|
搜索
搜 索
高等教育领域数字化综合服务平台
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
西安交通大学能源与动力工程学院超快时间分辨光谱系统公开招标公告
能源与动力工程学院超快时间分辨光谱系统招标项目的潜在投标人应在详见西安交通大学采购与招标管理办公室网站（cgb.xjtu.edu.cn）获取招标文件，并于2022年07月04日14点30分（北京时间）前递交投标文件。
西安交通大学
2022-06-14
HY-60系列-便携式高光谱
功能特性
HY-60系列是一种适用于野外作业、具备自动摆扫/自动推扫功能的光谱成像系统。
支持可见近红外（400-1000nm)或近红外(900-1700nm)高光谱相机；
内置推扫型号可实现自动对焦，
自动完成推扫成像，扫描范围>60°；
外摆扫型号可实现360度全景扫描，配合大仰角调节模块，覆盖超大扫描范围；支持ROI区域框选自动扫描；
积分时间和帧频可调，扫描速度自动匹配；
便携式三脚架，快速架设，易于携带；
应用领域
农业林业：病虫害监测，旱情预估，树种识别，草原长势 生态环境：水体监测，大气环境监测，土壤营养测定 考古文物：遗址确定，壁画，国画，材质鉴别，颜料分辨 地质勘探：探油，探矿，矿物填图
杭州高谱成像技术有限公司
2022-03-16
HY-80系列-实验室高光谱
功能特性
高质量成像光谱数据 适用于实验室环境，具备良好光源条件，辐射校正准确度高，并集成调焦功能的推扫式高光谱成像系统； 检测范围不低于220mm×300mm×100mm（样品高度）
全谱段光源 光源通常为碘钨灯，谱段范围为200-2500nm，可具有不同的形式：带反射片的灯管、线性聚焦光源、穹顶光源等。
专利高光谱数据时空校正 时间反射率及空间反射率双重校准，数据精度高。
应用领域
真伪鉴定：文物鉴定、艺术品鉴定等; 物质研究：烟草、药品、食品、矿石等; 刑侦文检：文件修改涂抹、笔迹鉴定等。
杭州高谱成像技术有限公司
2022-03-16
宽光谱微型光谱仪信号处理系统
本实用新型提供一种宽光谱微型光谱仪信号处理系统，包括 FPGA 主控模块、CCD 模块、CCD 滤 波电路、AD 采样模块、USB 模块和电源，FPGA 主控模块分别与 CCD 模块、AD 采样模块、USB 模块 相连。当光信号由光纤经过分光系统分光后，由通过 FPGA 控制的 CCD 进行光电转化，转化后的模拟 电信号经过CCD滤波电路后由AD采样芯片进行高速采样并转化为数字信号存入FPGA内的缓存模块， 之后由 FPGA 内的 USB 发送
武汉大学
2021-04-14
基于丰度显著性分析的高光谱图像解混方法及系统
本发明提供基于丰度显著性分析的高光谱图像解混方法及系统，包括建立待处理的高光谱遥感图像 的端元光谱库；用基于稀疏回归的混合像元分解方法对每个像元进行初步混合像元分解并按照丰度值的 大小降序排列，对排序后的丰度序列进行显著性分析，得到显著性丰度的临界值，然后根据预设的显著 性丰度阈值进行判断组成该像元的稀疏表示端元子集；最后采用丰度约束的最小二乘法再次进行混合像 元分解，将结果作为最终的混合像元分解结果。本发明可以得到更为稀疏和准确的像元表示端元
武汉大学
2021-04-14
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
基于光谱抽样直方图的超光谱降维匹配方法及系统
本发明提供一种基于光谱抽样直方图的超光谱降维匹配方法及系统，包括对待匹配光谱和光谱库中 的所有光谱分别进行归一化处理，分别获取归一化后的待匹配光谱和光谱库中所有光谱的抽样直方图， 计算待匹配光谱的抽样直方图与光谱库中所有光谱的抽样直方图的欧氏距离，在光谱库中选取与待匹配 光谱抽样直方图欧氏距离最小的一条光谱作为匹配对象。本发明通过对归一化后的光谱使用等间距的窄 带进行抽样，从而获得维数远小于原始光谱的抽样直方图，完成了光谱的降维，然后使用降维后的抽样 直方图代替原始光谱进行匹配，显著降低了后续匹配时的运算量，同时在抽样时利用分段提取的方法保 留了光谱图中的相对位置信息，提高了匹配的精度。
武汉大学
2021-04-13