控制图像检索模块从水质参数-光谱反射曲线图集当中检索出与当前水面光谱反射曲线图匹配度最高的目标先验水面光谱反射曲线图。其中,水质参数-光谱反射曲线图集包括根据先验水体在预设光源照射下的高光谱数据绘制出的先验水体光谱反射曲线图集和与先验水体光谱反射曲线图集中的每一张先验水体光谱反射曲线图对应的先验水质参数。
S104、控制模块从图像检索模块获取目标先验水面光谱反射曲线图对应的目标先验水质参数。
S105、控制模块通过输出模块输出表示待测水体的水质参数为目标先验水质参数的反演结果。
本发明公开的基于地空全谱段高光谱数据的水质参数反演系统中,通过从水质参数-光谱反射曲线图集当中检索出与当前水面光谱反射曲线图匹配度最高的先验目标水面光谱反射曲线图,并根据该先验水面光谱反射曲线图确定待测水体的水质参数。可见,本发明通过将当前水面光谱反射曲线图与先验目标水面光谱反射曲线图之间进行比对而确定反演结果,与现有技术中的训练卷积神经网络的参数以拟合光谱波段信息与水质参数浓度间复杂的非线性关系的复杂的推算以及迭代过程而最终确定反演结果相比,本发明公开的基于地空全谱段高光谱数据的水质参数反演系统更有利于降低计算资源占用量。
为了提高检索出与当前水面光谱反射曲线图匹配的目标先验水面光谱反射曲线图的高效性,可以对当前水面光谱反射曲线图基于图像识别技术进行初步筛选,并从初步筛选结果中作进一步筛选,最终得到目标先验水面光谱反射曲线图。具体而言,如图1所示,水质参数反演系统还包括与控制模块电连接的图像特征提取模块。如图3所示,在控制模块控制数据处理模块根据高光谱数据绘制出待测水体的当前水面光谱反射曲线图(即步骤S102)之后,以及在控制模块控制图像检索模块从水质参数-光谱反射曲线图集当中检索出与当前水面光谱反射曲线图匹配度最高的目标先验水面光谱反射曲线图(即步骤S103)之前,控制模块执行的步骤还包括:
S1021、控制模块控制图像特征提取模块对当前水面光谱反射曲线图执行图像特征提取的操作,确定出当前水面光谱反射曲线的波峰和波谷对应的波段范围。可选的,图像特征提取的过程可以是基于霍夫变换对水面光谱反射曲线执行直线段的提取操作,将水面光谱反射曲线转化为若干相连的直线段,并通过求取相交的两条直线段的斜率确定出该水面光谱反射曲线的波峰和波谷的图像位置,并根据其图像位置(如,图像像素点的坐标来表示该图像位置)确定对应的波段范围。
以及如图4所示,图像检索模块从水质参数-光谱反射曲线图集当中检索出与当前水面光谱反射曲线图匹配度最高的目标先验水面光谱反射曲线图的过程中,图像检索模块执行的步骤包括:
S201、图像检索模块从水质参数-光谱反射曲线图集当中检索出若干张与当前水面光谱反射曲线图的波峰和波谷对应的波段范围匹配的先验水面光谱反射曲线图,并标记为候选目标先验水面光谱反射曲线图。
S202、图像检索模块根据光谱反射曲线图匹配算法从候选目标先验水面光谱反射曲线图中筛选出与当前水面光谱曲线图匹配度最高者,并标记为目标先验水面光谱反射曲线图。
可选的,可以通过比对候选目标先验水面光谱反射曲线图与当前水面反射曲线图在若干个波段所对应的光谱反射率以进一步提高确定目标先验水面光谱反射曲线图的效率。具体地,光谱反射曲线图匹配算法通过求取候选目标先验水面光谱反射曲线图与当前水面光谱曲线图之间的匹配评价指数确定所述候选目标先验水面光谱反射曲线图中筛选出与所述当前水面光谱曲线图匹配度,可选的,该匹配评价指数越高则表示该匹配度越高。
其中,求取候选目标先验水面光谱反射曲线图与当前水面光谱曲线图之间的匹配评价指数采用以下公式:
式中,M为候选目标先验水面光谱反射曲线图与当前水面光谱曲线图之间的匹配评价指数,n表示取样的波段数量,yi表示当前水面光谱曲线上的某一取样波段所对应的反射率,y′i表示候选目标先验水面光谱反射曲线上的与该取样波段所对应的反射率,表示yi的均值,/>表示y′i的均值。
为了便于使用者及时获取反演结果,可选的,该输出模块还与智能穿戴设备(如,智能手环)通信连接,该智能穿戴设备可以用于展示输出模块所输出的表示待测水体的水质参数为目标先验水质参数的反演结果。
为了提高所获取的待测水体的高光谱数据的有效性,从而提高绘制待测水体的当前水面光谱反射曲线图的效率,光谱仪的位置以及预设光源的位置可以作进一步优化。具体地,光谱仪的探头所在的平面与预设光源的入射平面的夹角为钝角(如,135°),光谱仪的探头与水平面法线方向的夹角为锐角(如,45°)。如图5所示,平面XOY为水平面,平面XOZ垂直于该水平面,OZ为该水平面的法线,光谱仪的探头所在的平面为平面EFGH,预设光源的入射平面为平面ABCD。那么,可以理解的是,在图5中,∠AOH为光谱仪的探头所在的平面与预设光源的入射平面的夹角,∠GOZ为光谱仪的探头与水平面法线方向的夹角为锐角。
光谱仪的探头与预设光源的入射平面的夹角为钝角,光谱仪的探头与水平面法线方向的夹角为锐角。
最后应说明的是:本发明实施例公开的一种基于地空全谱段高光谱数据的水质参数反演系统中,所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述的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;而这些修改或替换,并不使相应的技术方案的本质脱离本发明的实施例技术方案的精神和范围。
Claims (4)
1.一种基于地空全谱段高光谱数据的水质参数反演系统,其特征在于,所述水质参数反演系统包括光谱仪、数据处理模块、图像检索模块、输出模块以及控制模块,所述光谱仪、数据处理模块、图像检索模块和输出模块分别与所述控制模块电连接,所述水质参数包括水中的检测目标类别以及所述检测目标的浓度,其中,所述控制模块执行的步骤包括:
所述控制模块通过所述光谱仪获取在预设光源照射的待测水体的高光谱数据;
所述控制模块控制所述数据处理模块根据所述高光谱数据绘制出所述待测水体的当前水面光谱反射曲线图;
所述控制模块控制所述图像检索模块从水质参数-光谱反射曲线图集当中检索出与所述当前水面光谱反射曲线图匹配度最高的先验水体光谱反射曲线图,并标记为目标先验水面光谱反射曲线图,其中,所述水质参数-光谱反射曲线图集包括根据先验水体在所述预设光源照射下的高光谱数据绘制出的先验水体光谱反射曲线图集和与所述先验水体光谱反射曲线图集中的每一张先验水体光谱反射曲线图对应的先验水质参数;
所述控制模块从所述图像检索模块获取所述目标先验水面光谱反射曲线图对应的目标先验水质参数;
所述控制模块通过所述输出模块输出表示所述待测水体的水质参数为所述目标先验水质参数的反演结果;所述水质参数反演系统还包括与所述控制模块电连接的图像特征提取模块,
在所述控制模块控制所述数据处理模块根据所述高光谱数据绘制出所述待测水体的当前水面光谱反射曲线图之后,以及在所述控制模块控制所述图像检索模块从水质参数-光谱反射曲线图集当中检索出与所述当前水面光谱反射曲线图匹配度最高的先验水体光谱反射曲线图,并标记为目标先验水面光谱反射曲线图之前,所述控制模块执行的步骤还包括:
所述控制模块控制所述图像特征提取模块对所述当前水面光谱反射曲线图执行图像特征提取的操作,确定出当前水面光谱反射曲线的波峰和波谷对应的波段范围;
以及所述图像检索模块从水质参数-光谱反射曲线图集当中检索出与所述当前水面光谱反射曲线图匹配度最高的目标先验水面光谱反射曲线图的过程中,所述图像检索模块执行的步骤包括:
所述图像检索模块从水质参数-光谱反射曲线图集当中检索出若干张与所述当前水面光谱反射曲线图的波峰和波谷对应的波段范围匹配的先验水面光谱反射曲线图,并标记为候选目标先验水面光谱反射曲线图;
所述图像检索模块根据光谱反射曲线图匹配算法从所述候选目标先验水面光谱反射曲线图中筛选出与所述当前水面光谱反射曲线图匹配度最高者,并标记为目标先验水面光谱反射曲线图;
所述光谱反射曲线图匹配算法通过求取候选目标先验水面光谱反射曲线图与当前水面光谱反射曲线图之间的匹配评价指数确定所述候选目标先验水面光谱反射曲线图中筛选出与所述当前水面光谱反射曲线图匹配度,
其中,求取候选目标先验水面光谱反射曲线图与当前水面光谱反射曲线图之间的匹配评价指数采用以下公式:
;
式中,为候选目标先验水面光谱反射曲线图与当前水面光谱反射曲线图之间的匹配评价指数,/>表示取样的波段数量,/>表示当前水面光谱反射曲线上的某一取样波段所对应的反射率,/>表示候选目标先验水面光谱反射曲线上的与该取样波段所对应的反射率,表示/>的均值,/>表示/>的均值。
2.根据权利要求1所述的基于地空全谱段高光谱数据的水质参数反演系统,其特征在于,所述水质参数包括水中的叶绿素a浓度或者悬浮物浓度。
3.根据权利要求2所述的基于地空全谱段高光谱数据的水质参数反演系统,其特征在于,所述输出模块还与智能穿戴设备通信连接,
所述智能穿戴设备用于展示所述输出模块所输出的表示所述待测水体的水质参数为所述目标先验水质参数的反演结果。
4.根据权利要求3所述的基于地空全谱段高光谱数据的水质参数反演系统,其特征在于,所述光谱仪的探头所在的平面与所述预设光源的入射平面的夹角为钝角,所述光谱仪的探头与水平面法线方向的夹角为锐角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311241677.XA CN117315470B (zh) | 2023-09-25 | 2023-09-25 | 基于地空全谱段高光谱数据的水质参数反演系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311241677.XA CN117315470B (zh) | 2023-09-25 | 2023-09-25 | 基于地空全谱段高光谱数据的水质参数反演系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117315470A CN117315470A (zh) | 2023-12-29 |
CN117315470B true CN117315470B (zh) | 2024-03-08 |
Family
ID=89259661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311241677.XA Active CN117315470B (zh) | 2023-09-25 | 2023-09-25 | 基于地空全谱段高光谱数据的水质参数反演系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117315470B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2005000116A1 (ja) * | 2003-06-30 | 2006-10-05 | 株式会社日立メディコ | 磁気共鳴撮影装置 |
CN103198483A (zh) * | 2013-04-07 | 2013-07-10 | 西安电子科技大学 | 基于边缘和光谱反射率曲线的多时相遥感图像配准方法 |
CN104390917A (zh) * | 2014-12-03 | 2015-03-04 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊水体叶绿素a 的MODIS卫星高精度监测方法 |
CN108596819A (zh) * | 2018-03-28 | 2018-09-28 | 广州地理研究所 | 一种基于稀疏表达的内陆光学复杂水体高光谱重构方法 |
CN111007021A (zh) * | 2019-12-31 | 2020-04-14 | 北京理工大学重庆创新中心 | 基于一维卷积神经网络的高光谱水质参数反演系统及方法 |
CN113159167A (zh) * | 2021-04-19 | 2021-07-23 | 福州大学 | 基于内陆不同类型水体的叶绿素a反演方法 |
CN114187012A (zh) * | 2021-11-11 | 2022-03-15 | 山东省信息产业服务有限公司 | 基于区块链的通信建设监管服务系统及方法 |
CN114965316A (zh) * | 2022-05-17 | 2022-08-30 | 中国科学院西安光学精密机械研究所 | 一种基于高光谱多参数的水质监测方法、计算机程序产品 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005000116A (ja) * | 2003-06-13 | 2005-01-06 | Kourakata Gosei:Kk | 防鳥ネットの取付装置 |
-
2023
- 2023-09-25 CN CN202311241677.XA patent/CN117315470B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2005000116A1 (ja) * | 2003-06-30 | 2006-10-05 | 株式会社日立メディコ | 磁気共鳴撮影装置 |
CN103198483A (zh) * | 2013-04-07 | 2013-07-10 | 西安电子科技大学 | 基于边缘和光谱反射率曲线的多时相遥感图像配准方法 |
CN104390917A (zh) * | 2014-12-03 | 2015-03-04 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊水体叶绿素a 的MODIS卫星高精度监测方法 |
CN108596819A (zh) * | 2018-03-28 | 2018-09-28 | 广州地理研究所 | 一种基于稀疏表达的内陆光学复杂水体高光谱重构方法 |
CN111007021A (zh) * | 2019-12-31 | 2020-04-14 | 北京理工大学重庆创新中心 | 基于一维卷积神经网络的高光谱水质参数反演系统及方法 |
CN113159167A (zh) * | 2021-04-19 | 2021-07-23 | 福州大学 | 基于内陆不同类型水体的叶绿素a反演方法 |
CN114187012A (zh) * | 2021-11-11 | 2022-03-15 | 山东省信息产业服务有限公司 | 基于区块链的通信建设监管服务系统及方法 |
CN114965316A (zh) * | 2022-05-17 | 2022-08-30 | 中国科学院西安光学精密机械研究所 | 一种基于高光谱多参数的水质监测方法、计算机程序产品 |
Non-Patent Citations (2)
Title |
---|
"A study on water quality parameters estimation for urban rivers based on ground hyperspectral remote sensing technology";Yikai Hou等;《Environmental Science and Pollution Research》;20220423;全文 * |
"基于深度学习的海冰融池识别";王智豪等;《遥感信息》;20221231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117315470A (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liang et al. | Detection and evaluation method of transmission line defects based on deep learning | |
CN112014331A (zh) | 一种水体污染的检测方法、装置、设备以及存储介质 | |
CN113239830B (zh) | 一种基于全尺度特征融合的遥感图像云检测方法 | |
CN106650812A (zh) | 一种卫星遥感影像的城市水体提取方法 | |
CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN115372282B (zh) | 一种基于无人机高光谱影像的农田土壤含水量监测方法 | |
CN115860975B (zh) | 一种基于卫星遥感的盐湖锂矿项目产能监测方法与装置 | |
CN111428585B (zh) | 一种基于深度学习的超材料太赫兹谱学识别方法 | |
Jin et al. | A Smart Water Metering System Based on Image Recognition and Narrowband Internet of Things. | |
CN117036255A (zh) | 一种基于深度学习的管道缺陷检测与评价方法及装置 | |
CN115187812A (zh) | 高光谱激光雷达点云数据的分类方法、训练方法及装置 | |
Ji et al. | Exploring the solutions via Retinex enhancements for fruit recognition impacts of outdoor sunlight: a case study of navel oranges | |
CN117315470B (zh) | 基于地空全谱段高光谱数据的水质参数反演系统 | |
Sosa et al. | An algorithm for detection of nutritional deficiencies from digital images of coffee leaves based on descriptors and neural networks | |
CN116306322B (zh) | 一种基于高光谱数据的水体总磷浓度反演方法和装置 | |
Yu et al. | A diagnosis model of soybean leaf diseases based on improved residual neural network | |
CN117115675A (zh) | 一种跨时相轻量化空谱特征融合高光谱变化检测方法、系统、设备及介质 | |
CN116863353A (zh) | 一种基于旋转目标检测网络的电力杆塔倾斜程度检测方法 | |
Jinglei et al. | Distance-based separability criterion of ROI in classification of farmland hyper-spectral images | |
CN116109659A (zh) | 一种sar影像海洋内波条纹分割方法、设备及存储介质 | |
Wang et al. | A Novel Wireless Leaf Area Index Sensor Based on a Combined U-Net Deep Learning Model | |
CN113567357A (zh) | 一种光谱数据的融合方法、以及装置 | |
Li et al. | A new coronal loop identification method based on phase congruency | |
CN117409011B (zh) | 一种基于目标识别的高压套管表面污秽监测方法及系统 | |
CN117689964B (zh) | 一种基于多源影像的城市森林分类方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |