高光谱图像

摘要： 为快速检测薯片中羧甲基赖氨酸(CML)含量,首先采集自制油炸薯片的高光谱图像,选择两种常用的光谱预处理方式对每个波段高光谱图像的平均光谱反射值进行处理,然后提取薯片第250~900个波段的平均光谱反射值。将提取后的光谱值作为BP神经网络的输入,实测CML含量作为输出,构建预测模型。结果表明,高光谱融合BP神经网络可以预测CML含量,预测正确率为100%,相关系数为0.9987。经过验证,高光谱融合BP神经网络快速预测薯片中CML含量具有较高的稳健性和可信度,能够为CML含量的在线监测提供依据。

摘要： 为解决高光谱图像中存在噪声、空间结构复杂和光谱信息复杂等问题,提高分类算法的噪音处理与空间识别能力,提出应用特征感知与协同表示的高光谱图像分类方法。首先运用自适应加权方式对图像进行重建;然后通过计算空间偏置矩阵,对空间特征进行感知,通过计算光谱偏置矩阵对光谱特征进行感知;最后根据误差最小原则确定测试样本的类别信息。在标准数据集Pavia University和Salinas上的实验结果表明,该方法总体准确率达到98.96%和99.63%。与先进的分类算法相比,该算法在平滑噪声、感知特征和空间识别等方面效果更佳,具有较好的分类性能。

摘要： 为了去除高光谱图像采集过程中产生的噪声,提升后续图像处理的性能,提出了一种融合空谱-梯度特征的深度高光谱图像去噪方法。它包括空谱特征网络和梯度特征网络,且各网络使用密集跳跃连接和可分离卷积策略进行优化。空谱网络模型实现噪声特征的精确提取,梯度网络模型对噪声纹理特征进行补充,最后基于两个网络的特征提取结果进行融合,实现噪声特征的精准刻画,并用于恢复干净图像。分别在合成噪声图像和真实噪声图像上验证方法的有效性。实验结果表明,该方法在恢复图像内部结构上效果显著,在噪声标准差50的条件下去噪结果的平均信噪比达到29.426 dB,平均结构相似性达到0.9678 dB,去噪结果使用支持向量机算法进行分类,分类精度达到90.89%。

摘要： 深度学习已经在高光谱血细胞图像分类中获得广泛应用。然而,传统深度学习模型需要大量标记数据作为样本,忽略了高光谱图像“图谱合一”的性质,不能充分挖掘高光谱图像内蕴信息,且存在参数多、复杂度高问题。针对上述问题,提出了空-谱可分离卷积神经网络(S3CNN),在降低模型复杂度的同时有效提升高光谱血细胞图像分类性能。根据高光谱血细胞图像分布的空间一致性,S3CNN模型首先通过空-谱联合距离(SSCD)得到训练集中各像素点的空-谱近邻,并对这些近邻点赋予与相应中心像素点相同的标签,进行样本扩充,然后在网络模型中采用一组深度卷积和点卷积代替经典卷积,优化了模型复杂度,实现血细胞分类。在Bloodcells1-3和Bloodcells2-2两个不同场景下的高光谱血细胞数据集上的实验结果显示,本文所提算法的总体分类精度分别达到87.32%、89.02%。与其他传统血细胞分类算法相比,本文算法能有效提升高光谱血细胞图像的分类性能。在训练时间上,所采用的可分离卷积模型比经典卷积模型减少27%。实验结果表明,所提网络框架不仅能有效提升高光谱血细胞分类性能,且可减少模型训练时间。

摘要： 为了减少高光谱图像数据中的冗余信息,优化计算效率,并提升图像数据后续应用的有效性,提出一种基于邻域熵(NE)的高光谱波段选择算法。首先,为了高效计算样本的邻域子集,采用了局部敏感哈希(LSH)作为近似最近邻的搜索策略;然后,引入了NE理论来度量波段和类之间的互信息(MI),并把最小化特征集合与类变量之间的条件熵作为选取有效波段的方法;最后,采用两个数据集,通过支持向量机(SVM)和随机森林(RM)进行分类实验。实验结果表明,相较于四种基于MI的特征选择算法,从总体精度以及Kappa系数上看,所提算法能够在30个波段内较快地选取有效波段子集,并达到局部最优。该算法的部分实验结果的总体精度以及Kappa系数分别达到全局最优的92.99%以及0.8608,表明所提算法能有效地处理高光谱波段选择问题。

摘要： 稀疏解混能够有效地规避高光谱场景中缺少纯像元和估计端元数目的两个瓶颈问题,因而成为目前广泛研究的光谱解混技术。针对协同稀疏解混模型在边界上容易出现错误识别的问题,结合字典削减策略和低秩表示,提出一种协同稀疏低秩的解混模型。该方法同时施加稀疏和低秩约束在丰度矩阵上,并对协同稀疏模型的?2,1混合范数采用加权策略,使得行稀疏性得到了增强,同时也使用非凸logdet(·)作为秩的光滑替代函数。由于提出方法充分利用了高光谱数据的空间信息和光谱信息,因此获得了比协同稀疏回归模型更准确的解混结果。最后利用著名的交替方向乘子方法(ADMM)对提出的非凸模型进行有效求解,实验结果验证了提出算法的有效性。

摘要： 新鲜度指标在像素位置缺乏微观参考值,因此将基于均值光谱的化学计量学模型应用到像素光谱时,无法对指标空间分布预测质量进行直接评价。提出了基于准度和精度的评价方法,以兴趣区域内各像素位置微观预测值的统计均值相对于理化检测值的决定系数和均方根误差作为准度评价指标;根据新鲜度指标的理论允许范围,以TVB-N微观预测值小于零的像素点在兴趣区域内所占比值作为精度评价指标。基于偏最小二乘回归,在可见近红外波段(550~970 nm),分别对全波段、利用连续投影算法精选的20个和6个特征波段建立新鲜度预测模型;采用5种不同带宽的光谱滤波,将滤波前后光谱所得指标空间分布预测结果进行比较。研究表明:经不同光谱预处理及化学计量学模型所得指标空间分布预测结果存在显著差异。尽管光谱均值滤波后像素光谱质量仍低于均值光谱,但指标空间分布预测准度恒等于预测模型本身;指标空间分布预测精度明显受到像素光谱质量及预测模型波段增益值的共同影响,前者占主导作用(R=0.72)。因此,本文的评价方法能够对基于光谱成像的化学计量学指标空间分布预测质量进行评价;利用线性化学计量学算法进行指标空间分布预测准度不会下降;在实践中,可以通过提高像素光谱信噪比和限制模型波段增益提高预测的精度。

摘要： 高光谱图像光谱带间相似度高且存在大量高维非线性样本,传统的基于表示的分类方法无法对同一波段下的不同样本做出有效区分且会造成维数灾难,最终影响分类性能.提出一种空谱融合与协同表示的高光谱分类算法.通过交替学习空间和光谱特征构建具有判别性的特征字典,并用于空间感知协同表示.在分类过程中,计算特征字典与测试样本之间的相关系数,并将其与误差融合决策.在Indian Pines和Pavia University进行实验,整体精度分别为98.44%和99.22%,验证了本文算法的有效性.

摘要： 针对高光谱图像超分辨率过程中,图像细节信息容易丢失的问题,提出多感受野特征与空谱注意力结合的高光谱图像超分辨率算法,该算法充分利用高光谱图像中的高频信息与低频信息,减少图像细节信息丢失,提升了高光谱图像超分辨率效果。首先,在特征提取阶段采用不同大小卷积核的卷积,获取到多尺度感受野特征,更好地提取低分辨率图像中的高频信息与低频信息,有助于保留原始图像的特征信息;然后,把获取到图像特征,经过“空间-光谱”结合的注意力机制增强,利用光谱维信息辅助空间维特征重建;最后,把每组的特征融合,通过像素级反卷积层缓解棋盘格效应,输出清晰的高分辨率图像。实验结果表明:提出的多感受野特征与空谱注意力结合的超分辨率算法在Chikusei和Pavia center scene这2个公开数据集上峰值信噪比分别达到了39.8697和31.9422,结构相似度分别达到了0.9376和0.8786,与最新超分辨率算法比较有明显的性能优势。该文提出的算法,结合了多感受野特征提取模块和空谱结合注意力模块的优势,超分辨率后的图像细节特征有了明显的改善。

摘要： 目前高光谱成像技术已成为蓝莓品质自动检测的重要手段,其中提取特征波长是一个重要步骤。为获得最佳的腐烂蓝莓高光谱特征波长图像,提出一种基于深度学习的高光谱图像特征波长图像选取方法。首先提取腐烂蓝莓高光谱各波长图像的高频分量图像,然后提出利用深度学习图像质量评价网络(DIQA)选取腐烂蓝莓高光谱图像中的最佳图像。在DIQA第一阶段对腐烂蓝莓高光谱图像的高频图学习误差图。在DIQA第二阶段将第一阶段能够预测误差图的网络作为对腐烂蓝莓高光谱图像质量评价的骨干网络,并对网络做全局平均池化,最后引入两个特征以弥补信息量损失,通过评分评价图像质量。结果表明:通过对400~1000nm的472个波长下蓝莓高光谱图像进行质量评价,得到最佳图像质量的5个波长(664,721,836,854,884nm)。与PCA提取的特征波长(454,607,699,913,967nm)图像相比较得知,所提取的腐烂蓝莓特征波长图像具有较多优势。另外采用卷积神经网络ResNet50对DIQA与PCA构建的蓝莓特征波长图像数据集进行学习,得出DIQA选取的腐烂蓝莓特征波长图像构建的数据集,损失能较快的收敛,并且在验证集中能保持稳定的准确率,识别效果最好,最终识别率为99.4%。说明基于DIQA的腐烂蓝莓高光谱特征波长图像选取方法是可行的,可为高光谱图像选取特征波长图像提供一种新的参考方法。

摘要： 高光谱图像具有丰富的光谱信息,因此相对于全色图像和多光谱图像,高光谱图像在目标检测方面更具有优势.但高光谱图像的空间分辨率往往较低,因此高光谱图像中的目标有时是亚像素目标.对于亚像素目标,无法利用目标的空间信息进行检测,但可以利用高光谱图像含有的光谱信息将它们检测出来.本文利用真实的高光谱图像和光谱对亚像素目标进行了仿真,并利用三种高光谱目标检测算法对仿真的亚像素目标进行了检测.实验结果表明亚像素目标仿真和检测方法是有效的.

摘要： 为了实现精确的高光谱图像分类,结合稀疏表示及光谱信息提出基于联合结构化稀疏表示的高光谱分类算法,该算法能够同时利用像元的空间语义信息和字典集内部样本结构性.建立了联合结构化稀疏表示模型,并利用交替方向迭代算法设计求解方案.在此基础上,设计了基于联合结构化稀疏表示的高光谱分类框架,其中利用类特定残留来判定被测试像元的类别.实验结果表明所提算法相比其他经典或前沿算法具有更高的分类精度.

摘要： 农药残留往往会导致食物中毒事件,本文针对生菜农药梯度残留研究了一种快速、精确的无损检测方法.将表面残留以丙酮作为有机溶剂,将农药乐果稀释100、500、1000倍分别喷洒至生菜样本,并以丙酮溶液喷洒的生菜叶片作为参照样本,利用高光谱成像仪获取850-1800nm范围内的生菜叶片高光谱图像.利用ENVI软件提取感兴趣区域叶片的光谱,分别采用Savitzky-Golay平滑、粗糙惩罚平滑(Roughness Penalty Smoothing)、小波阈值去噪、小波改进阈值去噪算法对感兴趣区域光谱数据进行去噪处理,通过主成分分析(PCA)对去噪处理后数据进行数据降维.基于网格搜索寻优算法,利用径向基内核(RBF)的支持向量机(SVM)建立生菜农残检测模型,并讨论4种去噪算法对模型性能的影响.结果表明,经小波改进阈值去噪算法处理后的模型预测准确率高达100％.可见,使用小波改进阈值算法在生菜农残检测模型的建立中起着较好的作用,其能有效去除噪声干扰,提高生菜表面农药浓度梯度的鉴别准确率.

摘要： 高光谱图像聚类算法可以从海量的高光谱图像数据中提取有用的信息,传统的聚类方法只单纯地利用了高光谱图像的空间信息或者光谱信息,并不能达到理想的聚类效果.基于此,提出了一种新的融合高光谱图像的空间信息和光谱信息的聚类方法,加权空—谱谱聚类(WSS-SC)算法,该方法通过引入样本点的近邻窗口尺度和光谱因子2个参数实现将高光谱图像的空间信息和光谱信息有效结合起来对高光谱图像进行重构,对重构后的图像进行谱聚类,有利于提高分类精度.在SalinasA数据库上的实验结果表明,由WSS-SC算法得到的OA为84.44％,kappa系数为0.8101,分别较K均值算法提高了17.54％,0.2012,聚类效果较好.

摘要： 提出一种新的高光谱异常检测方法——基于非负矩阵分解的高光谱异常检测.即使用一种新的变换方法——非负矩阵分解来达到对高光谱图像降维的目的.具体步骤为:先将原始的高光谱图像预处理,剔除冗余的噪声波段;然后利用非负矩阵分解算法对高光谱图像进行降维,得到降维后的若干个波段的图像;挑选出含有异常信息最多的某一波段图像,利用RX算法进行背景抑制,最终获得仅含异常目标的检测图像.

摘要： 近些年来,对地观测遥感技术发展迅速,新型传感器不断涌现,其中高光谱遥感技术将物质光谱特征识别引入遥感领域,使得在区域尺度上进行地表物质成分的识别成为可能,大幅提高了遥感对地观测能力,在地质领域中最典型的应用是蚀变矿物填图(王润生等,2010).利用高光谱遥感图像提取的蚀变矿物空间分布信息,结合区域地质信息,如地层、岩性、构造等,以及物、化探资料,经过综合分析后圈定成矿远景区,已成为区域地质调查和成矿预测的重要技术手段之一.为提高遥感地质应用精度，蚀变信息提取应当开展混合像元分解，进行亚像元尺度的物质组分提取，才能满足日益增长的应用需求，同时也是遥感定量化深入发展的必然要求。

摘要： 高光谱图像分辨率高,数据量大,信息的冗余程度高,给数据处理带来了很大的困难.本文在子空间划分的基础上充分考虑数据的相关性和信息量,提出了一种改进的线性预测波段选择方法.该方法综合考虑了最小线性预测误差和最大信息量,优化了线性预测误差方法所选波段子集,提高了所选波段的信息量.本文计算误差最小和次小的两个波段,结合它们的标准差,计算出它们的组合因子,通过比较组合因子来决定所要去除的波段.对所选波段使用svm进行分类,实验证明了本方法的有效性.

摘要： 受制于成像原理及制造技术等因素，航天高光谱遥感图像的空间分辨率相对较低．解决这一问题的思路在于：将高光谱图像与高空间分辨率图像进行融合处理，由此可提高高光谱遥感数据的空间分辨率，并较好地保持其光谱物理特性和波形形态.本研究选用3种融合方法对实验区数据进行融合，并分别从定性、定量2个方面对这些方法的融合效果进行综合评价与分析.本文进行的实验是分别利用主成分分析(PCA)、Gram-Schmidt变换和小波融合方法对高光谱数据和全色影像进行图像融合,并分别从定性、定量两方面对这些方法的融合效果进行综合评价与对比分析,从而确定适合EO-1高光谱与全色图像融合的最佳方法.结果表明主成分分析融合结果在最佳.

摘要： 以内蒙古河套灌区3个尺度下1024个样本的高光谱为模型输入,黏粒、粉粒、砂粒及有机质质量百分数为模型输出,通过多元回归、支持向量机及BP神经网络方法建立基于中尺度的反演模型,将其尺度上推至大尺度及下推至小尺度,并对其尺度转换的适用性进行评价.结果表明:基于中尺度建立的高光谱与土壤颗粒组成及有机质的反演模型均可以较好地应用于其他2个尺度,多元回归方法在其他2个尺度上的相关性为0.33～0.60,支持向量机方法为0.41～0.52,BP神经网络方法为0.52～0.72,其中BP神经网络方法建立的模型在其他2个尺度上具有更好的适用性;不同参数中,黏粒、粉粒、砂粒及有机质的相关系数分别为0.44～0.62,0.37～0.72,0.42～0.72及0.33～0.56,即颗粒组成的效果整体好于有机质质量百分数.

摘要： 以内蒙古河套灌区3个尺度下1024个样本的高光谱为模型输入,黏粒、粉粒、砂粒及有机质质量百分数为模型输出,通过多元回归、支持向量机及BP神经网络方法建立基于中尺度的反演模型,将其尺度上推至大尺度及下推至小尺度,并对其尺度转换的适用性进行评价.结果表明:基于中尺度建立的高光谱与土壤颗粒组成及有机质的反演模型均可以较好地应用于其他2个尺度,多元回归方法在其他2个尺度上的相关性为0.33～0.60,支持向量机方法为0.41～0.52,BP神经网络方法为0.52～0.72,其中BP神经网络方法建立的模型在其他2个尺度上具有更好的适用性;不同参数中,黏粒、粉粒、砂粒及有机质的相关系数分别为0.44～0.62,0.37～0.72,0.42～0.72及0.33～0.56,即颗粒组成的效果整体好于有机质质量百分数.

摘要： 成像系统包括用于记录高光谱光场（CLF）的光场相机（3）。系统还包括用于投影可见光中的光场（PLF）的光投影仪（4）。相机和投影仪共享公共光轴。投影仪基于光场相机所捕获的高光谱光场（CLF）来投影光场（PLF）。

摘要： 一种高光谱元件，包括：(1)多滤光器，包括：第一子滤光器，使具有第一波长的第一波长光通过，以及第二子滤光器，使具有第二波长的第二波长光通过，所述第二波长与所述第一波长不同；以及(2)多检测器，配置为检测所述第一波长光和所述第二波长光，其中，所述第一子滤光器和所述第二子滤光器可以串行布置在入射到所述多滤光器上的入射光的光路径中。

摘要： 本发明提供一种基于多/高光谱图像融合的宽幅高光谱图像重构方法，包括：在多/高光谱图像的重合区域同步进行地物端元的提取；分端元构建多/高光谱图像间的融合模型，建立转换关系，并进行模型参数解算，建立模型参数库；通过光谱匹配进行模型参数的选择，对多光谱图像逐像元地进行光谱重构获取高光谱信息。本发明的技术方案可以通过数据融合，从其它多光谱遥感数据中重构得到连续的具有较高光谱分辨率的宽幅高光谱图像，该图像的光谱分辨率与原始高光谱数据一致，空间分辨率和幅宽与原始多光谱数据一致，在保持原始高光谱图像高光谱分辨率的同时，提高了其空间分辨率和幅宽。

摘要： 高光谱图像和激光雷达数据本征高光谱点云生成方法，本发明涉及遥感图像处理技术领域，针对现有高光谱点云数据生成方法易造成信息丢失、光谱失真，并且效率低的问题，本申请利用高光谱成像的物理模型，从信号的角度出发结合高光谱图像的光谱信息和激光雷达点云的三维空间xi信息，消除高光谱图像由于光照导致的光谱信息退化导致的光谱不确定性，并通过超体素面向对象的方式，大大提升了算法的速度，最终生成光谱信息‑空间三维信息一体的本征高光谱点云，而且极大地避免了信息丢失和光谱失真。

摘要： 本发明公开了一种基于高光谱和多光谱图像融合生成高光谱图像的方法及系统，本发明基于高光谱和多光谱图像融合生成高光谱图像的方法包括：将输入的高光谱图像Y进行子空间分解以提取得到待生成的高光谱图像的左低秩向量U；将输入的多光谱图像Z通过训练好的深度生成网络，生成待生成的高光谱图像的右低秩向量V；将待生成的高光谱图像的左低秩向量U和右低秩向量V融合生成高光谱图像X；本发明的系统包括用于获取输入的高光谱图像Y以及多光谱图像Z的光学元件及成像传感器。本发明能够基于高光谱和多光谱图像融合生成高光谱图像，降低高光谱图像获取的成本和效率。

摘要： 提供了一种高光谱图像传感器，该高光谱图像传感器包括：固态成像器件，包括二维设置的多个像素，并且被配置为感测光；以及色散光学器件，被设置成以一间隔面向所述固态成像器件，并且被配置为引起入射光的色散，使得入射光基于入射光的波长而分开并且分别入射在固态成像器件的光感测表面上的不同的位置。

摘要： 本发明提供了一种基于压缩感知的高光谱图像稀疏解混装置，采样箱和主机安装在工作台上，载物抽屉底部与换热板顶部接触，换热板底部设有若干通风热管，滤光镜头和LED灯管对应位于载物抽屉上的样本；同时提出一种利用基于压缩感知的高光谱图像稀疏解混装置解混高光谱图像的方法，将样本放置到载物抽屉上，通过送风室将常温空气通过气体分流管进入通风热管中，吸收掉多余热量；通过滤光镜头对样本进行压缩采集，并结合匹配追踪算法重构出样本完整的高光谱信号。本发明在采样箱上增设滤光镜头和单像素相机，并结合高斯随机测量矩阵和匹配追踪算法进行稀疏解混，设置换热板、通风热管、气体分流管和气体集流管，从而具备了散热功能。

摘要： 本发明涉及高光谱成像技术领域，具体涉及一种高光谱图像传感器的单片集成方法、高光谱图像传感器及成像设备，包括以下步骤：底反射层位于CMOS图像传感器晶圆的感光区域表面上；通过反复采用沉积、光刻以及选择性刻蚀工艺在底反射层上形成透明空腔层，透明空腔层包括2n个台阶结构，其中，n为≥1的正整数，每个台阶结构构成一个光谱带；使得所述顶反射层位于所述透明空腔层上。本申请在刻蚀刻蚀停止层和后面去除刻蚀停止层时都对透明空腔层有超高的选择比，不会改变已做好的透明空腔层和暴露的底反射层，同时通过控制薄膜沉积的工艺条件对沉积的材料层的厚度进行控制，达到了精确控制各台阶高度的目的，减少刻蚀时形成的刻蚀误差。

摘要： 本发明提供一种基于多/高光谱图像融合的宽幅高光谱图像重构方法，包括：在多/高光谱图像的重合区域同步进行地物端元的提取；分端元构建多/高光谱图像间的融合模型，建立转换关系，并进行模型参数解算，建立模型参数库；通过光谱匹配进行模型参数的选择，对多光谱图像逐像元地进行光谱重构获取高光谱信息。本发明的技术方案可以通过数据融合，从其它多光谱遥感数据中重构得到连续的具有较高光谱分辨率的宽幅高光谱图像，该图像的光谱分辨率与原始高光谱数据一致，空间分辨率和幅宽与原始多光谱数据一致，在保持原始高光谱图像高光谱分辨率的同时，提高了其空间分辨率和幅宽。

摘要： 本发明涉及时空谱遥感数据融合技术领域,尤其是一种面向高光谱图像和多光谱图像的时空谱融合方法，通过对高分一号多光谱(GF1WFV)图像和高分五号高光谱(GF5AHSI)图像的预处理，并对光谱图像空间分辨率和高光谱图像光谱分辨率的分析，将参考时刻的高光谱分辨率和预测时刻的多光谱高空间分辨率进行保留，构建时空谱综合预测模型，得到集合新时相的高空间高光谱图像，并利用预测时刻的多光谱图像进行验证。本发明的有益效果是在某时刻高光谱图像难以获取时，可用过去时刻的多光谱图像和高光谱图像进行预测，得到一幅能够满足需求时刻高空间分辨率的高光谱图像，解决数据源的问题，从而服务于众多高光谱应用领域。