一种多角度多光谱立体成像模组及模组设计方法

    公开(公告)号:CN115615548B

    公开(公告)日:2024-05-28

    申请号:CN202211255204.0

    申请日:2022-10-13

    IPC分类号: G01J3/28

    摘要: 一种多角度多光谱立体成像模组及模组设计方法,它属于相机光谱成像技术领域。本发明解决了现有多光谱成像模组存在着集成度低且对立体光谱信息的获取能力差的问题。本发明对多光谱波段及立体成像角度进行设计,采用离轴多通道光学元件/成像探测器高集成度复用技术,多平行轴光机加工与装调技术,以及基于窄带光谱选通的光程精补偿技术,设计微小型化、多通道可见光/近红外多角度多光谱集成成像模组,实现对目标的正视与侧视光谱反射成像信息的获取。本发明方法可以应用于相机光谱成像技术领域。

    基于多光谱图像重建的多光谱点云生成方法、存储介质及设备

    公开(公告)号:CN117218315A

    公开(公告)日:2023-12-12

    申请号:CN202311178943.9

    申请日:2023-09-13

    发明人: 谷延锋 王晨 李贤

    摘要: 基于多光谱图像重建的多光谱点云生成方法、存储介质及设备,属于多光谱图像三维重建技术领域。为了解决现有技术中光谱信息利用不充分,重建精度低,效率低的问题。本发明首先对多光谱图像进行辐射校正与波段对齐,并将多个单波段图像叠加合成波段对齐的多光谱图像;采用图像增强与SIFT特征算子结合的方式得到逐波段特征并融合多光谱特征;然后通过基于多光谱图像得到NDVI掩膜对融合的多光谱特征进行匹配,基于特征匹配对,建立图像集中多光谱图像的匹配关系,并使用运动结构恢复方法计算图像相对位姿信息,使用多视角几何匹配技术计算图像深度值,对多光谱值进行投影,生成多光谱点云。

    一种植物生长阶段视频检测方法
    3.
    发明公开

    公开(公告)号:CN116977862A

    公开(公告)日:2023-10-31

    申请号:CN202311066878.0

    申请日:2023-08-23

    摘要: 一种植物生长阶段视频检测方法,本发明涉及植物生长阶段视频检测方法。本发明的目的是为了解决现有的植物生长阶段检测算法无法准确划分植物生长阶段的问题。过程为:1:构建神经网络模型,获得训练好的神经网络模型;过程为:11:获取训练集;12:构建I3D网络,将植物生长阶段视频输入I3D网络,提取植物生长阶段视频特征序列;13:利用Transformer网络编码器对特征序列进行编码,利用解码器的动作分类头和边界回归头分别输出动作类别、动作边界;14:获得训练好的神经网络模型;2:获得待测植物生长阶段视频对应的动作类别、动作边界。本发明属于时序行为检测领域。

    一种基于物理知识驱动和无监督学习的高光谱本征分解方法

    公开(公告)号:CN116645613A

    公开(公告)日:2023-08-25

    申请号:CN202310681709.1

    申请日:2023-06-09

    发明人: 谷延锋 谢雯

    摘要: 一种基于物理知识驱动和无监督学习的高光谱本征分解方法,它属于遥感图像处理领域。本发明解决了采用现有本征分解方法分解出的反射率分量的准确度差的问题。本发明采取的主要技术方案为:步骤1、基于物理模型对高光谱遥感图像进行分解,得到反射率分量;步骤2、构建反射率分量估计子网络以及反射率分量估计子网络的输出损失项;步骤3、构建明暗分量估计子网络以及明暗分量估计子网络的输出损失项;步骤4、将物理模型输出与原始高光谱数据结合生成混合物理知识的输入数据,并初始化模型参数;步骤5、结合损失函数项优化网络模型,输出反射率分量。本发明方法可以应用于高光谱遥感图像的本征分解。

    一种多角度多光谱立体成像模组及模组设计方法

    公开(公告)号:CN115615548A

    公开(公告)日:2023-01-17

    申请号:CN202211255204.0

    申请日:2022-10-13

    IPC分类号: G01J3/28

    摘要: 一种多角度多光谱立体成像模组及模组设计方法,它属于相机光谱成像技术领域。本发明解决了现有多光谱成像模组存在着集成度低且对立体光谱信息的获取能力差的问题。本发明对多光谱波段及立体成像角度进行设计,采用离轴多通道光学元件/成像探测器高集成度复用技术,多平行轴光机加工与装调技术,以及基于窄带光谱选通的光程精补偿技术,设计微小型化、多通道可见光/近红外多角度多光谱集成成像模组,实现对目标的正视与侧视光谱反射成像信息的获取。本发明方法可以应用于相机光谱成像技术领域。

    多视角高分遥感图像稀疏主成分对齐方法

    公开(公告)号:CN114782763B

    公开(公告)日:2022-11-11

    申请号:CN202210545904.7

    申请日:2022-05-19

    摘要: 多视角高分遥感图像稀疏主成分对齐方法,本发明涉及多视角高分遥感图像对齐方法。本发明的目的是为了解决现有高空间分辨率遥感图像成像时存在的多角度问题,该问题导致遥感图像分类准确率低。过程为:1:利用稀疏主成分分析方法对获取的待处理的源域图像和带标签的目标图像进行计算,得到待处理的源域图像的特征向量和带标签的目标图像的特征向量;2:将待处理的源域图像的特征向量和带标签的目标图像的特征向量进行变换,从而使待处理的源域图像和带标签的目标图像的数据分布进行对齐,得到对齐后的待处理的源域图像和带标签的目标图像;3:基于监督式分类方法完成对待处理的源域图像的分类结果。本发明用于遥感图像处理领域。

    一种面向大场景遥感图像分类的可分离多模联合表示方法

    公开(公告)号:CN114529769A

    公开(公告)日:2022-05-24

    申请号:CN202210157795.1

    申请日:2022-02-21

    发明人: 刘天竹 谷延锋

    IPC分类号: G06V10/764 G06K9/62

    摘要: 一种面向大场景遥感图像分类的可分离多模联合表示方法,本发明涉及多模遥感图像联合表示方法。本发明的目的是为了提高现有大场景遥感图像的分类精度。过程为:一、输入覆盖地理区域相同的多模遥感图像,以及相应的地物标签图,构造多模遥感图像的可分离多模联合表示模型;二、采用乘数交替方向法求解多模遥感图像的可分离多模联合表示模型,得到可分离的多模字典;三、输入大场景多光谱遥感图像,利用可分离的多光谱字典对输入的大场景多光谱遥感图像进行稀疏表示,学习得到可分离的一致稀疏表示系数矩阵;四、利用类别特异性高光谱字典和类别特异性一致稀疏表示系数矩阵,重构得到大场景的高光谱图像。本发明用于遥感图像分类领域。

    一种面向大场景遥感图像分类的类指定多模联合表示方法

    公开(公告)号:CN113850216B

    公开(公告)日:2022-05-17

    申请号:CN202111160930.X

    申请日:2021-09-30

    发明人: 刘天竹 谷延锋

    摘要: 一种面向大场景遥感图像分类的类指定多模联合表示方法,本发明涉及多模遥感图像联合表示方法。本发明的目的是为了提高现有大场景遥感图像的分类精度。过程为:一、输入覆盖区域相同的多模遥感图像,以及相应的地物标签图,构造多模遥感图像的类指定多模联合表示模型;所述多模遥感图像包括多光谱遥感图像和高光谱遥感图像;二、采用乘数交替方向法求解多模遥感图像的类指定多模联合表示模型,得到类指定跨模字典;三、输入大场景多光谱遥感图像,利用多光谱字典对输入的大场景多光谱遥感图像进行稀疏表示,学习得到一致稀疏表示系数矩阵;四、重构得到大场景的高判别性高光谱图像。本发明用于遥感图像分类领域。

    一种基于深度学习的海岸线变化分析方法

    公开(公告)号:CN113628227B

    公开(公告)日:2022-05-17

    申请号:CN202110883494.2

    申请日:2021-08-02

    IPC分类号: G06T7/12

    摘要: 一种基于深度学习的海岸线变化分析方法,本发明涉及海岸线变化分析方法。本发明的目的是为了解决现有岸线类型复杂,难以实现岸线类型精确分类;针对不同类型岸线,岸线提取准则不同;以及给定多时相遥感图像,如何实现大场景中的海岸线精确提取的问题。过程为:步骤一、选择所研究区域的海岸线数据集;构建神经网络,得到训练好的神经网络;步骤二、得到处理后的多时相海岸线遥感影像,输入训练好的神经网络,获得处理后的多时相海岸线遥感影像对应的海岸线类型;步骤三、基于得到的海岸线类型,提取海岸线,获得海岸线图像;步骤四、基于获得的海岸线图像,检测海岸线的位置变化,计算海岸线侵蚀或淤积速率。本发明用于海岸线变化分析领域。

    全色/多光谱遥感图像与高光谱遥感图像的融合方法

    公开(公告)号:CN113392790B

    公开(公告)日:2022-03-18

    申请号:CN202110705642.1

    申请日:2021-06-24

    发明人: 谷延锋 朱静

    摘要: 本发明的全色/多光谱遥感图像与高光谱遥感图像的融合方法涉及遥感图像处理领域,目的是为了克服目前现有的全色/多光谱‑高光谱图像融合的结果不能合理权衡空间和光谱分辨率的问题,本发明方法具体步骤如下:步骤一、提取高光谱遥感图像的端元矩阵;步骤二、利用全色/多光谱遥感图像、高光谱遥感图像和端元矩阵建立变分模型;步骤三、对变分模型利用交替方向乘子法迭代计算,得到全色/多光谱遥感图像和高光谱遥感图像的融合图像。