CN113160183B - 一种高光谱数据处理方法、设备及介质 - Google Patents
一种高光谱数据处理方法、设备及介质 Download PDFInfo
- Publication number
- CN113160183B CN113160183B CN202110453331.0A CN202110453331A CN113160183B CN 113160183 B CN113160183 B CN 113160183B CN 202110453331 A CN202110453331 A CN 202110453331A CN 113160183 B CN113160183 B CN 113160183B
- Authority
- CN
- China
- Prior art keywords
- hyperspectral image
- region
- principal component
- detected
- determining
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 8
- 238000003062 neural network model Methods 0.000 claims abstract description 40
- 238000000513 principal component analysis Methods 0.000 claims abstract description 29
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000003595 spectral effect Effects 0.000 claims abstract description 19
- 238000001228 spectrum Methods 0.000 claims description 35
- 238000000034 method Methods 0.000 claims description 31
- 238000001514 detection method Methods 0.000 claims description 13
- 238000002310 reflectometry Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000009897 systematic effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000000701 chemical imaging Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种高光谱数据处理方法、设备及介质，通过获取待检测物体的高光谱图像集合。根据主成分分析法对高光谱图像集合中的各高光谱图像进行主成分分析，得到第一预设数目的第一主成分信息。根据第一主成分系信息中的权重系数曲线，确定相应的特征波段。根据主成分分析法对特征波段进行主成分分析，确定第二预设数目的第二主成分信息。将第二主成分信息对应的光谱特征以及相应的高光谱图像，作为样本数据。根据样本数据进行神经网络模型训练及检测，以得到待检测物体对应的训练好的神经网络模型。
Description
技术领域
本申请涉及高光谱技术领域，尤其涉及一种高光谱数据处理方法、设备及介质。
背景技术
随着科技的不断发展，高光谱成像技术受到广泛的应用。高光谱成像的应用范围遍及化学、物理学、生物学、医学等多个领域。目前,高光谱成像在土地利用、农作物生长、分类,病虫害检测,海洋水色测量,城市规划、石油勘探、地芯地貌及军事目标识别等方面都有着很广泛和深远的应用前景。
高光谱图像是集图像信息与光谱信息于一身，具有波段多、蕴含信息丰富、光谱分辨率高等特点，高光谱图像包括的信息可以反映样本的大小、形状、体积等外部特征，这些特点决定了高光谱图像在一些需要进行内外部特征检测的任务中独特优势。然而，高光谱图像中蕴含的丰富信息使得在对高光谱图像进行表示时需要占用很大的数据量，这也使得深度学习模型较为复杂，模型在训练过程和测试过程中速度较慢，并且需要大量的训练样本。
基于此，提供一种高光谱数据处理的技术方案，对高光谱图像进行处理，以使深度学习模型通过较少的处理后的高光谱图像即可完成模型训练及测试，就成为继续解决的技术问题。
发明内容
本说明书实施例提供一种高光谱数据处理及设备、介质，用于解决现有技术中的如下技术问题：在构建高光谱图像相关的神经网络模型时，由于高光谱图像的特殊性，使得构建神经网络模型时需要大量的样本数据，并且训练和测试速度都比较慢。
一种高光谱数据处理方法，所述方法包括：
获取待检测物体的高光谱图像集合；
根据主成分分析法对所述高光谱图像集合中的各高光谱图像进行主成分分析，得到第一预设数目的第一主成分信息；
根据所述第一主成分系信息中的权重系数曲线，确定相应的特征波段；
根据主成分分析法对所述特征波段进行主成分分析，确定第二预设数目的第二主成分信息；
将所述第二主成分信息对应的光谱特征以及相应的高光谱图像，作为样本数据；
根据所述样本数据进行神经网络模型训练及检测，以得到所述待检测物体对应的训练好的神经网络模型。
在一种可能实现的方式中，在获取待检测物体的高光谱图像集合之前，所述方法还包括：
基于用户的输入信息，确定构建神经网络模型的待检测物体；
基于所述待检测物体以及预设的关联关系，从预存数据库中，获取所述待检测物体的原始高光谱图像；
对各所述原始高光谱图像进行目标检测，以得到相应的感兴趣区域；
根据所述感兴趣区域，对相应的原始高光谱图像进行分割，得到感兴趣区域图像；
其中，各所述感兴趣区域图像组成所述待检测物体的高光谱图像集合。
在一种可能实现的方式中，在得到所述待检测物体对应的训练好的神经网络模型之后，所述方法还包括：
接收高光谱图像采集设备发送的初始高光谱图像；
对所述初始高光谱图像进行归一化处理，得到待检测高光谱图像；
基于所述训练好的神经网络模型，对所述待检测高光谱图像进行图像识别，确定所述初始高光谱图像中是否包括所述待检测物体。
在一种可能实现的方式中，对各所述原始高光谱图像进行目标检测，以得到相应的感兴趣区域，具体包括：
确定各所述原始高光谱图像的种子像元；
基于区域生长算法以及所述种子像元，对各所述原始高光谱图像进行图像识别，以确定各所述原始高光谱图像中目标轮廓信息；
根据所述目标轮廓信息对相应的所述高光谱图像进行划分，以得到对应的感兴趣区域图像。
在一种可能实现的方式中，所述确定各所述原始高光谱图像的种子像元，具体包括：
确定预设尺寸的局部窗口，计算所述局部窗口中像元的光谱相似性，进行AP聚类，得到所述局部窗口像元聚类结果；
根据所述聚类结果，得到局部窗口聚类标记图；
在所述聚类标记图中，按照预设方格进行搜索；
在所述预设方格内所有像元灰度值相等时，将所述方格中心像元作为种子像元。
在一种可能实现的方式中，基于区域生长算法以及所述种子像元，对各所述原始高光谱图像进行图像识别，以确定各所述原始高光谱图像中目标轮廓信息，具体包括：
基于区域生产算法以及所述种子像元，对所述原始高光谱图像进行图像识别，得到至少一个生长区域；
确定各所述生长区域是否为连通区域；
计算连通区域的面积，并根据连通区域的面积确定目标区域，以得到相应的目标轮廓信息。
在一种可能实现的方式中，对各所述原始高光谱图像进行目标检测，以得到相应的感兴趣区域，具体包括：
确定高光谱图像的初始种子像元，所述种子相关的光谱为初始种子光谱；
计算像元与种子光谱间的光谱差异度，并根据所述光谱差异度判定像元是否被生长；
在像元被生长后，将初始种子光谱更新为所有已生长像元的光谱均值，直至区域生长结束，进行背景区域的分割；
确定新的初始种子像元，重新进行区域生长，进行背景区域分割，直至无法确定新的初始种子像元，以得到相应的感兴趣区域。
在一种可能实现的方式中，在得到相应的感兴趣区域之前，所述方法还包括：
对所述原始高光谱图像进行基线校正；以及
基于待检测物体的反射率、标准参考板的反射率，计算定标系数；
根据定标系数对所述校正后的高光谱图像进行辐射定标，得到辅助定标后的高光谱图像。
一种高光谱数据处理设备，所述设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取待检测物体的高光谱图像集合；
根据主成分分析法对所述高光谱图像集合中的各高光谱图像进行主成分分析，得到第一预设数目的第一主成分信息；
根据所述第一主成分系信息中的权重系数曲线，确定相应的特征波段；
根据主成分分析法对所述特征波段进行主成分分析，确定第二预设数目的第二主成分信息；
将所述第二主成分信息对应的光谱特征以及相应的高光谱图像，作为样本数据；
根据所述样本数据进行神经网络模型训练及检测，以得到所述待检测物体对应的训练好的神经网络模型。
一种高光谱数据处理的非易失性计算机存储介质，存储有计算机可执行的指令，所述计算机可执行指令设置为：
获取待检测物体的高光谱图像集合；
根据主成分分析法对所述高光谱图像集合中的各高光谱图像进行主成分分析，得到第一预设数目的第一主成分信息；
根据所述第一主成分系信息中的权重系数曲线，确定相应的特征波段；
根据主成分分析法对所述特征波段进行主成分分析，确定第二预设数目的第二主成分信息；
将所述第二主成分信息对应的光谱特征以及相应的高光谱图像，作为样本数据；
根据所述样本数据进行神经网络模型训练及检测，以得到所述待检测物体对应的训练好的神经网络模型。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：通过两次主成分分析，得到第二主成分分析，基于第二主成分信息对应的光谱特征以及相应的高光谱图像作为样本数据，进行神经网络模型训练，即保证了神经网络模型训练的准确性，还能够减少样本数据，提高训练和检测速度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例提供的一种高光谱数据处理方法的一流程图；
图2为本说明书实施例提供的一种高光谱数据处理方法的另一流程图；
图3为本说明书实施例提供的一种高光谱数据处理方法的另一流程图；
图4为本说明书实施例提供的一种高光谱数据处理设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例提供的高光谱数据处理的流程图。如图1所示，本申请提供的基于高光谱的食品检测方法，可以包括以下步骤：
S101，服务器获取待检测物体的高光谱图像集合。
S102，服务器根据主成分分析法对高光谱图像集合中的各高光谱图像进行主成分分析，得到第一预设数目的第一主成分信息。
服务器通过主成分分析法，对上述高光谱图像中的波段信息进行主成分分析，按照相应的预设数目N，保留至少前N个主成分信息，作为第一主成分信息。保留的至少前N个主成分信息基本上包含了大部分可用波段信息，不但简化了执行时间，还可以提高识别效率。并且，利用主成分分析法对图像进行处理，去除频带间的多余信息，将多频带图像信息压缩为少量，比原频带更有效。
S103，服务器根据第一主成分系信息中的权重系数曲线，确定相应的特征波段。
在本申请各实施例中，服务器可以根据提取各第一主成分信息对应的特征相连AG，确定相应的权重系数曲线，确定特征波段，该特征波段至少是两个第一主成分信息中权重值同时为波峰值或者波谷值的波段。
S104，服务器根据主成分分析法对特征波段进行主成分分析，确定第二预设数目的第二主成分信息。
具体地，服务器通过主成分分析法，对特征波段再次进行主成分分析，确定第二主成分信息。例如，第一主成分信息保留的是前6个主成分信息，那么根据特征波段进行二次主成分分析，保留至少前3个主成分信息，作为第二主成分信息。
在本申请实施例中，由于第一主成分信息中大多数包含有比较多的强信息，这些强信息大多数反应了待检测的主信息，没有相关的重点。因此，在本申请实施例中并没有选择第一主成分信息进行识别分析，而是通过确定的特征波段进行二次的主成分分析，以得到与构建神经网络模型相关的主成分信息，从而提高识别效率，降低造成。
S105，服务器将第二主成分信息对应的光谱特征以及相应的高光谱图像，作为样本数据。
S106，服务器根据样本数据进行神经网络模型训练及检测，以得到待检测物体对应的训练好的神经网络模型。
基于上述方案，通过两次主成分分析，得到第二主成分分析，基于第二主成分信息对应的光谱特征以及相应的高光谱图像作为样本数据，进行神经网络模型训练，即保证了神经网络模型训练的准确性，还能够减少样本数据，提高训练和检测速度。
在本申请的一些实施例中，如图2所示，在步骤S101之前，本申请实施例提供的方法还可以包括以下步骤：
S201，服务器基于用户的输入信息，确定构建神经网络模型的待检测物体。
例如，所构建的神经网络模型对应的待检测物体为苹果，则用户的输入信息中需要包括苹果。
S202，服务器基于待检测物体以及预设的关联关系，从预存数据库中，获取待检测物体的原始高光谱图像。
在预设数据库中可以预先存储有相应的原始高光谱图像，并且各原始高光谱图像可以携带有标签，其标签表示所对应的待检测物体。
S203，服务器对各原始高光谱图像进行目标检测，以得到相应的感兴趣区域。
如图3所示，可以通过以下步骤实现步骤S203:
S301，服务器确定各原始高光谱图像的种子像元。
在本申请的一个实施例中，服务器可以通过确定预设尺寸的局部窗口，计算局部窗口中像元的光谱相似性，进行AP聚类，得到局部窗口像元聚类结果。然后根据聚类结果，得到局部窗口聚类标记图。之后在聚类标记图中，服务器按照预设方格进行搜索。最后在预设方格内所有像元灰度值相等时，神经网络模型将方格中心像元作为种子像元。
S302，基于区域生长算法以及种子像元，对各原始高光谱图像进行图像识别，以确定各原始高光谱图像中目标轮廓信息。
具体地，服务器基于区域生产算法以及种子像元，对原始高光谱图像进行图像识别，得到至少一个生长区域。然后确定各生长区域是否为连通区域。随后服务器计算连通区域的面积，并根据连通区域的面积确定目标区域，以得到相应的目标轮廓信息。
S303，根据目标轮廓信息对相应的高光谱图像进行划分，以得到对应的感兴趣区域。
在本申请的一些实施例中，还可以通过以下方法实现步骤203:
服务器确定高光谱图像的初始种子像元，种子相关的光谱为初始种子光谱。
需要说明的是，确定高光谱图像的初始种子像元与上述S301中的方法相似，在此不再加以赘述。
服务器计算像元与种子光谱间的光谱差异度，并根据光谱差异度判定像元是否被生长。
在像元被生长后，服务器将初始种子光谱更新为所有已生长像元的光谱均值，直至区域生长结束，进行背景区域的分割。
随后服务器确定新的初始种子像元，重新进行区域生长，进行背景区域分割，直至无法确定新的初始种子像元，以得到相应的感兴趣区域。
在本申请实施例中，在得到相应的感兴趣区域之前，方法还包括：
对所述原始高光谱图像进行基线校正；
按照以下公式：
其中，所述
为待测食品的反射率，
为标准参考板的反射率，
为校正后的高光谱图像中物体的数值，
为校正后的高光谱图像中标准参考板的数值，
为高光谱图像采集***误差；
根据定标系数对所述校正后的高光谱图像进行辐射定标，得到辅助定标后的高光谱图像。
S204，服务器根据感兴趣区域，对相应的原始高光谱图像进行分割，得到感兴趣区域图像。
其中，各感兴趣区域图像组成待检测物体的高光谱图像集合。
在本申请的一些实施例中，在步骤S106之后，本申请实施例提供的方法还可以包括以下步骤：
接收高光谱图像采集设备发送的初始高光谱图像。
对初始高光谱图像进行归一化处理，得到待检测高光谱图像。
基于训练好的神经网络模型，对待检测高光谱图像进行图像识别，确定初始高光谱图像中是否包括待检测物体。
通过该方案，可以对高光谱图像进行识别，从而确定高光谱图像中的目标物是否为待检测物体。
基于同样的思路，本申请的一些实施例还提供了上述方法对应的设备和非易失性计算机存储介质。
图4为本申请实施例提供的高光谱数据处理设备的结构示意图。如图4所示，该设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取待检测物体的高光谱图像集合；
根据主成分分析法对所述高光谱图像集合中的各高光谱图像进行主成分分析，得到第一预设数目的第一主成分信息；
根据所述第一主成分系信息中的权重系数曲线，确定相应的特征波段；
根据主成分分析法对所述特征波段进行主成分分析，确定第二预设数目的第二主成分信息；
将所述第二主成分信息对应的光谱特征以及相应的高光谱图像，作为样本数据；
根据所述样本数据进行神经网络模型训练及检测，以得到所述待检测物体对应的训练好的神经网络模型。
本申请的一些实施例提供的对应于图1的一种高光谱数据处理的非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
获取待检测物体的高光谱图像集合；
根据主成分分析法对所述高光谱图像集合中的各高光谱图像进行主成分分析，得到第一预设数目的第一主成分信息；
根据所述第一主成分系信息中的权重系数曲线，确定相应的特征波段；
根据主成分分析法对所述特征波段进行主成分分析，确定第二预设数目的第二主成分信息；
将所述第二主成分信息对应的光谱特征以及相应的高光谱图像，作为样本数据；
根据所述样本数据进行神经网络模型训练及检测，以得到所述待检测物体对应的训练好的神经网络模型。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备和介质实施例而言，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。
本申请实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM) 和/或非易失性内存等形式，如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (3)
1.一种高光谱数据处理方法，其特征在于，所述方法包括：
基于用户的输入信息，确定构建神经网络模型的待检测物体；
基于所述待检测物体以及预设的关联关系，从预存数据库中，获取所述待检测物体的原始高光谱图像；其中，所述原始高光谱图像携带有标签，所述标签表示所对应的待检测物体；
对所述原始高光谱图像进行基线校正；以及
基于待检测物体的反射率、标准参考板的反射率，计算定标系数，具体包括：
按照以下公式：
计算定标系数；其中，所述Reft为待测食品的反射率，Refp为标准参考板的反射率，DNt为校正后的高光谱图像中物体的数值，DNp为校正后的高光谱图像中标准参考板的数值，DNd为高光谱图像采集***误差；
根据定标系数对所述校正后的高光谱图像进行辐射定标，得到辅助定标后的高光谱图像；
对各所述原始高光谱图像进行目标检测，以得到相应的感兴趣区域；
根据所述感兴趣区域，对相应的原始高光谱图像进行分割，得到感兴趣区域图像；其中，各所述感兴趣区域图像组成所述待检测物体的高光谱图像集合；
其中，对各所述原始高光谱图像进行目标检测，以得到相应的感兴趣区域，具体包括：
确定各所述原始高光谱图像的种子像元；基于区域生长算法以及所述种子像元，对各所述原始高光谱图像进行图像识别，以确定各所述原始高光谱图像中目标轮廓信息；根据所述目标轮廓信息对相应的所述高光谱图像进行划分，以得到对应的感兴趣区域图像；或者，
确定高光谱图像的初始种子像元，所述种子相关的光谱为初始种子光谱；计算像元与种子光谱间的光谱差异度，并根据所述光谱差异度判定像元是否被生长；在像元被生长后，将初始种子光谱更新为所有已生长像元的光谱均值，直至区域生长结束，进行背景区域的分割；确定新的初始种子像元，重新进行区域生长，进行背景区域分割，直至无法确定新的初始种子像元，以得到相应的感兴趣区域；
所述确定各所述原始高光谱图像的种子像元，具体包括：
确定预设尺寸的局部窗口，计算所述局部窗口中像元的光谱相似性，进行AP聚类，得到所述局部窗口像元聚类结果；根据所述聚类结果，得到局部窗口聚类标记图；在所述聚类标记图中，按照预设方格进行搜索；在所述预设方格内所有像元灰度值相等时，将所述方格中心像元作为种子像元；
基于区域生长算法以及所述种子像元，对各所述原始高光谱图像进行图像识别，以确定各所述原始高光谱图像中目标轮廓信息，具体包括：
基于区域生产算法以及所述种子像元，对所述原始高光谱图像进行图像识别，得到至少一个生长区域；确定各所述生长区域是否为连通区域；计算连通区域的面积，并根据连通区域的面积确定目标区域，以得到相应的目标轮廓信息；
获取待检测物体的高光谱图像集合；
根据主成分分析法对所述高光谱图像集合中的各高光谱图像进行主成分分析，得到第一预设数目的第一主成分信息；
根据所述第一主成分系信息中的权重系数曲线，确定相应的特征波段；
根据主成分分析法对所述特征波段进行主成分分析，确定第二预设数目的第二主成分信息；
将所述第二主成分信息对应的光谱特征以及相应的高光谱图像，作为样本数据；
根据所述样本数据进行神经网络模型训练及检测，以得到所述待检测物体对应的训练好的神经网络模型；
接收高光谱图像采集设备发送的初始高光谱图像；
对所述初始高光谱图像进行归一化处理，得到待检测高光谱图像；
基于所述训练好的神经网络模型，对所述待检测高光谱图像进行图像识别，确定所述初始高光谱图像中是否包括所述待检测物体。
2.一种高光谱数据处理设备，其特征在于，所述设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
基于用户的输入信息，确定构建神经网络模型的待检测物体；
基于所述待检测物体以及预设的关联关系，从预存数据库中，获取所述待检测物体的原始高光谱图像；其中，所述原始高光谱图像携带有标签，所述标签表示所对应的待检测物体；
对所述原始高光谱图像进行基线校正；以及
基于待检测物体的反射率、标准参考板的反射率，计算定标系数；
根据定标系数对所述校正后的高光谱图像进行辐射定标，得到辅助定标后的高光谱图像；
对各所述原始高光谱图像进行目标检测，以得到相应的感兴趣区域；
根据所述感兴趣区域，对相应的原始高光谱图像进行分割，得到感兴趣区域图像；其中，各所述感兴趣区域图像组成所述待检测物体的高光谱图像集合；
其中，对各所述原始高光谱图像进行目标检测，以得到相应的感兴趣区域，具体包括：
确定各所述原始高光谱图像的种子像元；基于区域生长算法以及所述种子像元，对各所述原始高光谱图像进行图像识别，以确定各所述原始高光谱图像中目标轮廓信息；根据所述目标轮廓信息对相应的所述高光谱图像进行划分，以得到对应的感兴趣区域图像；或者，
确定高光谱图像的初始种子像元，所述种子相关的光谱为初始种子光谱；计算像元与种子光谱间的光谱差异度，并根据所述光谱差异度判定像元是否被生长；在像元被生长后，将初始种子光谱更新为所有已生长像元的光谱均值，直至区域生长结束，进行背景区域的分割；确定新的初始种子像元，重新进行区域生长，进行背景区域分割，直至无法确定新的初始种子像元，以得到相应的感兴趣区域；
所述确定各所述原始高光谱图像的种子像元，具体包括：
确定预设尺寸的局部窗口，计算所述局部窗口中像元的光谱相似性，进行AP聚类，得到所述局部窗口像元聚类结果；根据所述聚类结果，得到局部窗口聚类标记图；在所述聚类标记图中，按照预设方格进行搜索；在所述预设方格内所有像元灰度值相等时，将所述方格中心像元作为种子像元；
基于区域生长算法以及所述种子像元，对各所述原始高光谱图像进行图像识别，以确定各所述原始高光谱图像中目标轮廓信息，具体包括：
基于区域生产算法以及所述种子像元，对所述原始高光谱图像进行图像识别，得到至少一个生长区域；确定各所述生长区域是否为连通区域；计算连通区域的面积，并根据连通区域的面积确定目标区域，以得到相应的目标轮廓信息；
获取待检测物体的高光谱图像集合；
根据主成分分析法对所述高光谱图像集合中的各高光谱图像进行主成分分析，得到第一预设数目的第一主成分信息；
根据所述第一主成分系信息中的权重系数曲线，确定相应的特征波段；
根据主成分分析法对所述特征波段进行主成分分析，确定第二预设数目的第二主成分信息；
将所述第二主成分信息对应的光谱特征以及相应的高光谱图像，作为样本数据；
根据所述样本数据进行神经网络模型训练及检测，以得到所述待检测物体对应的训练好的神经网络模型；
接收高光谱图像采集设备发送的初始高光谱图像；
对所述初始高光谱图像进行归一化处理，得到待检测高光谱图像；
基于所述训练好的神经网络模型，对所述待检测高光谱图像进行图像识别，确定所述初始高光谱图像中是否包括所述待检测物体。
3.一种高光谱数据处理的非易失性计算机存储介质，存储有计算机可执行的指令，其特征在于，所述计算机可执行指令设置为：
基于用户的输入信息，确定构建神经网络模型的待检测物体；
基于所述待检测物体以及预设的关联关系，从预存数据库中，获取所述待检测物体的原始高光谱图像；其中，所述原始高光谱图像携带有标签，所述标签表示所对应的待检测物体；
对所述原始高光谱图像进行基线校正；以及
基于待检测物体的反射率、标准参考板的反射率，计算定标系数；
根据定标系数对所述校正后的高光谱图像进行辐射定标，得到辅助定标后的高光谱图像；
对各所述原始高光谱图像进行目标检测，以得到相应的感兴趣区域；
根据所述感兴趣区域，对相应的原始高光谱图像进行分割，得到感兴趣区域图像；其中，各所述感兴趣区域图像组成所述待检测物体的高光谱图像集合；
其中，对各所述原始高光谱图像进行目标检测，以得到相应的感兴趣区域，具体包括：
确定各所述原始高光谱图像的种子像元；基于区域生长算法以及所述种子像元，对各所述原始高光谱图像进行图像识别，以确定各所述原始高光谱图像中目标轮廓信息；根据所述目标轮廓信息对相应的所述高光谱图像进行划分，以得到对应的感兴趣区域图像；或者，
确定高光谱图像的初始种子像元，所述种子相关的光谱为初始种子光谱；计算像元与种子光谱间的光谱差异度，并根据所述光谱差异度判定像元是否被生长；在像元被生长后，将初始种子光谱更新为所有已生长像元的光谱均值，直至区域生长结束，进行背景区域的分割；确定新的初始种子像元，重新进行区域生长，进行背景区域分割，直至无法确定新的初始种子像元，以得到相应的感兴趣区域；
所述确定各所述原始高光谱图像的种子像元，具体包括：
确定预设尺寸的局部窗口，计算所述局部窗口中像元的光谱相似性，进行AP聚类，得到所述局部窗口像元聚类结果；根据所述聚类结果，得到局部窗口聚类标记图；在所述聚类标记图中，按照预设方格进行搜索；在所述预设方格内所有像元灰度值相等时，将所述方格中心像元作为种子像元；
基于区域生长算法以及所述种子像元，对各所述原始高光谱图像进行图像识别，以确定各所述原始高光谱图像中目标轮廓信息，具体包括：
基于区域生产算法以及所述种子像元，对所述原始高光谱图像进行图像识别，得到至少一个生长区域；确定各所述生长区域是否为连通区域；计算连通区域的面积，并根据连通区域的面积确定目标区域，以得到相应的目标轮廓信息；
获取待检测物体的高光谱图像集合；
根据主成分分析法对所述高光谱图像集合中的各高光谱图像进行主成分分析，得到第一预设数目的第一主成分信息；
根据所述第一主成分系信息中的权重系数曲线，确定相应的特征波段；
根据主成分分析法对所述特征波段进行主成分分析，确定第二预设数目的第二主成分信息；
将所述第二主成分信息对应的光谱特征以及相应的高光谱图像，作为样本数据；
根据所述样本数据进行神经网络模型训练及检测，以得到所述待检测物体对应的训练好的神经网络模型；
接收高光谱图像采集设备发送的初始高光谱图像；
对所述初始高光谱图像进行归一化处理，得到待检测高光谱图像；
基于所述训练好的神经网络模型，对所述待检测高光谱图像进行图像识别，确定所述初始高光谱图像中是否包括所述待检测物体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110453331.0A CN113160183B (zh) | 2021-04-26 | 2021-04-26 | 一种高光谱数据处理方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110453331.0A CN113160183B (zh) | 2021-04-26 | 2021-04-26 | 一种高光谱数据处理方法、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113160183A CN113160183A (zh) | 2021-07-23 |
| CN113160183B true CN113160183B (zh) | 2022-06-17 |
Family
ID=76870873
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110453331.0A Active CN113160183B (zh) | 2021-04-26 | 2021-04-26 | 一种高光谱数据处理方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113160183B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113655072B (zh) * | 2021-08-20 | 2023-12-26 | 福建中烟工业有限责任公司 | 检测样品表面污染物的方法、装置和计算机可读取介质 |
| CN113933248A (zh) * | 2021-10-12 | 2022-01-14 | 广东省科学院智能制造研究所 | 一种高光谱在线检测***及方法 |
| CN116448689B (zh) * | 2023-06-16 | 2023-08-29 | 天津博霆光电技术有限公司 | 基于像素微分的单光频率物体全构造检测方法及设备 |
| CN117405607B (zh) * | 2023-12-15 | 2024-02-23 | 慧诺云谱(海南)科技有限公司 | 种子表型测量***、方法及相关设备 |
| 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 (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107274420A (zh) * | 2017-06-15 | 2017-10-20 | 中国水产科学研究院东海水产研究所 | 基于图像分割的海洋锋面提取方法 |
| CN108428220A (zh) * | 2018-03-05 | 2018-08-21 | 武汉大学 | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 |
| CN112070008A (zh) * | 2020-09-09 | 2020-12-11 | 武汉轻工大学 | 高光谱图像特征识别方法、装置、设备及存储介质 |
| CN112183426A (zh) * | 2020-10-10 | 2021-01-05 | 中国科学院空天信息创新研究院 | 高光谱图像中目标区域的确定方法及相关装置 |
| CN112633045A (zh) * | 2019-10-09 | 2021-04-09 | 华为技术有限公司 | 一种障碍物检测方法、装置、设备及介质 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101980294A (zh) * | 2010-09-25 | 2011-02-23 | 西北工业大学 | 基于遥感图像的黄河凌汛检测方法 |
| CN103279945B (zh) * | 2013-04-26 | 2015-11-25 | 北京理工大学 | 一种基于质量图导引法和枝切法的干涉相位图解缠方法 |
| CN104598886B (zh) * | 2015-01-23 | 2017-07-07 | 中国矿业大学(北京) | 一种利用近红外高光谱图像识别霉变油料作物的方法 |
| CN106446875A (zh) * | 2016-11-16 | 2017-02-22 | 航天恒星科技有限公司 | 面向县域遥感尺度的农作物种植面积信息提取方法及装置 |
| CN107330875B (zh) * | 2017-05-31 | 2020-04-21 | 河海大学 | 基于遥感图像正反向异质性的水体周边环境变化检测方法 |
| CN109308688B (zh) * | 2018-09-25 | 2021-06-25 | 中国农业科学院农业资源与农业区划研究所 | 一种可见光和近红外波段厚云及阴影去除方法 |
| CN109389608B (zh) * | 2018-10-19 | 2019-05-17 | 山东大学 | 以平面为聚类中心具有抗噪性的模糊聚类图像分割方法 |
| CN110147773A (zh) * | 2019-05-23 | 2019-08-20 | 广东工业大学 | 一种遥感图像识别方法 |
| CN110852227A (zh) * | 2019-11-04 | 2020-02-28 | 中国科学院遥感与数字地球研究所 | 高光谱图像深度学习分类方法、装置、设备及存储介质 |
| CN110853062B (zh) * | 2019-11-20 | 2023-05-26 | 中国科学院遥感与数字地球研究所 | 一种多光谱光学遥感图像的快速分割方法 |
| CN112257496A (zh) * | 2020-09-14 | 2021-01-22 | 中国电力科学研究院有限公司 | 一种基于深度学习的输电通道周围环境分类方法及*** |
-
2021
- 2021-04-26 CN CN202110453331.0A patent/CN113160183B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107274420A (zh) * | 2017-06-15 | 2017-10-20 | 中国水产科学研究院东海水产研究所 | 基于图像分割的海洋锋面提取方法 |
| CN108428220A (zh) * | 2018-03-05 | 2018-08-21 | 武汉大学 | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 |
| CN112633045A (zh) * | 2019-10-09 | 2021-04-09 | 华为技术有限公司 | 一种障碍物检测方法、装置、设备及介质 |
| CN112070008A (zh) * | 2020-09-09 | 2020-12-11 | 武汉轻工大学 | 高光谱图像特征识别方法、装置、设备及存储介质 |
| CN112183426A (zh) * | 2020-10-10 | 2021-01-05 | 中国科学院空天信息创新研究院 | 高光谱图像中目标区域的确定方法及相关装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113160183A (zh) | 2021-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113160183B (zh) | 一种高光谱数据处理方法、设备及介质 | |
| US11391569B2 (en) | Method and device for monitoring water volume change, computer device and storage medium | |
| US9230168B2 (en) | Automatic generation of built-up layers from high resolution satellite image data | |
| CN111738165B (zh) | 一种从高分辨率无人机可见光遥感影像中提取单株植物冠层的方法 | |
| CN112974303B (zh) | 一种基于高光谱的果品品质检测方法、设备及介质 | |
| CN115424142A (zh) | 基于遥感影像的海岸线类型判别方法、装置、介质和设备 | |
| CN107316296B (zh) | 一种基于对数变换的遥感图像变化检测方法及装置 | |
| CN110852149B (zh) | 基于分类和回归树算法的植被指数预测方法、***及设备 | |
| CN116051822A (zh) | 凹障碍的识别方法和装置、处理器及电子设备 | |
| CN116071720A (zh) | 一种基于激光雷达的车道线及车辆检测方法、设备及介质 | |
| CN117392564B (zh) | 一种基于深度学习的河流水质反演方法、电子设备及存储介质 | |
| Mourato et al. | Automatic sunspot detection through semantic and instance segmentation approaches | |
| Agmalaro et al. | Sentinel 1 classification for garlic land identification using support vector machine | |
| CN117075138A (zh) | 一种区域30米森林冠层高度遥感测算方法、***及介质 | |
| CN116912582A (zh) | 一种基于表征模型的强鲁棒性高光谱目标检测方法 | |
| Mahdavi Saeidi et al. | Detecting the development stages of natural forests in northern Iran with different algorithms and high-resolution data from GeoEye-1 | |
| CN115953371A (zh) | 一种绝缘子缺陷检测方法、装置、设备和存储介质 | |
| CN115719453A (zh) | 一种基于深度学习的水稻种植结构遥感提取方法 | |
| CN113096048B (zh) | 一种广义云驱动与几何协同遥感影像辐射校正方法及*** | |
| CN114220017A (zh) | 遥感数据尺度自适应调整方法、装置、存储介质及设备 | |
| CN117726915B (zh) | 遥感数据空谱融合方法及装置、存储介质与终端 | |
| LU500823B1 (en) | Fast forest change recognition method based on SG filter | |
| CN117218552B (zh) | 一种基于像元变化检测的估测算法优化方法及装置 | |
| Rodrigues et al. | A Framework to Automatic Detect Center Pivots Using Land Use and Land Cover Data | |
| Aldakheel et al. | Detection of targeted region using deep learning-based multiscale AlexNet CNN scheme for hyperspectral satellite image |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Hyperspectral Data Processing Method, Equipment, and Medium Effective date of registration: 20230519 Granted publication date: 20220617 Pledgee: Bank of Beijing Co.,Ltd. Jinan Branch Pledgor: Shandong Shenlan Zhipu Digital Technology Co.,Ltd. Registration number: Y2023980041054 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Granted publication date: 20220617 Pledgee: Bank of Beijing Co.,Ltd. Jinan Branch Pledgor: Shandong Shenlan Zhipu Digital Technology Co.,Ltd. Registration number: Y2023980041054 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A hyperspectral data processing method, equipment, and medium Granted publication date: 20220617 Pledgee: Huaxia Bank Co.,Ltd. Jinan Branch Pledgor: Shandong Shenlan Zhipu Digital Technology Co.,Ltd. Registration number: Y2024980008356 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |