|
搜索
搜 索
高等教育领域数字化综合服务平台
一种菲涅尔双面镜干涉成像光谱仪
简介：本发明属于光谱测量技术领域，公开了一种菲涅尔双面镜干涉成像光谱仪。它包括光学结构、二维探测器和数据采集系统，所述的光学结构包括前置望远镜、入射狭缝和菲涅尔双面镜；所述菲涅尔双面镜包括平面反射镜M1和平面反射镜M2。本发明的成像光谱仪，在结构上，从入射狭缝到二维探测器之间仅有一个光学元件（菲涅尔双面镜），这使得仪器结构大为简化；另外，由于本发明在光路结构中采用菲涅尔双面镜，菲涅尔双面镜表面反射率高，入射光能损失低。
安徽工业大学
2021-04-13
一种扫描电子显微镜中原位高温微观力学测试装置
本实用新型公开了一种扫描电子显微镜中原位高温微观力学测试装置，包括控制系统、拉伸测试装置、加热装置及固定装置，拉伸测试装置设置有一容置空间，加热装置设置于容置空间内，拉伸测试装置与加热装置的底端均与固定装置连接，固定装置的底端与扫描电镜的样品支撑架固定连接；拉伸测试装置、加热装置及固定装置均设置在扫描电子显微镜的腔室内，扫描电子显微镜、拉伸测试装置及加热装置均与控制系统电连接。本实用新型中测试装置结构紧凑，可方便安装在显微镜中，加热装置的设置使测试能够在高温载荷条件下进行，方便实现扫描电子束对高温载荷和应力载荷作用下测试样品原位成像动态观察，同时获取同一观察微区域中样品的成分信息谱及晶体结构信息图。
浙江大学
2021-04-13
一种植被多/高光谱成像装置
一种植被多高光谱成像装置,其特征在于它包括一滤色片壳体、一光学镜头、一成像单元、放置在所述滤色片壳体中的滤色片、一滤色片更换装置、一计算机和一电源其中,所述滤色片壳体、光学镜头和成像单元顺序排列,且各中心同轴所述光学镜头与成像单元固连,且所述成像单元位于所述光学镜头的成像面上所述滤色片更换装置的控制端电连接所述计算机,所述成像单元与计算机进行数据及控制信号通信所述电源为各用电设备供电。
北京大学
2021-02-01
基于形态稀疏协同表示的高光谱遥感图像分类
本成果属于高光谱图像信息处理技术，为高光谱遥感图像分类方法。首先对高维高光谱图像提取第一主成分特征图，并利用结构元素对主成分特征图进行多维的空间结构特征提取，结合提取的形态学特征与原始光谱特征，利用联合稀疏表示算法将同一空间区域中的像元联合进行稀疏系数矩阵的求解，最终通过最小残差判断准则确定像元类别。这种方法有效地并且充分的挖掘了高光谱遥感图像中的空间信息、形态信息和光谱信息。考虑到稀疏表示方法在迭代求解稀疏向量时的耗时性与对非线性数据的不可分性，进一步提出了基于差分形态学核协同表示的高光谱遥感图像分类算法。该成果方法通过核化的协同表示分类算法避免了优化求解的耗时性，同时克服了高维特征空间下数据的线性不可分性。算法首先通过差分形态学方法在高光谱遥感图像的主成分分析图上进行空间特征提取，并通过核变换方法将新特征字典投影到高维的线性核特征空间，最后利用核化协同表示算法的高效性对高光谱图像进行分类。
主要技术指标
University of Pavia 通过 ROSIS-03 传感器记录，该图像捕获了意大利帕维亚的帕维亚大学周围的市区。图像尺寸为 610×340×103，空间分辨率为 1.3 m / 像素，光谱覆盖范围为 0.43 至 0.86μm。该图像考虑了九个类别。其具有 42776 个标记样本。每类取 50 个有标记样本共 450 个样本作为训练样本。
请参阅表 1，本方法提出的高光谱图像分类方法，相比于传统分类器 SVM，OA 提高了约 18%；相比于 JSRC，OA 提高了约 5%；同时参阅表 2，展示了本成果方法的时间运行效率与相关方法的比较。该成果无需使用 GPU 资源在保证精度的同时有效提升了分类的精度和效果。
表 1 PaviaU 数据集上对比实验结果
表 2 不同数据集上时间运行对比实验结果
西安电子科技大学
2023-03-14
基于空间相关性的高光谱数据降噪方法及系统
本发明提供了一种基于空间相关性的高光谱数据降噪方法及系统，进行投影变换，求解高光谱数据 中各个波段所成图像的平均图像，计算高光谱数据的协方差矩阵并进行特征值分解得到变换矩阵和特征 值矩阵，利用变换矩阵将高光谱数据进行线性投影，得到变换域中的三维数据；根据特征值矩阵选择降 噪阈值；降噪，包括对降噪阈值以内的变换域中的三维数据进行保留，对阈值以外的变换域中的三维数 据进行降噪处理；投影反变换，包括利用所述变换矩阵的逆矩阵对降噪后的变换域中的三维数据进行线 性投影，重构得到降噪后的高光谱数据。本发明在降噪处理过程中，对于空间域的相关性充分保护，很 好地降低了高光谱数据的噪声量级，提高了高光谱数据的信噪比。
武汉大学
2021-04-13
HY-90系列无人机载高光谱成像系统
HY-90系列无人机载高光谱成像系统，采用自主研发的高光谱相机，结合高清可见光相机、定制化高稳云台、高精度GPS系统、远程控制系统，实现对地物多源信息的同步定性、定量、定时、定位的采集。
功能特性 采用高性能大靶面cmos图像传感器，光谱分辨率优于2.8nm； 内含定制云台自稳定系统，无人机推扫成像，作业效率高 ； 硬件同步触发高清可见光相机，分辨率达1500w像素，支持高精度正射影像拼接 ； 硬件同步触发POS系统，GPS定位数据与高光谱数据按行精准对应，辅助图像拼接 ； 小型地面站广播基站GPS信息，实现机载端RTK ；可实现远程智控，提升用户操作及使用便利性； 支持实时图传，监控单波段图像及光谱曲线； 机载控制及数据采集软件，数据格式完美支持ENVI等第三方软件； 可适配大疆M600 pro、华测P580及科卫泰、海康等多种无人机平台。
应用领域 水质环保：水质监测（总氮、总磷、氨氮、叶绿素、浊度、高锰酸钾指数等） 土壤监测：土壤含水量监测、土壤肥力监测、重金属污染监测； 地质应用：矿物填图、矿物成分探测、成矿预测； 农林碳汇：农业测绘，病虫害防治，树种识别， 国防军工：伪装识别，无人侦察等；
杭州高谱成像技术有限公司
2022-03-16
一种基于图论的高光谱图像显著度计算方法
本发明公开了一种基于图论的高光谱图像显著度计算方法，包 括以下步骤：1）将输入的高光谱图像以图表示；2）对图进行权值计 算，构建权重矩阵,权重矩阵中的元素值反映了中任意一个顶点和其他 所有顶点的联系；3）像元的全局显著性计算，像元的全局显著性等于 它与图像中所有其它像元间权值的总和：4）像元的局部显著性计算， 像元的局部显著性用其邻域背景像素的方差来表示：5）像元的最终显 著度计算，将对应像元的全局显著性与局部显著性相乘，得到各像元 的最终显著度。本发明在计算高光谱图像显著度时，充分考虑了感兴 趣目标的光谱特性和几何尺寸特性，因此，能够有效抑制背景的干扰， 提高感兴趣区域的提取效果
华中科技大学
2021-04-11
一种基于高光谱成像的大田害虫监控诱捕装置
本实用新型公开了一种基于高光谱成像的大田害虫监控诱捕装置，包括：杀虫装置、采样装置、终端机，所述的采样装置为高光谱仪摄像头；还包括：排虫装置；输送装置；动力装置；所述的排虫装置包括：壳体，顶部设有与杀虫装置相连的入虫口，底部设有出虫口；空心芯轴，伸入壳体内；排虫轮，转动安装在空心芯轴上，外圆周面上设有排虫孔，排虫孔与排虫轮的内腔连通，排虫轮的内腔通过空心芯轴与负压装置连通；止吸阀，固定安装在空心芯轴上，可封闭欲排虫的排虫孔。可有效地克服由于害虫虫体相互重叠而导致无法精确计数和种类识别的问题；不仅可以进行计数，而且可对害虫的种类、雌雄以及虫龄进行判别，使对大田害虫虫情的预测和判别更准确。
浙江大学
2021-04-13
基于同质块均值核类内协同表示的高光谱图像分类
该成果提出了一种基于同质块均值核类内协同表示分类方法。同质块均值核能够有效地为目标样本确定其邻域区域内的同质样本，并将目标样本和同质块内的样本与训练样本之间的相似度作为新的特征向量，在有效提高类别区分度和空间表征能力的同时，提升了特征生成的效率。其后在分类过程中，利用类内协同表示分类中的吉洪诺夫正则项加强测试样本和各个类别训练样本之间的相关性的同时进一步提高分类效率。
主要技术指标
不同数据集下的训练样本与测试样本数与在该训练样本集数量下的分类结果表现参阅表 1。
（1）相比于传统分类器 SVM，OA 提高了约 15%；相比于 JCR 方法，OA 提高了约 2-4%。
（2）该成果无需使用 GPU 资源在保证精度的同时有效提升了分类的精度和效果，同时在较少训练样本条件下仍能得到较好的分类精度和分类效果。同时有效降低了离散错分样本的数量，改善了过平滑的分类效果。参见表 1 与图 1。
（3）同时该成果特征提取方法有效提高了特征提取效率，参见表 2。
表 1.PaviaU 大学数据的训练样本选取与分类结果
表 2. 不同窗口大小下的特征生成时间比较
西安电子科技大学
2023-04-19
基于超像素样本扩充的空谱全卷积高光谱图像分类方法
本成果提出的基于超像素样本扩充的空谱全卷积高光谱图像分类方法有效的利用高光谱图像的超像素分割结果指导伪样本扩充增加了训练集样本数量，解决了高光谱图像有标记样本的稀缺问题，同时空谱的全卷积分类网络也充分利用了多尺度的空间特征和光谱特征实现了较高的分类精度。
成果非涉密，专利申请已经提交。
实验采用反射光学系统成像光谱仪（ROSIS）传感器获取意大利北部帕维亚大学（Pavia University）的高光谱图像数据。该数据集由 103 个光谱带组成，共 610×340 像素，光谱覆盖范围从 430nm 到 860nm，空间分辨率为 1.3m。该数据集一共含有 9 个类别的 42776个有标记样本，选取每类 30 个有标记样本作为训练集，其余作为测试集。
由下表可以看出，在每类选取 30 个样本的情况下，本 模 型 的 OA，AA，Kappa系 数 比 DFFN 模 型 高 出20.8%，17.4% 和 26.5%；比CNN 高 出 23.1%，18.8% 和29.2%。并且下表证明了使用了伪标签样本扩充的空谱全卷积网络的本方法在小样本情况下每个类的分类准确性均优于 DFFN 和 CNN，达到了较好的分类效果。
表 1 PaviaU 数据集上对比实验结果
西安电子科技大学
2023-03-03