CN117474815A - 一种高光谱图像校准方法及系统 - Google Patents
一种高光谱图像校准方法及系统 Download PDFInfo
- Publication number
- CN117474815A CN117474815A CN202311785152.2A CN202311785152A CN117474815A CN 117474815 A CN117474815 A CN 117474815A CN 202311785152 A CN202311785152 A CN 202311785152A CN 117474815 A CN117474815 A CN 117474815A
- Authority
- CN
- China
- Prior art keywords
- hyperspectral image
- image
- calibrated
- ambient light
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000001228 spectrum Methods 0.000 claims abstract description 85
- 230000003595 spectral effect Effects 0.000 claims abstract description 33
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000008030 elimination Effects 0.000 claims abstract description 8
- 238000003379 elimination reaction Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 230000003321 amplification Effects 0.000 claims 1
- 238000003199 nucleic acid amplification method Methods 0.000 claims 1
- 238000002310 reflectometry Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 6
- 239000000126 substance Substances 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明属于高光谱图像处理领域,提出了一种高光谱图像校准方法及系统,包括:获取待校准高光谱图像以及与待校准高光谱图像处在同一拍摄场景的环境光光谱图像和暗噪声光谱图像;分别对待校准高光谱图像以及环境光光谱图像和暗噪声光谱图像进行标准化处理;利用标准化处理后的环境光光谱特征和暗噪声光谱特征对待校准高光谱图像进行环境光与暗电流噪声剔除,得到重构后的待校准高光谱图像;对重构后的待校准高光谱图像中的非边缘像素点进行临点拟合预测滤波,得到校准后的高光谱图像。本发明对待校准高光谱图像进行环境光与暗电流噪声剔除,有效地处理了环境光和暗噪声的影响,提高了图像校准的精度。
Description
技术领域
本发明属于高光谱图像处理领域,尤其涉及一种高光谱图像校准方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
光谱图像反射率的影响因素包括:
1.物质的性质:物质的化学组成和物理结构决定了它对光的吸收、传递和反射能力。例如,一种物质可能对某一特定光谱范围内的光具有较高的反射率,而对其他光谱范围内的光的反射率较低。
2.光源的性质:光源的波长,强度,角度都可以影响到物体的反射率。例如,太阳高度角的变化、云层的遮挡等都会影响光源的性质,从而影响物体的反射率。
3.观测条件:观测条件包括观测的角度,观测的距离,大气的状况(如湿度,温度,污染程度等)等。这些因素会改变光线传播的路径和强度,从而影响到物体的反射率。
4.物体表面的条件:物体表面的粗糙度,颜色,湿度等也会影响到反射率。例如,粗糙的表面比光滑的表面有更高的反射率,因为粗糙的表面会增加光的散射,
现有的光谱图像校准方法存在以下问题:
(1)不够精准:现有的光谱图像校准方法主要通过基于统计学的方法来消除环境光和暗噪声的影响,这种方法在环境光和暗噪声变化较大的情况下,校准效果不佳,可能影响到后续的图像分析结果。
(2)计算复杂度高:现有的光谱图像校准方法需要对图像的每一个像素点进行计算,计算复杂度较高,时间消耗较大。
发明内容
为克服上述现有技术的不足,本发明提供了一种高光谱图像校准方法及系统。
为实现上述目的,本发明的一个或多个实施例提供了如下技术方案:
本发明第一方面提供了一种光谱图像反射率校准方法,包括:
获取待校准高光谱图像以及与待校准高光谱图像处在同一拍摄场景的环境光光谱图像和暗噪声光谱图像;
分别对待校准高光谱图像以及环境光光谱图像和暗噪声光谱图像进行标准化处理;
利用标准化处理后的环境光光谱特征和暗噪声光谱特征对待校准高光谱图像进行环境光与暗电流噪声剔除,得到重构后的待校准高光谱图像;
对重构后的待校准高光谱图像中的非边缘像素点进行临点拟合预测滤波,得到校准后的高光谱图像。
本发明第二方面提供了一种高光谱图像校准系统,包括:
高光谱图像获取模块,被配置为:获取待校准高光谱图像以及与待校准高光谱图像处在同一拍摄场景的环境光光谱图像和暗噪声光谱图像;
标准化处理模块,被配置为:分别对待校准高光谱图像以及环境光光谱图像和暗噪声光谱图像进行标准化处理;
噪声剔除模块,被配置为:利用标准化处理后的环境光光谱特征和暗噪声光谱特征对待校准高光谱图像进行环境光与暗电流噪声剔除,得到重构后的待校准高光谱图像;
校准模块,被配置为:对重构后的待校准高光谱图像中的非边缘像素点进行临点拟合预测滤波,得到校准后的高光谱图像。
以上一个或多个技术方案存在以下有益效果:
(1)本发明获取与待校准高光谱图像处在同一拍摄场景下的环境光光谱图像和暗噪声光谱图像,然后分别对其进行标准化处理后对待校准高光谱图像进行环境光与暗电流噪声剔除,有效地处理了环境光和暗噪声的影响,提高了图像校准的精度。
(2)本发明引入临点拟合预测滤波,使用二维卷积神经网络对非边缘像素点进行预测,不需要对图像的每一个像素点进行计算,而是对图像中的非边缘像素点进行技术,降低了光谱图像校准方法的计算复杂度,提高了计算速度。
本发明附加方面的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,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为第一个实施例的高光谱图像校准方法流程图。
图2为第一个实施例的临点拟合滤波流程图。
具体实施方式
实施例一
如图1所示,本实施例公开了一种高光谱图像校准方法,包括:
步骤1:获取待校准高光谱图像以及与待校准高光谱图像处在同一拍摄场景的环境光光谱图像和暗噪声光谱图像;
步骤2:分别对待校准高光谱图像以及环境光光谱图像和暗噪声光谱图像进行标准化处理;
步骤3:利用标准化处理后的环境光光谱特征和暗噪声光谱特征对待校准高光谱图像进行环境光与暗电流噪声剔除,得到重构后的待校准高光谱图像;
步骤4:对重构后的待校准高光谱图像中的非边缘像素点进行临点拟合预测滤波,得到校准后的高光谱图像。
在步骤1中,高光谱图像的获取过程为:在利用光谱图像拍摄装置拍摄得到待校准高光谱图像后,通过在光谱图像拍摄装置下放置反射率校准白板,使用线扫描方式移动镜头狭缝,获取拍摄视野下的白板光谱图像,白板光谱图像中的光谱特征即为环境光光谱数据,光谱特征是指在光谱图中显示出的各种峰和谷的形状、位置和强度。以同样的方式采集屏蔽传入镜头的所有光路后的暗噪声光谱图像,提取光谱信息得到暗电流噪声数据。在步骤2中,高光谱图像中包含了多个波段的图像,每个波段都有对应的灰度值,步骤201:对待校准高光谱图像以及环境光光谱图像进行标准化处理,包括:
步骤2011:计算高光谱图像整体波段图像灰度的最大值(max)与最小值(min),平均值(average)以及标准差(standard deviation,SD);
步骤2012:基于灰度的最大值、最小值、平均值以及标准差逐个波段计算每个像素点的标准化值;
步骤2013:利用每个像素点的标准化值重组得到的图像的三维矩阵[行数,列数,波段数]。
其中,通过公式(1)来逐个波段计算每个像素点的标准化值,重组出图像的新的三维数据:
(1)
式中,value表示像素点的某个波段的值,计算时要计算全部像素点;Standardized data表示像素点的标准化值。
分别对待校准高光谱图像以及环境光光谱图像进行标准化处理后得到的重组三维数据M1=[行数,列数,波段数]和M2=[行数,列数,波段数];
步骤202:暗噪声光谱图像是一个三维矩阵,空间维度为x,y,光谱维度为z。对其进行特征提取得到暗电流噪声,包括:对暗噪声光谱图像的所有行的取平均值,得到矩阵M3=[1,列数,波段数],该矩阵就是暗电流特征;
具体的,首先对暗噪声光谱图像的所有行第一列第一个波段(即[:,1,1])取平均值,得到第一列第一个波段的环境光特征,
列数为1,波段数为1,对所有行取平均(即[:,1,1],其中,“:”为Python语法,在此处表示所有行,“1,1”表示第一列第一个波段)得到第一列第一个波段的环境光特征,然后在进行第二个波段在本列(即[:,1,2])取平均,以此类推第一列所有波段完成后(即[:,1,波段数])再进行第二列,即再从[:,2,1]开始,最终到[:,列数,波段数]执行操作,最终得到一个[1,列数,波段数]的矩阵,该矩阵就是暗电流特征,[1,列数,波段数]是矩阵的形状,表示1行,列数个列,波段数个波段。
在步骤3中,利用标准化处理后的环境光光谱数据和暗噪声光谱数据对待校准高光谱图像进行环境光与暗电流噪声剔除,包括:将标准化处理后的高光谱图像M1与环境光光谱特征M2和暗噪声光谱特征M3的差值与环境光光谱特征M2和暗噪声光谱特征M3之间的差值进行除法运算后得到重构后的高光谱图像M;具体包括:
待校准高光谱图像标准化后的数据矩阵为M1,环境光光谱图像标准化后的数据矩阵为M2,暗噪声光谱图像标准化后的数据矩阵为M3,通过公式(2)实现剔除噪声的光谱图像M的重构。
(2)
由于标准化处理后的光谱数据和环境光数据为格式相同的三维数据,求取标准化处理后的高光谱图像M1与环境光光谱特征M2之间的差值时,行、列、波段要分别对应做差,即(像素点对应像素点,波段对应波段做差);之后将其与暗噪声光谱特征M3的作差时,由于M3为[1,列数,波段数],因此,无法对应做差,需要首先根据标准化处理后的高光谱图像的行数,把M3=[1,列数,波段数]复制扩增为M3=[行数,列数,波段数],之后行、列、波段分别对应做差即可。
在步骤5中,对重构后的待校准高光谱图像中的非边缘像素点进行临点拟合预测滤波,包括:提取重构后的待校准高光谱图像中的所有非边缘像素点(不足8个点的为边缘点不进行该处理,即只处理非边缘像素点)的对应的波段二维矩阵;
其中,非边缘像素点是指,图像内部的像素点都有8个像素点与其相邻,图像边缘的像素点只有3个或5个。
将波段二维矩阵输入到训练后的滤波模型中,得到该非边缘像素点的光谱数据预测值,与其真实值取平均值后得到该点滤波后的光谱数据;
将所有非边缘像素点的滤波后的光谱数据组成的新矩阵,然后在新矩阵中加入边缘点的一维光谱数据,得到临点拟合预测滤波后的光谱图像。
其中,滤波模型的训练过程为:
首先建立与此批次光谱图像波段数相对应的二维卷积神经网络(2DCNN),以多个标准化并剔除环境光和暗噪声的光谱图像的所有非边缘像素点共同构成训练集与验证集完成此模型训练,
数据集构建思路为:将某个像素点周围8个像素点的一维光谱数据展平加入到空矩阵中得到一个8*波段数的二维矩阵,将此矩阵输入到2DCNN中,最底层为1*波段数的线性层(即底端线性层),以该点的光谱数据为标签进行有监督训练,最终得到训练好的滤波模型。
其中,像素点的一维光谱数据是指该像素点的各个波段的光谱反射率,本质是一条向量,shape为1*波段数把8个像素点的一维向量融合就成了8*波段数的矩阵,该矩阵不再是一维向量而是二维矩阵。
实施例二
本实施例公开了一种高光谱图像校准系统,包括:
高光谱图像获取模块,被配置为:获取待校准高光谱图像以及与待校准高光谱图像处在同一拍摄场景的环境光光谱图像和暗噪声光谱图像;
标准化处理模块,被配置为:分别对待校准高光谱图像以及环境光光谱图像和暗噪声光谱图像进行标准化处理;
噪声剔除模块,被配置为:利用标准化处理后的环境光光谱特征和暗噪声光谱特征对待校准高光谱图像进行环境光与暗电流噪声剔除,得到重构后的待校准高光谱图像;
校准模块,被配置为:对重构后的待校准高光谱图像中的非边缘像素点进行临点拟合预测滤波,得到校准后的高光谱图像。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种高光谱图像校准方法,其特征在于,包括:
获取待校准高光谱图像以及与待校准高光谱图像处在同一拍摄场景的环境光光谱图像和暗噪声光谱图像;
分别对待校准高光谱图像以及环境光光谱图像和暗噪声光谱图像进行标准化处理;
利用标准化处理后的环境光光谱特征和暗噪声光谱特征对待校准高光谱图像进行环境光与暗电流噪声剔除,得到重构后的待校准高光谱图像;
对重构后的待校准高光谱图像中的非边缘像素点进行临点拟合预测滤波,得到校准后的高光谱图像。
2.如权利要求1所述的一种高光谱图像校准方法,其特征在于,获取与待校准高光谱图像处在同一拍摄场景的环境光光谱图像,包括:
在利用拍摄装置获取完待校准高光谱图像后,在拍摄装置的拍摄视野下放置白板,使用线扫描方式移动镜头狭缝,获取拍摄视野下的白板光谱图像即为环境光光谱图像。
3.如权利要求1所述的一种高光谱图像校准方法,其特征在于,获取与待校准高光谱图像处在同一拍摄场景下的暗噪声光谱图像,包括:屏蔽拍摄装置的所有的入射光源,获取无光条件下的暗噪声光谱图像。
4.如权利要求1所述的一种高光谱图像校准方法,其特征在于,对待校准高光谱图像以及环境光光谱图像进行标准化处理,包括:
计算高光谱图像整体波段图像灰度的最大值、最小值、平均值以及标准差;
基于灰度的最大值、最小值、平均值以及标准差逐个波段计算每个像素点的标准化值;
利用每个像素点的标准化值重组得到的图像的三维矩阵[行数,列数,波段数];
对暗噪声光谱图像进行标准化处理,包括:对暗噪声光谱图像的所有行的取平均值,得到矩阵[1,列数,波段数]。
5.如权利要求1所述的一种高光谱图像校准方法,其特征在于,利用标准化处理后的环境光光谱特征和暗噪声光谱特征对待校准高光谱图像进行环境光与暗噪声剔除,得到重构后的待校准高光谱图像,包括:
将标准化处理后的高光谱图像与环境光光谱特征和暗噪声光谱特征的差值与环境光光谱特征和暗噪声光谱特征之间的差值进行除法运算后得到重构后的待校准高光谱图像。
6.如权利要求5所述的一种高光谱图像校准方法,其特征在于,求取标准化处理后的高光谱图像与环境光光谱特征之间的差值时,行、列、波段分别对应做差,之后将其与暗噪声光谱特征作差时,需要根据标准化处理后的高光谱图像的行数进行复制扩增之后行、列、波段分别对应做差。
7.如权利要求1所述的一种高光谱图像校准方法,其特征在于,所述提取重构后的待校准高光谱图像中的所有非边缘像素点的对应的波段二维矩阵,包括:
将非边缘像素点周围8个像素点的一维光谱数据展平加入到空矩阵中得到该非边缘像素点的对应的8*波段数的二维矩阵;不足8个点的为边缘点,不进行处理。
8.如权利要求1所述的一种高光谱图像校准方法,其特征在于,所述对重构后的待校准高光谱图像中的非边缘像素点进行临点拟合预测滤波,包括:
提取重构后的待校准光谱图像中的所有非边缘像素点的对应的波段二维矩阵;
将波段二维矩阵输入到训练后的滤波模型中,得到该非边缘像素点的光谱数据预测值,与其真实值取平均值后得到该点滤波后的光谱数据;
将所有非边缘像素点的滤波后的光谱数据组成的新矩阵,然后在新矩阵中加入边缘点的一维光谱数据,得到临点拟合预测滤波后的高光谱图像。
9.如权利要求1所述的一种高光谱图像校准方法,其特征在于,所述滤波模型为二维卷积神经网络。
10.一种高光谱图像校准系统,其特征在于,包括:
高光谱图像获取模块,被配置为:获取待校准高光谱图像以及与待校准高光谱图像处在同一拍摄场景的环境光光谱图像和暗噪声光谱图像;
标准化处理模块,被配置为:分别对待校准高光谱图像以及环境光光谱图像和暗噪声光谱图像进行标准化处理;
噪声剔除模块,被配置为:利用标准化处理后的环境光光谱特征和暗噪声光谱特征对待校准高光谱图像进行环境光与暗电流噪声剔除,得到重构后的待校准高光谱图像;
校准模块,被配置为:对重构后的待校准高光谱图像中的非边缘像素点进行临点拟合预测滤波,得到校准后的高光谱图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311785152.2A CN117474815B (zh) | 2023-12-25 | 2023-12-25 | 一种高光谱图像校准方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311785152.2A CN117474815B (zh) | 2023-12-25 | 2023-12-25 | 一种高光谱图像校准方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117474815A true CN117474815A (zh) | 2024-01-30 |
CN117474815B CN117474815B (zh) | 2024-03-19 |
Family
ID=89634973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311785152.2A Active CN117474815B (zh) | 2023-12-25 | 2023-12-25 | 一种高光谱图像校准方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117474815B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180045565A1 (en) * | 2016-08-09 | 2018-02-15 | Northrop Grumman Systems Corporation | Calibration target for hyperspectral image sensor |
CN108090883A (zh) * | 2018-01-04 | 2018-05-29 | 中煤航测遥感集团有限公司 | 高光谱图像预处理方法、装置及电子设备 |
CN111968080A (zh) * | 2020-07-21 | 2020-11-20 | 山东农业大学 | 一种基于高光谱和深度学习的肥城桃内外品质检测方法 |
CN113962904A (zh) * | 2021-11-26 | 2022-01-21 | 江苏云脑数据科技有限公司 | 一种高光谱图像滤波降噪的方法 |
WO2023004159A1 (en) * | 2021-07-22 | 2023-01-26 | Jacobson John Elijah | Systems and methods employing scene embedded markers for verifying media |
CN115656053A (zh) * | 2022-10-19 | 2023-01-31 | 山东大学 | 岩石矿物含量测试方法及系统 |
CN115760773A (zh) * | 2022-11-21 | 2023-03-07 | 山东大学 | 一种用于高光谱医学图像采集的噪声抑制方法及系统 |
CN115901644A (zh) * | 2022-12-14 | 2023-04-04 | 山东深蓝智谱数字科技有限公司 | 一种小麦条锈病光谱库建立方法 |
CN116295852A (zh) * | 2023-03-20 | 2023-06-23 | 东莞理工学院 | 一种基于图神经网络的中子散射实验样品温度场监测方法 |
CN117252875A (zh) * | 2023-11-17 | 2023-12-19 | 山东大学 | 基于高光谱图像的医疗图像处理方法、系统、介质及设备 |
-
2023
- 2023-12-25 CN CN202311785152.2A patent/CN117474815B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180045565A1 (en) * | 2016-08-09 | 2018-02-15 | Northrop Grumman Systems Corporation | Calibration target for hyperspectral image sensor |
CN108090883A (zh) * | 2018-01-04 | 2018-05-29 | 中煤航测遥感集团有限公司 | 高光谱图像预处理方法、装置及电子设备 |
CN111968080A (zh) * | 2020-07-21 | 2020-11-20 | 山东农业大学 | 一种基于高光谱和深度学习的肥城桃内外品质检测方法 |
WO2023004159A1 (en) * | 2021-07-22 | 2023-01-26 | Jacobson John Elijah | Systems and methods employing scene embedded markers for verifying media |
CN113962904A (zh) * | 2021-11-26 | 2022-01-21 | 江苏云脑数据科技有限公司 | 一种高光谱图像滤波降噪的方法 |
CN115656053A (zh) * | 2022-10-19 | 2023-01-31 | 山东大学 | 岩石矿物含量测试方法及系统 |
CN115760773A (zh) * | 2022-11-21 | 2023-03-07 | 山东大学 | 一种用于高光谱医学图像采集的噪声抑制方法及系统 |
CN115901644A (zh) * | 2022-12-14 | 2023-04-04 | 山东深蓝智谱数字科技有限公司 | 一种小麦条锈病光谱库建立方法 |
CN116295852A (zh) * | 2023-03-20 | 2023-06-23 | 东莞理工学院 | 一种基于图神经网络的中子散射实验样品温度场监测方法 |
CN117252875A (zh) * | 2023-11-17 | 2023-12-19 | 山东大学 | 基于高光谱图像的医疗图像处理方法、系统、介质及设备 |
Non-Patent Citations (3)
Title |
---|
MU, TINGKUI 等: "Snapshot hyperspectral imaging polarimetry with full spectropolarimetric resolution", 《OPTICS AND LASERS IN ENGINEERING》, 12 August 2021 (2021-08-12), pages 1 - 12 * |
徐平;肖冲;张竞成;薛凌云;: "基于分组三维离散余弦变换字典的植物高光谱数据去噪方法", 光学学报, no. 06, 8 March 2017 (2017-03-08), pages 329 - 338 * |
朱镥文;蔡竞;: "基于高光谱技术的复杂背景下血指纹图像分割方法研究", 刑事技术, no. 06, 3 January 2018 (2018-01-03), pages 441 - 445 * |
Also Published As
Publication number | Publication date |
---|---|
CN117474815B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111307727B (zh) | 基于时序遥感影像的水体水色异常识别方法和装置 | |
CN109740639B (zh) | 一种风云卫星遥感影像云检测方法、系统及电子设备 | |
CN111007021A (zh) | 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 | |
WO2020160641A1 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using multilayer perceptron | |
CN111398176B (zh) | 基于像元尺度特征的水体水色异常遥感识别方法和装置 | |
CN114463637B (zh) | 一种基于深度学习的冬小麦遥感识别分析方法和系统 | |
CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN113609907B (zh) | 一种多光谱数据的获取方法、装置及设备 | |
CN114066857A (zh) | 红外图像质量评价方法、装置、电子设备及可读存储介质 | |
CN115797314B (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
CN116228780A (zh) | 基于计算机视觉的硅片缺陷检测方法及系统 | |
CN114677377A (zh) | 显示屏缺陷检测方法、训练方法、装置、设备及介质 | |
CN115965862A (zh) | 基于掩码网络融合图像特征的sar舰船目标检测方法 | |
CN114612399A (zh) | 一种用于手机外观标记的图片识别系统及方法 | |
CN117474815B (zh) | 一种高光谱图像校准方法及系统 | |
CN115639159B (zh) | 一种基于多光谱影像的废水污染监测方法和装置 | |
CN115988334A (zh) | 一种自校正的数字化相机移动遥感系统及方法 | |
CN116721385A (zh) | 一种基于机器学习的rgb摄像头数据蓝藻水华监测方法 | |
CN112668405B (zh) | 一种土壤细菌数量的精确提取方法 | |
CN114049571A (zh) | 高光谱影像的水体区域提取方法、装置及电子设备 | |
CN114298229A (zh) | 作物类别确定方法、装置、电子设备及存储介质 | |
CN112668670A (zh) | 地膜识别方法及其相关设备 | |
CN117523550B (zh) | 苹果病虫害检测方法、装置、电子设备和存储介质 | |
CN117953349B (zh) | 一种中药材的病虫害检测方法、装置、设备及存储介质 | |
CN116380811B (zh) | 一种基于氧气吸收带的云检测方法 |
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 |