CN113567357B - 一种光谱数据的融合方法、以及装置 - Google Patents
一种光谱数据的融合方法、以及装置 Download PDFInfo
- Publication number
- CN113567357B CN113567357B CN202110842718.5A CN202110842718A CN113567357B CN 113567357 B CN113567357 B CN 113567357B CN 202110842718 A CN202110842718 A CN 202110842718A CN 113567357 B CN113567357 B CN 113567357B
- Authority
- CN
- China
- Prior art keywords
- wave band
- fusion
- spectrum data
- intensity threshold
- data
- 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 304
- 238000007500 overflow downdraw method Methods 0.000 title claims description 24
- 230000004927 fusion Effects 0.000 claims abstract description 168
- 230000003595 spectral effect Effects 0.000 claims abstract description 129
- 230000010354 integration Effects 0.000 claims abstract description 90
- 230000004044 response Effects 0.000 claims abstract description 80
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000010606 normalization Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000012512 characterization method Methods 0.000 claims abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 74
- 238000012544 monitoring process Methods 0.000 claims description 27
- 238000002310 reflectometry Methods 0.000 claims description 13
- 230000007613 environmental effect Effects 0.000 claims description 8
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 11
- 230000011218 segmentation Effects 0.000 description 11
- 238000003384 imaging method Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 229930002868 chlorophyll a Natural products 0.000 description 1
- 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 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 239000000126 substance Substances 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
- 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
- G01N21/55—Specular reflectivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Spectrometry And Color Measurement (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
公开一种光谱数据的融合方法，对于按照设定积分时间采集的至少包括表征波段与响应强度关系的各光谱数据：将光谱数据分别进行归一化处理，得到归一化光谱数据；利用预先设定的强度阈值，确定归一化光谱数据中每个波段的融合权值，其中，融合权值根据归一化光谱数据中该波段所对应的响应强度与强度阈值之间的比较结果确定，所述强度阈值与积分时间相关；对于每个波段，利用该波段的融合权值，将各归一化光谱数据中该波段的响应强度融合为该波段下的光谱融合结果；分别计算每个波段的光谱融合结果，得到光谱融合数据。本申请提高了高光谱设备的环境自适应能力，提升工作谱段内各波段的光谱数据信噪比，为后续分析处理提供更为准确的数据。
Description
技术领域
本发明涉及光谱成像技术领域，特别地，涉及一种光谱数据的融合方法。
背景技术
光谱成像技术有异于普通的全光谱或者白光成像，普通的全光谱成像是多个光谱一次成像，而光谱成像是将不同的光谱分离而进行多次成像，通过不同光谱下物体的吸收和反射的程度不一致来采集同一个物体，得到多张不同的图像，也就是说，把入射的全波段或宽波段的光信号分成若干个窄波段的光束，然后把它们分别成像，从而获得不同光谱波段的图像。利用高光谱相机或多光谱相机，可以采集到不同光谱波段的图像。对各个光谱波段的图像上某一个像素的采样，就可以针对此像素生成其光谱特征，该光谱特征表征了波段与响应强度的关系，形成光谱数据，光谱数据的维度由相机的光谱分辨率和/或空间分辨率决定。
光谱成像技术被广泛应用于遥感、监测、检测等领域。在某些应用中，需要基于某些光谱波段范围内的光谱数据来进行分析和处理。
然而，受多种因素的影响，例如由于环境光多变复杂，以及目标光谱特性和硬件设备特性差异，在某些全谱段特征分析的应用中，部分谱段响应信号的信噪比较差，将直接影响最终分析和处理结果。
发明内容
本发明提供了一种光谱数据的融合方法，以提高光谱数据的信噪比。
本发明提供的一种光谱数据的融合方法，该方法包括，对于按照设定的积分时间所采集的至少包括表征波段与响应强度关系的各光谱数据：
将光谱数据分别进行归一化处理，得到归一化光谱数据；
利用预先设定的强度阈值，确定归一化光谱数据中每个波段的融合权值，其中，融合权值根据归一化光谱数据中该波段所对应的响应强度与强度阈值之间的比较结果确定，所述强度阈值与积分时间相关；
对于归一化光谱数据中每个波段，利用该波段的融合权值，将各归一化光谱数据中该波段的响应强度进行融合，得到该波段的融合结果；分别计算每个波段的融合结果，得到光谱融合数据。
本发明还提供一种光谱数据的融合装置，该装置包括，
归一化模块，用于对于按照设定积分时间采集的光谱图像所提取的至少包括表征波段与响应强度的关系的各光谱数据，将所述光谱数据分别进行归一化处理，得到归一化光谱数据；
权值确定模块，用于利用预先设定的强度阈值，确定归一化光谱数据中每个波段的融合权值，其中，融合权值根据归一化光谱数据中该波段所对应的响应强度与强度阈值之间的比较结果确定，所述强度阈值与积分时间相关；
融合模块，用于对于归一化光谱数据中每个波段，利用该波段的融合权值，将各归一化光谱数据中该波段的响应强度进行融合，得到该波段的融合结果；分别计算每个波段的融合结果，得到光谱融合数据。
本发明又提供一种水质监测方法，该方法包括，
按照上述任一所述光谱数据的融合方法的步骤，将所采集的水体光谱数据进行融合，得到光谱融合数据；
基于光谱融合数据，结合环境光光谱数据，计算水体光谱反射率；
根据水质反向推演模型和水体光谱反射率，计算各水质参数的浓度。
本发明还提供一种水质监测系统，该系统包括，
采集模块，用于分别采集水体的光谱数据，以及环境光光谱数据；
所述的光谱数据融合装置，用于将所采集的水体光谱数据进行融合，得到光谱融合数据；
监测模块，用于基于光谱融合数据，结合环境光光谱数据，计算水体光谱反射率；根据水质反向推演模型和水体光谱反射率，计算各水质参数的浓度。
本申请提供的光谱数据的融合方法，根据归一化光谱数据中每个波段对应的响应强度分别与强度阈值之间的比较结果，来确定归一化光谱数据中每个波段的融合权值，基于融合权值将光谱数据融合，提高了工作谱段范围内的数据信噪比，避免了光谱数据本身质量不佳而导致的谱段信息损失，提高了光谱数据对采集环境的自适应能力。利用积分时间所确定的比例参数来计算强度阈值，使得强度阈值具有自适应能力，避免了为了保证某波段光谱数据的信噪比而提升积分时间，从而导致其他谱段光谱数据过曝或者欠曝，进一步地，对应用于水质监测的水体光谱数据，本申请的融合方法能够有效提高光谱强度较弱的谱段内的信噪比，提高水质监测过程中水质参数反向推演的精度。
附图说明
图1本申请光谱数据融合方法的一种流程示意图。
图2为对应于一光谱数据的一种示意图。
图3为本申请实施例光谱数据融合方法的一种流程示意图。
图4为第一光谱数据和第二光谱数据融合前以及融合后的一种示意图。
图5为本申请实施例光谱数据融合装置的一种示意图。
图6为本申请实施例水质监测方法的一种流程示意图。
图7为本申请实施例水质监测系统的一种示意图。
图8为本申请实施例光谱数据融合装置的另一种示意图。
图9a～图9g为本申请的实施例摄像机的一种示意图。
图10a～图10f为本申请另一实施例摄像机的一种示意图。
图11a～图11g为本申请一个实施例光谱数据融合装置的另一示意图。
具体实施方式
为了使本申请的目的、技术手段和优点更加清楚明白，以下结合附图对本申请做进一步详细说明。
本申请提供的光谱数据融合方法，将基于以积分时间所采集的光谱图像所提取光谱特征的光谱数据，进行加权融合，从而使得融合后的光谱数据不仅依旧保持原有的光谱强度谱型，而且在低强度的谱段上具有良好的信噪比。其中，积分时间以光谱波段分段方式或光谱强度分段方式，根据分段中的光谱强度确定，从而使得积分时间能够与所分段的光谱波段或光谱强度适应和匹配，成为一种自适应积分时间。
参见图1所示，图1为本申请光谱数据融合方法的一种流程示意图。该融合方法包括，对于按照设定积分时间采集至少包括表征波段与响应强度的关系的待融合光谱数据：
步骤101，将待融合光谱数据分别进行归一化处理，得到归一化光谱数据；
步骤102，利用预先设定的强度阈值，确定归一化光谱数据中每个波段的融合权值，
其中，融合权值根据归一化光谱数据中该波段所对应的响应强度与强度阈值之间的比较结果确定，所述强度阈值与积分时间相关。
步骤103，对于归一化光谱数据中每个波段，利用该波段的融合权值，将各归一化光谱数据中该波段的响应强度融合为该波段的光谱融合结果，分别计算每个波段的光谱融合结果，得到光谱融合数据。
为便于理解本申请，以下以光谱波段分段方式所确定的积分时间而获取的光谱数据为实施例来进行说明，所应理解的是，还可以应用于以光谱强度分段方式所确定的积分时间而获取的光谱数据，或者按照其他光谱参数分段方式所确定的积分时间而获取的光谱数据。无论以哪种分段的方式，都可以根据分段中的光谱强度确定积分时间。
参见图2所示，图2为对应于一光谱波段分段的光谱数据的一种示意图，横坐标表示波段大小，纵坐标表示响应强度大小，该曲线所包括的数据集合记为D(λ)，为一光谱谱型的光谱数据。
参见图3所示，图3为本申请实施例光谱数据融合方法的一种流程示意图。通过自适应积分时间控制算法，可得到n个不同积分时间Tn对应的n个光谱谱型的待融合光谱数据Dn(λ)，其中，n＝1，2，3,…,N，且N≥2，T1>T2>…>Tn>…>TN，所述积分时间也就是图像采集时所使用的曝光时间。
步骤301，将待融合光谱数据进行归一化，以便归一到同一积分时间下。
在该步骤中，选择待融合光谱数据中对应的最小积分时间TN作为基准积分时间，为每个待融合光谱数据计算其用于归一化的比例参数，得到该待融合光谱数据的比例参数，根据该比例参数对该光谱数据进行归一化。
例如，对于第n个光谱数据Dn(λ)：
根据该光谱数据的积分时间Tn以及基准积分时间TN，计算积分时间Tn与基准积分时间TN的比值，得到该光谱数据的比例参数Rn，即，第n比例参数。
根据第n比例参数Rn，计算第n光谱数据Dn(λ)与Rn的比值，得到第n归一化光谱数据NDn(λ)。
用数学式表示为：
Rn＝Tn/TN
NDn＝Dn(λ)/Rn
若N为2，则比较积分时间T1和T2的大小，将其中较小的积分时间作为基准积分时间，计算一个比例参数，然后将其中积分时间较大的光谱数据进行归一化处理；其中积分时间较小的光谱数据(即基准积分时间的光谱数据)可以不进行归一化处理，或者，积分时间较小的光谱数据归一化的结果为其本身。
步骤302，确定2N-2个强度阈值。
在该步骤中，根据N个光谱数据，确定2N-2个不等的、用于计算融合权值的强度阈值。
所述强度阈值可以直接设置。
较佳地，根据比例参数、和用于采集光谱数据的采集设备(例如高光谱相机或光谱相机)所获取的最大光强度、以及设定的系数，计算强度阈值。其中，所述系数用于使得每个强度阈值取值不相等，以得到2N-2个不等的强度阈值。
第k强度阈值为：系数与最大光强度之积，与第q比例参数Rq的比值，用数学式表示为：
Thk＝Pk×Imax/Rq
其中，k＝1，2，3，…，2N-2，q＝[k/2]，符号[·]为向上取整，Pk是设定的系数，使得Th1<Th2<Thk<…<Th2N-2，Imax为最大光强度。
例如，当n为2时，则有两个不等的强度阈值，分别为：
Th1＝P1×Imax/R
Th2＝P2×Imax/R
其中，P2大于P1，R为用于对积分时间较大的光谱数据进行归一化的比例参数。
从上述强度阈值的确定方式可见，强度阈值与用于归一化的比例参数有关，由于比例参数由积分时间确定，这样，强度阈值与积分时间相关，也使得强度阈值与积分时间匹配和适应，从而使得强度阈值与光谱数据匹配和适应，故而强度阈值是一种自适应强度阈值。
步骤303，对于每个待融合光谱数据Dn(λ)，根据强度阈值、和归一化后的该光谱数据，确定该光谱数据的融合权值，即确定该光谱数据中每个波段的响应强度数据对应的融合权值。
对于第一归一化光谱数据，所述第一归一化光谱数据中每个波段的融合权值根据第一强度阈值和第二强度阈值确定：
对于第一归一化光谱数据中每个波段：
当第一归一化光谱数据中该波段的响应强度小于第一强度阈值时，该波段的融合权值为预设的上限权值；
当第一归一化光谱数据中该波段的响应强度大于相邻第二强度阈值时，该波段的融合权值为预设的下限权值；
当第一归一化光谱数据中该波段的响应强度在大于等于第一强度阈值、且小于等于第二强度阈值时，该波段的融合权值随着该波段的响应强度线性变化，且在预设的上限权值和预设的下限权值之间；
其中，第二强度阈值大于第一强度阈值；
所述波段的融合权值随着该波段的响应强度线性变化，且在预设的上限权值和预设的下限权值之间的取值这样确定：
计算归一化光谱数据中该波段的响应强度与第二强度阈值之差，得到第一结果，
计算第一强度阈值与第二强度阈值之差，得到第二结果，
将第一结果与第二结果的比值，作为该波段的融合权值。
对于第n归一化光谱数据，所述第n归一化光谱数据中每个波段的融合权值根据第2n-3强度阈值、第2n-2强度阈值、第2n-1强度阈值、第2n强度阈值确定：
对于第n归一化光谱数据中每个波段：
当第n归一化光谱数据中该波段的响应强度小于第2n-3强度阈值时，该波段的融合权值为预设的上限权值；
当第n归一化光谱数据中该波段的响应强度在第2n-3强度阈值和第2n-2强度阈值之内，该波段的融合权值为除去第n-1归一化光谱数据中该波段的融合权值之后的剩余值；
当第n归一化光谱数据中该波段的响应强度在第2n-2强度阈值与第2n-1强度阈值之间，该波段的融合权值为预设的下限权值；
当第n归一化光谱数据中该波段的响应强度在第2n-1强度阈值与第2n强度阈值之内，该波段的融合权值随着该波段的响应强度线性变化，且在预设的上限权值和预设的下限权值之间；
当第n归一化光谱数据中该波段的响应强度大于第2n强度阈值，该波段的融合权值为预设的上限权值；
其中，第2n-3强度阈值、第2n-2强度阈值、第2n-1强度阈值、第2n强度阈值依次增加；
所述波段的融合权值随着该波段的响应强度线性变化，且在预设的上限权值和预设的下限权值之间的取值这样确定：
计算归一化光谱数据中该波段的响应强度与第2n强度阈值之差，得到第一结果，
计算第2n-1融合阈与第2n强度阈值之差，得到第二结果，
将第一结果与第二结果的比值，作为该波段的融合权值。
对于第N归一化光谱数据，所述第N归一化光谱数据中每个波段的融合权值根据第2N-3强度阈值、第2N-2强度阈值确定：
对于第N归一化光谱数据中每个波段：
当第N归一化光谱数据中该波段的响应强度小于第2N-3强度阈值时，该波段的融合权值为预设的上限权值；
当第N归一化光谱数据中该波段的响应强度在第2N-3强度阈值和第2N-2强度阈值之内，该波段的融合权值为除去第N-1归一化光谱数据中该波段的融合权值之后的剩余值；
当第N归一化光谱数据中该波段的响应强度大于第2N-2强度阈值，该波段的融合权值为预设的上限权值；
其中，第2N-3强度阈值小于第2N-2强度阈值。
用数学式表示为：归一化光谱数据NDn(λ)的融合权值为：
…
……
其中，W1(λ)为第一待融合光谱数据D1(λ)中波段λ的融合取值，Wn(λ)为第n待融合光谱数据Dn(λ)中波段λ的融合取值，WN(λ)为第N待融合光谱数据DN(λ)中波段λ的融合取值，Th1、Th2、Th2n-3、Th2n-2、Th2n-1、Th2n、Th2N-3、Th2N-2为强度阈值，且依次增加，n为小于等于N的自然数。
步骤304，根据待融合光谱数据的融合权值，将归一化后的待融合光谱数据进行加权，得到待融合光谱数据的加权结果，将待融合光谱数据的加权结果进行累加，得到融合后的光谱数据。
对于每个波段：累加各个加权后的该波段光谱数据，得到该波段光谱融合结果。
用数学式表示为：
其中，MD(λ)为融合后的波段为λ的光谱融合结果。
分别计算每个波段光谱融合结果，得到所述光谱融合数据。
为便于理解，以下以两个光谱数据的融合为例来进行说明。假设第一光谱数据是以第一积分时间采集的，第二光谱数据是以第二积分时间采集的，其中，第一积分时间大于第二积分时间。按照本申请光谱数据融合方法，则有：
按照步骤301，选取第二积分时间为基准积分时间，计算第一光谱数据的比例参数，然后，将第一光谱数据除以该比例参数，得到归一化后的第一光谱数据。
用数学式表示为：
R＝T1/T2
ND1(λ)＝D1(λ)/R
其中，T1为第一积分时间，T2为第二积分时间，ND1(λ)为归一化后的第一光谱数据，D1(λ)为第一光谱数据，R为第一比例参数。
按照步骤302，确定第一强度阈值、第二强度阈值。
用数学式表示为：
Th1＝P1×Imax/R
Th2＝P2×Imax/R
其中，Th1为第一强度阈值，Th2为第二强度阈值，P1小于P2。
按照步骤303，确定第一融合权值、以及第二融合权值。
用数学式表示为：
其中，W1(λ)为第一融合权值，W2(λ)为第二融合权值，ND2(λ)为第二归一化光谱数据。
按照步骤304，融合第一光谱数据和第二光谱数据。
用数学式表示为：
MD(λ)＝W1(λ)×ND1(λ)+W2(λ)×D2(λ)
其中，MD(λ)为波段λ融合后的光谱数据。
分别计算每个波段光谱融合结果，得到所述光谱融合数据。
参见图4所示，图4为第一光谱数据和第二光谱数据融合前以及融合后的一种示意图。其中，横坐标表示各个波段大小，纵坐标表示响应强度，例如，光强度。从图中可见，第二光谱数据波段在低波段时响应强度变化较大，信噪比较差，融合后的光谱数据依旧能够保持原有的光谱强度谱型，且在低谱段上具有较好的信噪比。
通过本申请光谱数据的融合方法，避免了为了保证某波段光谱数据的信噪比直接增加积分时间而导致其他波段数据过曝，使得全光谱波段内的光谱数据具有较佳的信噪比；根据波段分段或者光谱强度分段等方式，采用不同的积分时间采集光谱图像而获得光谱数据，进一步提高了光谱数据的信噪比。
参见图5所示，图5为本申请实施例光谱数据融合装置的一种示意图。该融合装置包括，
归一化模块，用于对于按照设定积分时间采集的光谱图像所提取的至少包括表征波段与响应强度的关系的各光谱数据，将所述光谱数据分别进行归一化处理，得到归一化光谱数据；
权值确定模块，用于利用预先设定的强度阈值，确定归一化光谱数据中每个波段的融合权值，其中，融合权值根据归一化光谱数据中该波段所对应的响应强度与强度阈值之间的比较结果确定，所述强度阈值与积分时间相关；
融合模块，用于对于归一化光谱数据中每个波段，利用该波段的融合权值，将各归一化光谱数据中该波段的响应强度进行融合，得到该波段的融合结果；分别计算每个波段的光谱融合结果，得到光谱融合数据。
其中，
归一化模块包括，
比例参数计算子模块，用于选择待融合光谱数据中所具有的最小积分时间作为基准积分时间，计算用于归一化的比例参数，
计算子模块，用于根据比例参数对光谱数据进行归一化；
权值确定模块包括，
强度阈值确定子模块，用于根据比例参数、和用于采集光谱数据的采集设备所获取的最大响应强度、以及设定的系数，计算强度阈值；
融合权值确定子模块，用于将N个光谱谱型的归一化光谱数据按照积分时间的降序进行依次标记，其中，第一归一化光谱数据对应的积分时间为最大积分时间，第二归一化光谱数据对的积分时间为次大积分时间，…依次类推，第N归一化光谱数据对应的积分时间为最小积分时间，
所述第一归一化光谱数据中每个波段的融合权值根据第一强度阈值和第二强度阈值确定，
所述第n归一化光谱数据中每个波段的融合权值根据第2n-3强度阈值、第2n-2强度阈值、第2n-1强度阈值、第2n强度阈值确定，
…
所述第N归一化光谱数据中每个波段的融合权值根据第2N-3强度阈值、第2N-2强度阈值确定。
本申请光谱数据融合方法，结合光谱数据、积分时间，计算融合权值，有利于提高融合权值的自适应性，使得工作谱段范围内的光谱数据信噪比较佳。
以下以水质监测为例来说明本申请光谱数据的融合方法的应用，所应理解的是，本申请的光谱数据的融合方法不限于水质监测，特别是对于需要基于全部光谱波段来进行监测的应用也可以适用。
伴随经济的高速发展、人类活动的增强，河流、湖泊水质污染问题日益严重，已经成为制约城市可持续发展的关键因素。传统的水质监测主要采用实地采样和实验室分析等方法，费时费力，且无法反映水质的总体时空状况。而水质参数如叶绿素a、总磷、总氮等，直接影响了水体光学性质，其浓度变化能反映在离水辐射的光谱信息上，因此可以通过分析这些光谱特征能够反向推演出水质参数浓度，从而实现水质遥感监测。
但是现有的技术大多聚焦于采用何种模型来反向推演水质参数，而忽略了采集光谱数据的质量。实际环境中，环境光多变复杂，若采用预设积分时间来进行光谱采集，那么不同时间段的光谱数据强度会有较大差异，过曝或欠曝将直接影响反向推演的精度；同时，太阳光谱在不同谱段下的辐射强度并不一致，且水体物质反射光谱也各有差异，加之高光谱相机或多光谱相机中镜头或光纤的衰减、传感器响应率等因素，因此单一积分时间无法得到全谱段范围内(水质反向推演的谱段范围一般为400-1000nm)强度都较为合适的结果，光谱强度较弱的谱段内信噪比就会差，也直接影响了反演精度。
为了解决光谱数据质量不佳的问题，提高水质监测系统的环境自适应能力，利用本申请的光谱数据融合方法，可以实现基于光谱融合的水质监测方法，通过多次采集不同积分时间的光谱图像而获得光谱数据，对光谱数据进行融合，得到全谱段信噪比较好的光谱数据，利用全谱段光谱数据信息，能够有效提升反演精度，从而实现高时效、高精度、低成本、大范围、自适应性强的水质监测应用。
参见图6所示，图6为本申请实施例水质监测方法的一种流程示意图。该监测方法包括，
步骤601，根据光谱波段分段或者光谱强度分段，分别采用不同积分时间对被监测水体进行光谱图像采集，得到光谱图像，这样，每个光谱图像所采集的积分时间不同，以使得采集的光谱数据在其对应的分段上具有合适的强度和较好的信噪比。
例如，以400nm-700nm波段为第一分段，调整积分时间为第一积分时间，进行被监测水体的光谱图像采集；以700nm-1000nm波段为第二分段，调整积分时间为第二积分时间，进行被监测水体的光谱图像采集。最终得到两帧在各自波段上强度适中的光谱图像。基于光谱图像提取光谱特征，得到光谱数据。
步骤602，将所采集的光谱数据进行融合，得到融合后的光谱数据。
在该步骤中，按照本申请所述融合方法中的步骤将各光谱数据进行融合。
步骤603，基于融合后的光谱数据，结合环境光光谱强度数据，计算水体光谱反射率。
在该步骤中，较佳地，对融合后的光谱数据进行校正、降噪、减黑电平等预处理，对环境光光谱数据、以及标定参数等，做辐射校正、减暗电流等处理，得到全谱段范围的水体光谱反射率。
步骤604，根据水质反向推演模型和水体光谱反射率，计算出各水质参数的浓度。
其中，水质反向推演模型可用经验模型，也可用预先训练好的机器学习模型。
参见图7所示，图7为本申请实施例水质监测系统的一种示意图。该系统包括，
采集模块，用于分别按照不同积分时间采集水体的光谱数据，以及环境光光谱数据；
光谱数据融合装置，用于将所采集的水体光谱数据进行融合，得到光谱融合数据；
监测模块，用于基于光谱融合数据，结合环境光光谱数据，计算水体光谱反射率；根据水质反向推演模型和水体光谱反射率，计算各水质参数的浓度。
其中，
所述采集模块包括，
第一采集模块，在积分时间控制模块的控制下，采集水体反射光谱图像数据，并基于所采集的图像数据，提取水体光谱特征，得到水体光谱数据；
第二采集模块，在积分时间控制模块的控制下，采集实际环境的光谱图像数据，并基于所采集的图像数据，提取环境光光谱特征，得到环境光光谱数据；
所述光谱数据融合装置对来自第一采集模块的水体光谱数据进行融合。所述光谱数据融合装置具体可以如图5所示。
所述监测模块包括，
光谱反射率计算子模块，基于光谱融合数据、以及来自第二采集模块的环境光谱图像数据，计算水体光谱反射率；
预测子模块，基于水质反向推演模型，根据水体光谱反射率，计算各水质参数的浓度。
本实施例基于光谱数据融合的水质监测方法，根据各分段的积分时间，采集不同积分时间的光谱数据，得到对应谱段下强度适中的光谱数据，这样，即使不进行光谱数据融合，也可以选择合适的光谱数据进行反向推演，提高监测的精度，进一步地，将光谱数据进行融合，能够得到全谱段信噪比较佳的光谱数据，从而可以充分地利用全谱段信息，有效地提高采集环节的环境自适应能力以及反向推演的精度，实现高时效、高精度、低成本、大范围、自适应强的水质监测手段。
参见图8所示，图8为本申请光谱数据融合装置的另一种示意图。该装置包括处理器以及存储器，其中，存储器存储有计算机程序，处理器被配置执行所述计算机程序以实现实施例所述光谱数据融合方法的步骤。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatnle Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processnng Unnt，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Dngntal SngnalProcessnng，DSP)、专用集成电路(Applncatnon Specnfnc Nntegrated Cnrcunt，ASNC)、现场可编程门阵列(Fneld-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明实施例还提供了一种计算机可读存储介质，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现光谱数据融合的步骤。
对于装置/网络侧设备/存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。所应理解的是，对于每个波段范围内的每个波长对应的响应强度，也可以采用本发明的融合方法来进行光谱数据融合。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (9)
1.一种光谱数据的融合方法，其特征在于，该方法包括，对于按照设定的积分时间所采集的至少包括表征波段与响应强度关系的各光谱数据：
将光谱数据分别进行归一化处理，得到归一化光谱数据；
利用预先设定的强度阈值，确定归一化光谱数据中每个波段的融合权值，其中，融合权值根据归一化光谱数据中该波段所对应的响应强度与强度阈值之间的比较结果确定，所述强度阈值与积分时间相关；
对于归一化光谱数据中每个波段，利用该波段的融合权值，将各归一化光谱数据中该波段的响应强度进行融合，得到该波段的融合结果；
分别计算每个波段的融合结果，得到光谱融合数据；
其中，
所述强度阈值的数量为2N-2个，N为归一化光谱数据中光谱谱型的数量，且为大于等于2 的自然数；
强度阈值按照如下方式确定：
对于第k强度阈值，
将设定的系数与用于采集光谱图像的采集设备的最大光强度相乘，得到乘积结果，
将所述乘积结果与第q比例参数的比值，作为强度阈值，
其中，所述系数用于使得每个强度阈值取值不相等，且使得第一强度阈值到第2N-2强度阈值依次增加，
q为将k除以2的向上取整，k为小于等于2N-2的自然数，
融合权值按照如下方式确定：
将N个光谱谱型的归一化光谱数据按照积分时间的降序进行依次标记，第n归一化光谱数据对应的积分时间为排序为第n的积分时间；
对于第一归一化光谱数据中每个波段，
当第一归一化光谱数据中该波段的响应强度小于第一强度阈值时，该波段的融合权值为预设的上限权值，
当第一归一化光谱数据中该波段的响应强度大于相邻第二强度阈值时，该波段的融合权值为预设的下限权值，
当第一归一化光谱数据中该波段的响应强度在大于等于第一强度阈值、且小于等于第二强度阈值时，该波段的融合权值随着该波段的响应强度线性变化，且在预设的上限权值和预设的下限权值之间；
对于第n归一化光谱数据中每个波段，
当第n归一化光谱数据中该波段的响应强度小于第2n-3强度阈值时，该波段的融合权值为预设的上限权值，
当第n归一化光谱数据中该波段的响应强度在第2n-3强度阈值和第2n-2强度阈值之内，该波段的融合权值为除去第n-1归一化光谱数据中该波段的融合权值之后的剩余值，
当第n归一化光谱数据中该波段的响应强度在第2n-2强度阈值与第2n-1强度阈值之间，该波段的融合权值为预设的下限权值，
当第n归一化光谱数据中该波段的响应强度在第2n-1强度阈值与第2n强度阈值之内，该波段的融合权值随着该波段的响应强度线性变化，且在预设的上限权值和预设的下限权值之间，
当第n归一化光谱数据中该波段的响应强度大于第2n强度阈值，该波段的融合权值为预设的上限权值；
对于第N归一化光谱数据中每个波段，
当第N归一化光谱数据中该波段的响应强度小于第2N-3强度阈值时，该波段的融合权值为预设的上限权值，
当第N归一化光谱数据中该波段的响应强度在第2N-3强度阈值和第2N-2强度阈值之内，该波段的融合权值为除去第N-1归一化光谱数据中该波段的融合权值之后的剩余值，
当第N归一化光谱数据中该波段的响应强度大于第2N-2强度阈值，该波段的融合权值为预设的上限权值。
2.如权利要求1所述的融合方法，其特征在于，所述积分时间以光谱波段分段或光谱强度分段的方式，根据分段中的光谱强度确定，每个积分时间不相同。
3.如权利要求1所述的融合方法，其特征在于，对于第n归一化光谱数据中每个波段：
所述该波段的融合权值随着该波段的响应强度线性变化，且在预设的上限权值和预设的下限权值之间，包括，
计算归一化光谱数据中该波段的响应强度与第2n强度阈值之差，得到第一结果，
计算第2n-1融合阈与第2n强度阈值之差，得到第二结果，
将第一结果与第二结果的比值，作为该波段的融合权值。
4.如权利要求1所述的融合方法，其特征在于，对于第一归一化光谱数据中每个波段：
所述该波段的融合权值随着该波段的响应强度线性变化，且在预设的上限权值和预设的下限权值之间，包括，
计算归一化光谱数据中该波段的响应强度与第二强度阈值之差，得到第一结果，
计算第一强度阈值与第二强度阈值之差，得到第二结果，
将第一结果与第二结果的比值，作为该波段的融合权值。
5.如权利要求2所述的融合方法，其特征在于，所述对于归一化光谱数据中每个波段，利用该波段的融合权值，将各归一化光谱数据中该波段的响应强度融合为该波段的光谱融合结果，包括：
对归一化光谱数据的每个波段，将该波段的融合权值与归一化光谱数据中该波段的响应强度相乘，得到该波段加权后的光谱数据；
对各归一化光谱数据中该波段加权后的光谱数据进行累加，得到该波段的光谱融合结果。
6.如权利要求1所述的融合方法，其特征在于，所述将光谱数据分别进行归一化处理，得到归一化光谱数据，包括：
选择所述积分时间中最小积分时间作为基准，为第n光谱谱型的光谱数据分别计算用于归一化的第n比例参数，该比例参数为第n光谱数据对应的积分时间与最小积分时间之比值，
计算第n光谱数据与第n比例参数之比值，得到第n归一化光谱数据，
其中，
对应于最小积分时间的光谱数据，归一化后的光谱数据与归一化之前的光谱数据相等。
7.一种光谱数据的融合装置，其特征在于，该装置包括，
归一化模块，用于对于按照设定积分时间采集的光谱图像所提取的至少包括表征波段与响应强度的关系的各光谱数据，将所述光谱数据分别进行归一化处理，得到归一化光谱数据；
权值确定模块，用于利用预先设定的强度阈值，确定归一化光谱数据中每个波段的融合权值，其中，融合权值根据归一化光谱数据中该波段所对应的响应强度与强度阈值之间的比较结果确定，所述强度阈值与积分时间相关；
融合模块，用于对于归一化光谱数据中每个波段，利用该波段的融合权值，将各归一化光谱数据中该波段的响应强度进行融合，得到该波段的融合结果；分别计算每个波段的融合结果，得到光谱融合数据；
其中，
所述强度阈值的数量为2N-2个，N为归一化光谱数据中光谱谱型的数量，且为大于等于2 的自然数；
强度阈值按照如下方式确定：
对于第k强度阈值，
将设定的系数与用于采集光谱图像的采集设备的最大光强度相乘，得到乘积结果，
将所述乘积结果与第q比例参数的比值，作为强度阈值，
其中，所述系数用于使得每个强度阈值取值不相等，且使得第一强度阈值到第2N-2强度阈值依次增加，
q为将k除以2的向上取整，k为小于等于2N-2的自然数，
融合权值以如下方式确定：
将N个光谱谱型的归一化光谱数据按照积分时间的降序进行依次标记，第n归一化光谱数据对应的积分时间为排序为第n的积分时间；
对于第一归一化光谱数据中每个波段，
当第一归一化光谱数据中该波段的响应强度小于第一强度阈值时，该波段的融合权值为预设的上限权值，
当第一归一化光谱数据中该波段的响应强度大于相邻第二强度阈值时，该波段的融合权值为预设的下限权值，
当第一归一化光谱数据中该波段的响应强度在大于等于第一强度阈值、且小于等于第二强度阈值时，该波段的融合权值随着该波段的响应强度线性变化，且在预设的上限权值和预设的下限权值之间；
对于第n归一化光谱数据中每个波段，
当第n归一化光谱数据中该波段的响应强度小于第2n-3强度阈值时，该波段的融合权值为预设的上限权值，
当第n归一化光谱数据中该波段的响应强度在第2n-3强度阈值和第2n-2强度阈值之内，该波段的融合权值为除去第n-1归一化光谱数据中该波段的融合权值之后的剩余值，
当第n归一化光谱数据中该波段的响应强度在第2n-2强度阈值与第2n-1强度阈值之间，该波段的融合权值为预设的下限权值，
当第n归一化光谱数据中该波段的响应强度在第2n-1强度阈值与第2n强度阈值之内，该波段的融合权值随着该波段的响应强度线性变化，且在预设的上限权值和预设的下限权值之间，
当第n归一化光谱数据中该波段的响应强度大于第2n强度阈值，该波段的融合权值为预设的上限权值；
对于第N归一化光谱数据中每个波段，
当第N归一化光谱数据中该波段的响应强度小于第2N-3强度阈值时，该波段的融合权值为预设的上限权值，
当第N归一化光谱数据中该波段的响应强度在第2N-3强度阈值和第2N-2强度阈值之内，该波段的融合权值为除去第N-1归一化光谱数据中该波段的融合权值之后的剩余值，
当第N归一化光谱数据中该波段的响应强度大于第2N-2强度阈值，该波段的融合权值为预设的上限权值。
8.一种水质监测方法，其特征在于，该方法包括，
按照如权利要求1至6任一所述光谱数据的融合方法的步骤，将所采集的水体光谱数据进行融合，得到光谱融合数据；
基于光谱融合数据，结合环境光光谱数据，计算水体光谱反射率；
根据水质反向推演模型和水体光谱反射率，计算各水质参数的浓度。
9.一种水质监测系统，其特征在于，该系统包括，
采集模块，用于分别采集水体的光谱数据，以及环境光光谱数据；
如权利要求7所述的光谱数据融合装置，用于将所采集的水体光谱数据进行融合，得到光谱融合数据；
监测模块，用于基于光谱融合数据，结合环境光光谱数据，计算水体光谱反射率；根据水质反向推演模型和水体光谱反射率，计算各水质参数的浓度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110842718.5A CN113567357B (zh) | 2021-07-26 | 2021-07-26 | 一种光谱数据的融合方法、以及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110842718.5A CN113567357B (zh) | 2021-07-26 | 2021-07-26 | 一种光谱数据的融合方法、以及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113567357A CN113567357A (zh) | 2021-10-29 |
| CN113567357B true CN113567357B (zh) | 2024-05-24 |
Family
ID=78167189
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110842718.5A Active CN113567357B (zh) | 2021-07-26 | 2021-07-26 | 一种光谱数据的融合方法、以及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113567357B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117557917B (zh) * | 2024-01-11 | 2024-05-03 | 杭州海康威视数字技术股份有限公司 | 水质检测方法和装置 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000071980A1 (en) * | 1999-05-21 | 2000-11-30 | Bookham Technology Plc | Method and system for adaptive interpretation of spectrometric data combined with continual re-calibration |
| JP2015225081A (ja) * | 2014-05-28 | 2015-12-14 | 天津先陽科技発展有限公司 | 拡散スペクトルデータの処理方法及び処理装置 |
| CN107995421A (zh) * | 2017-11-30 | 2018-05-04 | 潍坊歌尔电子有限公司 | 一种全景相机及其图像生成方法、系统、设备、存储介质 |
| CN108419062A (zh) * | 2017-02-10 | 2018-08-17 | 杭州海康威视数字技术股份有限公司 | 图像融合设备和图像融合方法 |
| CN108549902A (zh) * | 2018-03-14 | 2018-09-18 | 中国科学院遥感与数字地球研究所 | 一种改进的sar图像与多光谱光学图像融合方法 |
| KR101928391B1 (ko) * | 2017-07-17 | 2018-12-12 | 서울시립대학교 산학협력단 | 다중분광 영상과 레이더 영상의 융합방법 및 장치 |
| CN109781073A (zh) * | 2018-11-12 | 2019-05-21 | 国家海洋局第二海洋研究所 | 一种融合海浪特征和光谱特征的浅海水深遥感提取方法 |
| CN110806264A (zh) * | 2019-11-21 | 2020-02-18 | 中电科仪器仪表有限公司 | 一种自适应光强的ccd光电探测器积分时间控制方法 |
| CN111077093A (zh) * | 2020-01-10 | 2020-04-28 | 安徽理工大学 | 一种基于多光谱技术的煤矸石快速检测的方法与装置 |
| KR102175194B1 (ko) * | 2020-08-19 | 2020-11-05 | 인제대학교 산학협력단 | 초분광 영상을 활용한 하천수 혼합 유해화학물질 표준 분광라이브러리 구축을 위한 장치 및 방법 |
| CN112380967A (zh) * | 2020-11-12 | 2021-02-19 | 北京航空航天大学 | 一种联合图像信息的空间人造目标光谱解混方法及系统 |
| CN112991288A (zh) * | 2021-03-09 | 2021-06-18 | 东南大学 | 基于丰度图像锐化重构的高光谱遥感图像融合方法 |
| CN113049500A (zh) * | 2021-03-19 | 2021-06-29 | 杭州海康威视数字技术股份有限公司 | 水质检测模型训练和水质检测方法、电子设备及存储介质 |
-
2021
- 2021-07-26 CN CN202110842718.5A patent/CN113567357B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000071980A1 (en) * | 1999-05-21 | 2000-11-30 | Bookham Technology Plc | Method and system for adaptive interpretation of spectrometric data combined with continual re-calibration |
| JP2015225081A (ja) * | 2014-05-28 | 2015-12-14 | 天津先陽科技発展有限公司 | 拡散スペクトルデータの処理方法及び処理装置 |
| CN108419062A (zh) * | 2017-02-10 | 2018-08-17 | 杭州海康威视数字技术股份有限公司 | 图像融合设备和图像融合方法 |
| KR101928391B1 (ko) * | 2017-07-17 | 2018-12-12 | 서울시립대학교 산학협력단 | 다중분광 영상과 레이더 영상의 융합방법 및 장치 |
| CN107995421A (zh) * | 2017-11-30 | 2018-05-04 | 潍坊歌尔电子有限公司 | 一种全景相机及其图像生成方法、系统、设备、存储介质 |
| CN108549902A (zh) * | 2018-03-14 | 2018-09-18 | 中国科学院遥感与数字地球研究所 | 一种改进的sar图像与多光谱光学图像融合方法 |
| CN109781073A (zh) * | 2018-11-12 | 2019-05-21 | 国家海洋局第二海洋研究所 | 一种融合海浪特征和光谱特征的浅海水深遥感提取方法 |
| CN110806264A (zh) * | 2019-11-21 | 2020-02-18 | 中电科仪器仪表有限公司 | 一种自适应光强的ccd光电探测器积分时间控制方法 |
| CN111077093A (zh) * | 2020-01-10 | 2020-04-28 | 安徽理工大学 | 一种基于多光谱技术的煤矸石快速检测的方法与装置 |
| KR102175194B1 (ko) * | 2020-08-19 | 2020-11-05 | 인제대학교 산학협력단 | 초분광 영상을 활용한 하천수 혼합 유해화학물질 표준 분광라이브러리 구축을 위한 장치 및 방법 |
| CN112380967A (zh) * | 2020-11-12 | 2021-02-19 | 北京航空航天大学 | 一种联合图像信息的空间人造目标光谱解混方法及系统 |
| CN112991288A (zh) * | 2021-03-09 | 2021-06-18 | 东南大学 | 基于丰度图像锐化重构的高光谱遥感图像融合方法 |
| CN113049500A (zh) * | 2021-03-19 | 2021-06-29 | 杭州海康威视数字技术股份有限公司 | 水质检测模型训练和水质检测方法、电子设备及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| Data fusion and hyperspectral imaging in tandem with least squares-support vector machine for prediction of sensory quality index scores of fish fillet;Jun-Hu Cheng等;LWT-FOOD SCIENCE AND TECHNOLOGY;第63卷(第2期);892-898 * |
| 基于CCD积分时间自动调节的生化分析仪用分光光度计的研究;任重等;光子学报;第42卷(第5期);586-591 * |
| 基于场景自适应概念学习的无监督目标检测;浦世亮等;信息与电子工程前沿;第22卷(第5期);638-652 * |
| 自适应权重注入机制遥感图像融合;方帅等;中国图象图形学报;第25卷(第3期);546-557 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113567357A (zh) | 2021-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106124449B (zh) | 一种基于深度学习技术的土壤近红外光谱分析预测方法 | |
| Uss et al. | Maximum likelihood estimation of spatially correlated signal-dependent noise in hyperspectral images | |
| CN116879192B (zh) | 基于卫星遥感数据的水华预测方法、装置、设备及介质 | |
| CN113049500B (zh) | 水质检测模型训练和水质检测方法、电子设备及存储介质 | |
| CN113567357B (zh) | 一种光谱数据的融合方法、以及装置 | |
| CN112215525A (zh) | 一种湖库水质反演及可视化评价方法 | |
| CN116343046A (zh) | 基于自优化机器学习的多源遥感城市河流水质监测方法 | |
| CN116911183A (zh) | 岩溶湿地水体叶绿素a反演的方法、系统、设备及介质 | |
| Riihimaki et al. | Improving prediction of surface solar irradiance variability by integrating observed cloud characteristics and machine learning | |
| Gan et al. | Dissimilarity-weighted sparse representation for hyperspectral image classification | |
| Avrahamy et al. | Improving object imaging with sea glinted background using polarization method: analysis and operator survey | |
| US7421414B2 (en) | Split machine learning systems | |
| CN113496218B (zh) | 一种高光谱遥感敏感波段选择方式的评价方法和系统 | |
| CN103955711A (zh) | 一种成像光谱目标识别分析中的模式识别方法 | |
| Arai | Maximum likelihood classification based on classified result of boundary mixed pixels for high spatial resolution of satellite images | |
| Kieu et al. | Determination of surface film thickness of heavy fuel oil using hyperspectral imaging and deep neural networks | |
| Bergstrom et al. | Understanding the relationship between image quality and convolutional neural network performance | |
| Li et al. | Multi-scale spatial and spectral feature fusion for soil carbon content prediction based on hyperspectral images | |
| CN117557917B (zh) | 水质检测方法和装置 | |
| CN118196653B (zh) | 基于卫星传感器dn值的aod反演方法及装置 | |
| CN119380002B (zh) | 一种半监督遥感影像变化检测方法及系统 | |
| Dong et al. | A transfer-learning-based windspeed estimation on the ocean surface: Implication for the requirements on the spatial-spectral resolution of remote sensors | |
| Toivonen | Practical Spectral Diffraction Imaging | |
| CN109870138A (zh) | 一种基于深度学习的天线下倾角测量方法 | |
| Zhong et al. | Galaxy Spectra Networks (GaSNet). III. Generative pre-trained network for spectrum reconstruction, redshift estimate and anomaly detection |
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 |