CN115147296A - 高光谱图像矫正方法、装置、计算机设备和存储介质 - Google Patents
高光谱图像矫正方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115147296A CN115147296A CN202210632407.0A CN202210632407A CN115147296A CN 115147296 A CN115147296 A CN 115147296A CN 202210632407 A CN202210632407 A CN 202210632407A CN 115147296 A CN115147296 A CN 115147296A
- Authority
- CN
- China
- Prior art keywords
- hyperspectral image
- distortion
- pixel
- spectral feature
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003702 image correction Methods 0.000 title claims abstract description 14
- 230000003595 spectral effect Effects 0.000 claims abstract description 116
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 59
- 238000000605 extraction Methods 0.000 claims abstract description 48
- 238000012937 correction Methods 0.000 claims abstract description 17
- 238000004590 computer program Methods 0.000 claims description 23
- 238000012216 screening Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000000701 chemical imaging Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种高光谱图像矫正方法、装置、计算机设备和存储介质。所述方法包括:获取高光谱图像;所述高光谱图像包含多个像元;通过特征提取网络,提取所述高光谱图像的各横向光谱特征;根据各所述横向光谱特征、以及图像畸变算法,确定各所述横向光谱特征的畸变信息;并根据各所述畸变信息、以及畸变分布算法,确定所述高光谱图像的畸变分布情况;根据所述畸变分布情况、以及所述高光谱图像,确定所述高光谱图像中各所述像元的位置偏差值,并通过各所述像元的位置偏差值,对所述高光谱图像中的各所述像元进行调整,得到已矫正的高光谱图像。采用本方法提升高光谱图像的矫正效果。
Description
技术领域
本申请涉及高光谱图像技术领域,特别是涉及一种高光谱图像矫正方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着高光谱图像技术的发展,由于高光谱成像过程中所产生的图像像元的几何位置相对于参照***发生的挤压、伸展、偏移和扭曲等变形,使图像的几何位置、尺寸、形状、方位等发生改变,导致高光谱图像产生畸变。其中,高光谱图像成像所产生的图像像元包含了该像元对应的像素的位置信息,和该像素的像素强度,参照***是为检测高光谱图像成像得到的高光谱图像的成像效果,而作为参照标准的图像***。
传统的图像矫正方法只能针对普通图像进行矫正,而将该方法直接应用到高光谱图像的矫正时,矫正效果并不明显,从而导致高光谱图像的矫正效果较差。
发明内容
基于此,有必要针对上述技术问题,提供一种高光谱图像矫正方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种高光谱图像矫正方法。所述方法包括:
获取高光谱图像;所述高光谱图像包含多个像元;
通过特征提取网络,提取所述高光谱图像的各横向光谱特征;
根据各所述横向光谱特征、以及图像畸变算法,确定各所述横向光谱特征的畸变信息;并根据各所述畸变信息、以及畸变分布算法,确定所述高光谱图像的畸变分布情况;
根据所述畸变分布情况、以及所述高光谱图像,确定所述高光谱图像中各所述像元的位置偏差值,并通过各所述像元的位置偏差值,对所述高光谱图像中的各所述像元进行调整,得到已矫正的高光谱图像。
可选的,所述获取高光谱图像之后,还包括:
通过滤波网络,将所述高光谱图像进行滤波除噪处理,得到无噪声的高光谱图像。
可选的,所述特征提取网络包括提取层和筛选层,所述通过特征提取网络,提取所述高光谱图像的各横向光谱特征,包括:
通过所述提取层,对所述高光谱图像进行特征提取,得到所述高光谱图像的各初始横向光谱特征;
通过所述筛选层,在各所述初始横向光谱特征中,筛选不包含干扰信息的初始横向光谱特征,并将各所述不包含干扰信息的初始横向光谱特征,作为所述高光谱图像的各横向光谱特征。
可选的,所述畸变分布算法包括分布算法和拟合算法,所述根据各所述畸变信息、以及畸变分布算法,确定所述高光谱图像的畸变分布情况,包括:
根据各所述畸变信息、以及所述分布算法,确定各所述横向光谱特征的畸变分布情况;
通过所述拟合算法,对各所述横向光谱特征的畸变分布情况进行拟合处理,得到所述高光谱图像的畸变分布情况。
可选的,所述根据所述畸变分布情况、以及所述高光谱图像,确定所述高光谱图像中各所述像元的位置偏差值,包括:
针对所述高光谱图像的每个像元,在所述畸变分布情况中,确定所述像元的畸变程度;
对所述像元的畸变程度进行位置偏差计算,得到所述像元的位置偏差值。
可选的,所述得到已校正的高光谱图像之后,还包括:
判断所述已矫正的高光谱图像是否达到预设标准条件;
在所述已矫正的高光谱图像未达到预设标准条件的情况下,将所述已矫正的高光谱图像作为重新获取的高光谱图像,并返回执行通过所述特征提取网络,提取所述高光谱图像的各横向光谱特征步骤。
第二方面,本申请还提供了一种高光谱图像矫正装置。所述装置包括:
获取模块,用于获取高光谱图像;所述高光谱图像包含多个像元;
提取模块,用于通过特征提取网络,提取所述高光谱图像的各横向光谱特征;
确定模块,用于根据各所述横向光谱特征、以及图像畸变算法,确定各所述横向光谱特征的畸变信息;并根据各所述畸变信息、以及畸变分布算法,确定所述高光谱图像的畸变分布情况;
矫正模块,用于根据所述畸变分布情况、以及所述高光谱图像,确定所述高光谱图像中各所述像元的位置偏差值,并通过各所述像元的位置偏差值,对所述高光谱图像中的各所述像元进行调整,得到已矫正的高光谱图像。
可选的,所述装置还包括:
滤波模块,用于通过滤波网络,将所述高光谱图像进行滤波除噪处理,得到无噪声的高光谱图像。
可选的,所述特征提取网络包括提取层和筛选层,所述提取模块,具体用于:
通过所述提取层,对所述高光谱图像进行特征提取,得到所述高光谱图像的各初始横向光谱特征;
通过所述筛选层,在各所述初始横向光谱特征中,筛选不包含干扰信息的初始横向光谱特征,并将各所述不包含干扰信息的初始横向光谱特征,作为所述高光谱图像的各横向光谱特征。
可选的,所述畸变分布算法包括分布算法和拟合算法,所述确定模块,具体用于:
根据各所述畸变信息、以及所述分布算法,确定各所述横向光谱特征的畸变分布情况;
通过所述拟合算法,对各所述横向光谱特征的畸变分布情况进行拟合处理,得到所述高光谱图像的畸变分布情况。
可选的,所述矫正模块,具体用于:
针对所述高光谱图像的每个像元,在所述畸变分布情况中,确定所述像元的畸变程度;
对所述像元的畸变程度进行位置偏差计算,得到所述像元的位置偏差值。
可选的,所述装置还包括:
判断模块,用于判断所述已矫正的高光谱图像是否达到预设标准条件;
迭代模块,用于在所述已矫正的高光谱图像未达到预设标准条件的情况下,将所述已矫正的高光谱图像作为重新获取的高光谱图像,并返回执行通过所述特征提取网络,提取所述高光谱图像的各横向光谱特征步骤。
第三方面,本申请提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面中任一项所述的方法的步骤。
第四方面,本申请提供了一种计算机可读存储介质。其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面中任一项所述的方法的步骤。
第五方面,本申请提供了一种计算机程序产品。所述计算机程序产品包括计算机程序,该计算机程序被处理器执行时实现第一方面中任一项所述的方法的步骤。
上述高光谱图像矫正方法、装置、计算机设备和存储介质,通过获取高光谱图像;所述高光谱图像包含多个像元;通过特征提取网络,提取所述高光谱图像的各横向光谱特征;根据各所述横向光谱特征、以及图像畸变算法,确定各所述横向光谱特征的畸变信息;并根据各所述畸变信息、以及畸变分布算法,确定所述高光谱图像的畸变分布情况;根据所述畸变分布情况、以及所述高光谱图像,确定所述高光谱图像中各所述像元的位置偏差值,并通过各所述像元的位置偏差值,对所述高光谱图像中的各所述像元进行调整,得到已矫正的高光谱图像。通过提取高光谱图像的各横向光谱特征,并确定各横向光谱特征的畸变信息,得到高光谱图像的畸变分布情况。然后,通过高光谱图像的畸变分布情况,得到高光谱图像中各像元的位置偏差值。最后,通过高光谱图像中各像元的位置偏差值对高光谱图像中的各像元进行调整,从而提升了高光谱图像的矫正效果。
附图说明
图1为一个实施例中高光谱图像矫正方法的流程示意图;
图2为一个实施例中高光谱图像矫正示例的流程示意图;
图3为一个实施例中高光谱图像矫正装置的结构框图;
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的高光谱图像矫正方法,可以应用于终端中,也可以应用于服务器,还可以应用于包括终端和服务器的***,并通过终端和服务器的交互实现。其中,终端可以包括但不限于是各种个人计算机、笔记本电脑、平板电脑等。该终端通过提取高光谱图像的各横向光谱特征,并确定各横向光谱特征的畸变信息,得到高光谱图像的畸变分布情况。然后,通过高光谱图像的畸变分布情况,得到高光谱图像中各像元的位置偏差值。最后,通过高光谱图像中各像元的位置偏差值对高光谱图像中的各像元进行调整,从而提升了高光谱图像的矫正效果。
在一个实施例中,如图1所示,提供了一种高光谱图像矫正方法,以该方法应用于终端为例进行说明,包括以下步骤:
步骤S101,获取高光谱图像。
其中,高光谱图像包含多个像元。
本实施例中,终端获取高光谱图像,其中,高光谱图像由多个像元组成,每个像元代表一个像素的位置信息和该像素的像素强度。高光谱图像中的每个像元都是一条连续的光谱曲线。高光谱图像的每个像素的位置信息,都通过高光谱坐标系进行表示。
高光谱图像为光谱分辨率在10-2λ数量级范围内的光谱图像,高分辨率的光谱通过光谱成像技术可以得到高光谱图像。
步骤S102,通过特征提取网络,提取高光谱图像的各横向光谱特征。
本实施例中,终端先将高光谱图像水平方向的向量元素标记为该高光谱图像的特征数据,并将高光谱图像的特征数据,按照特征数据的特性进行划分,得到高光谱图像的多个特征分区。终端通过特征提取网络,对每个特征分区的横向特征进行采样提取,得到高光谱图像的各横向光谱特征。
步骤S103,根据各横向光谱特征、以及图像畸变算法,确定各横向光谱特征的畸变信息;并根据各畸变信息、以及畸变分布算法,确定高光谱图像的畸变分布情况。
本实施例中,终端将各横向光谱特征带入图像畸变算法,得到每个横向光谱特征的畸变信息。终端将各横向光谱特征的畸变信息带入畸变分布算法,进行拟合计算,得到高光谱图像的畸变分布情况。高光谱图像的畸变分布情况为高光谱图像的所有像元的畸变程度的集合,且该畸变分布情况包括高光谱图像的畸变分布关系式,通过像元的当前位置、以及该畸变分布关系式可以得到该像元的位置偏差情况。
图像畸变算法的具体公式如下:
通过上述畸变算法公示,可以得到高光谱图像的畸变分布关系式如下:
上式中,xi(i=0,1,2...m),yi(i=0,1,2...m),yi=f(xi),xi,yi为单个横向光谱特征的畸变信息的位置信息,i为横向光谱特征的数目,a0、a1、a2、a3、a4为f(x)的加权权值,k0、k1、k2、k3、k4、k5为该f(x)的常数参数,n为高光谱图像所包含的光谱图像的层数。
畸变分布算法可以但不限于是拉格朗日差值法和牛顿迭代法。
步骤S104,根据畸变分布情况、以及高光谱图像,确定高光谱图像中各像元的位置偏差值,并通过各像元的位置偏差值,对高光谱图像中的各像元进行调整,得到已矫正的高光谱图像。
本实施例中,终端针对高光谱图像的每个像元,通过高光谱图像的畸变分布情况,确定高光谱图像中每个像元的位置偏差值。终端针对每个像元,将该像元的当前位置信息,按照该像元的位置偏差值进行调整,得到调整后像元,同样的,通过上述步骤,得到已调整的高光谱图像的每个像元,终端将已调整的高光谱图像,作为以矫正的高光谱图像。
基于上述方案,通过提取高光谱图像的各横向光谱特征,并确定各横向光谱特征的畸变信息,得到高光谱图像的畸变分布情况。然后,通过高光谱图像的畸变分布情况,得到高光谱图像中各像元的位置偏差值。最后,通过高光谱图像中各像元的位置偏差值对高光谱图像中的各像元进行调整,从而提升了高光谱图像的矫正效果。
可选的,获取高光谱图像之后,还包括:
通过滤波网络,将高光谱图像进行滤波除噪处理,得到无噪声的高光谱图像。
本实施例中,终端在得到高光谱图像之后,通过滤波网络,除去该高光谱图像的白噪声,从而得到无噪声的高光谱图像。
具体的,终端通过高斯模板,对该高光谱图像进行卷积运算,得到去除白噪声的高光谱图像。滤波网络的具体公式如下:
基于上述方案,通过对高光谱图像进行滤波处理,得到无噪声的高光谱图像,避免了因为噪声影响后续矫正高光谱图像的矫正过程,从而提升高光谱图像的矫正效果。
可选的,特征提取网络包括提取层和筛选层通过特征提取网络,提取高光谱图像的各横向光谱特征,包括:通过提取层,对高光谱图像进行特征提取操作,得到高光谱图像的各初始横向光谱特征;通过筛选层,在各初始横向光谱特征中,筛选不包含干扰信息的初始横向光谱特征,并将各不包含干扰信息的初始横向光谱特征,作为高光谱图像的各横向光谱特征。
本实施例中,终端通过特征提取网络的提取层,对高光谱图像进行特征提取,得到高光谱图像的各初始横向光谱特征。然后,终端通过特征网络的筛选层,针对每个初始横向光谱特征,判断该初始横向光谱特征是否包含干扰信息。在该初始横向光谱特征包含干扰信息的情况下,终端将该初始横向光谱特征,标记为干扰特征;在该初始横向光谱特征不包含干扰信息的情况下,终端将该初始横向光谱特征作为横向光谱特征,同样的,通过上述步骤,终端从各初始横向光谱特征中筛选出各横向光谱特征。
干扰信息为光学干扰而产生的信息,光学干扰包括谱线抑制和背景干扰两种,而光学干扰产生的信息是在光谱发射和吸收过程中产生的不属于原光谱的信息,该干扰信息的表征形式与原光谱的信息的表征形式相同。
基于上述方案,通过对提取的各初始横向光谱特征进行筛选,排除个横向光谱特征中包含干扰信息的横向光谱特征,从而提高了后续计算高光谱图像畸变分布情况的精确度。
可选的,畸变分布算法包括分布算法和拟合算法,根据各畸变信息、以及畸变分布算法,确定高光谱图像的畸变分布情况,包括:根据各畸变信息、以及分布算法,确定各横向光谱特征的畸变分布情况;通过拟合算法,对各横向光谱特征的畸变分布情况进行拟合处理,得到高光谱图像的畸变分布情况。
本实施例中,终端通过分布算法,针对每个畸变信息,计算该畸变信息的分布情况,得到该横向光谱特征的畸变分布情况。同样的,通过上述步骤,得到各横向光谱特征的畸变分布情况。分布算法可以但不限于是拉格朗日差值算法。
终端在各横向光谱特征的畸变分布情况中,随机选择两个目标横向光谱特征的畸变分布情况,并通过拟合算法,进行拟合处理,得到第一畸变分布情况。然后,在除已选择的横向光谱特征的畸变分布情况之外的各横向光谱特征的畸变分布情况中,再次随机选择一个目标横向光谱特征的畸变分布情况,并通过拟合算法,将该目标横向光谱特征的畸变分布情况与上述第一畸变分布情况进行拟合处理,得到第二畸变分布情况,同样的,迭代上述步骤,直到所有横向光谱特征的畸变分布情况均参与拟合处理过程。终端将最后一次拟合处理得到的畸变分布情况,作为高光谱图像的畸变分布情况。拟合算法可以但不限于牛顿迭代算法。
基于上述方案,通过各横向光谱特征的畸变分布情况,拟合得到高光谱图像的畸变分布情况,从而为后续根据高光谱图像的畸变分布情况,对高光谱图像中的各像元进行矫正提供了基础。
可选的,根据畸变分布情况、以及高光谱图像,确定高光谱图像中各像元的位置偏差值,包括:终端针对高光谱图像的每个像元,在畸变分布情况中,确定像元的畸变程度。终端对像元的畸变程度进行位置偏差计算,得到像元的位置偏差值。
本实施例中,终端针对高光谱图像的每个像元,在高光谱图像的畸变分布情况中,确定该像元的畸变程度,并对该像元的畸变程度进行位置偏差计算,得到该像元的位置偏差值。同样的,通过上述步骤,终端得到各像元的位置偏差值。
具体的,终端通过高光谱图像的畸变分布情况中的畸变分布关系式,确定该像元在当前位置信息的畸变程度。终端根据该像元的畸变程度,计算该像元的当前位置信息的偏差值,得到该像元的位置偏差值。像元的畸变程度为像元在成像过程中实际位置与目标位置的偏差程度,该偏差程度包含百分比数值和偏差数值,该百分比数值为像元在高光谱图像的畸变分布情况中的位置偏差程度。
基于上述方案,通过高光谱图像的畸变分布情况,从而对高光谱图像中的各像元进行矫正处理,得到已校正的高光谱图像,提升了高光谱图像的矫正效果。
可选的,得到已校正的高光谱图像之后,还包括:判断已矫正的高光谱图像是否达到预设标准条件;在已矫正的高光谱图像未达到预设标准条件的情况下,将已矫正的高光谱图像作为重新获取的高光谱图像,并返回执行通过特征提取网络,提取高光谱图像的各横向光谱特征步骤。
本实施例中,终端预设高光谱图像的矫正标准条件(即预设标准条件),并判断已矫正的高光谱图像是否达到预设标准条件,在已矫正的高光谱图像达到预设标准条件的情况下,终端直接输出该以矫正的高光谱图像。在已矫正的高光谱图像为达到预设标准条件的情况下,终端返回执行步骤S102,重新对该已矫正的高光谱图像再次进行矫正处理,直到得到的已矫正的高光谱图像达到预设标准条件时,终端输出最后一次矫正处理得到的已校正的高光谱图像。矫正标准值为用户自定义的高光谱图像的标准信息,该标准值可以通过用户设定,并且可以根据用户的需要而自定义修改。
具体的,通过在高光谱图像中随机抽取部分像元,在这些像元与参照***的图像对应的各像元的位置差值的平均位置差值大于这些像元与参照***的图像对应的各像元的位置差值的平均值阈值时,终端确定已矫正的高光谱图像未达到预设标准条件,在这些像元与参照***的图像对应的各像元的位置差值的平均位置差值小于这些像元与参照***的图像对应的各像元的位置差值的平均值阈值时,终端确定已校正的高光谱图像达到预设标准条件。
基于上述方案,通过判断已矫正的高光谱图像是否达到预设标准条件,并进一步对已矫正的高光谱图像进一步矫正,从而提升了矫正后的高光谱图像的精准度。
本申请还提供了一种高光谱图像矫正示例,如图2所示,具体处理过程包括以下步骤:
步骤S201,获取高光谱图像。
步骤S202,通过滤波网络,将高光谱图像进行滤波除噪处理,得到无噪声的高光谱图像。
步骤S203,通过提取层,对高光谱图像进行特征提取,得到高光谱图像的各初始横向光谱特征。
步骤S204,通过筛选层,在各初始横向光谱特征中,筛选不包含干扰信息的初始横向光谱特征,并将各不包含干扰信息的初始横向光谱特征,作为高光谱图像的各横向光谱特征。
步骤S205,根据各横向光谱特征、以及图像畸变算法,确定各横向光谱特征的畸变信息。
步骤S206,根据各畸变信息、以及分布算法,确定各横向光谱特征的畸变分布情况。
步骤S207,通过拟合算法,对各横向光谱特征的畸变分布情况进行拟合处理,得到高光谱图像的畸变分布情况。
步骤S208,针对高光谱图像的每个像元,在畸变分布情况中,确定像元的畸变程度。
步骤S209,对像元的畸变程度进行位置偏差计算,得到像元的位置偏差值。
步骤S210,根据畸变分布情况、以及高光谱图像,确定高光谱图像中各像元的位置偏差值,并通过各像元的位置偏差值,对高光谱图像中的各像元进行调整,得到已矫正的高光谱图像。
步骤S211判断已矫正的高光谱图像是否达到预设标准条件。
如果是,执行步骤S212;如果否,则将已矫正的高光谱图像作为重新获取的高光谱图像,并返回执行步骤S202。
步骤S212,输出已校正的高光谱图像。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的高光谱图像矫正方法的高光谱图像矫正装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个高光谱图像矫正装置实施例中的具体限定可以参见上文中对于高光谱图像矫正方法的限定,在此不再赘述。
在一个实施例中,如图3所示,提供了一种高光谱图像矫正装置,包括:获取模块310、提取模块320、确定模块330和矫正模块340,其中:
获取模块310,用于获取高光谱图像;高光谱图像包含多个像元;
提取模块320,用于通过特征提取网络,提取高光谱图像的各横向光谱特征;
确定模块330,用于根据各横向光谱特征、以及图像畸变算法,确定各横向光谱特征的畸变信息;并根据各畸变信息、以及畸变分布算法,确定高光谱图像的畸变分布情况;
矫正模块340,用于根据畸变分布情况、以及高光谱图像,确定高光谱图像中各像元的位置偏差值,并通过各像元的位置偏差值,对高光谱图像中的各像元进行调整,得到已矫正的高光谱图像。
可选的,该装置还包括:
滤波模块,用于通过滤波网络,将高光谱图像进行滤波除噪处理,得到无噪声的高光谱图像。
可选的,特征提取网络包括提取层和筛选层,提取模块320,具体用于:
通过提取层,对高光谱图像进行特征提取,得到高光谱图像的各初始横向光谱特征;
通过筛选层,在各初始横向光谱特征中,筛选不包含干扰信息的初始横向光谱特征,并将各不包含干扰信息的初始横向光谱特征,作为高光谱图像的各横向光谱特征。
可选的,畸变分布算法包括分布算法和拟合算法,确定模块330,具体用于:
根据各畸变信息、以及分布算法,确定各横向光谱特征的畸变分布情况;
通过拟合算法,对各横向光谱特征的畸变分布情况进行拟合处理,得到高光谱图像的畸变分布情况。
可选的,矫正模块340,具体用于:
针对高光谱图像的每个像元,在畸变分布情况中,确定像元的畸变程度;
对像元的畸变程度进行位置偏差计算,得到像元的位置偏差值。
可选的,该装置还包括:
判断模块,用于判断已矫正的高光谱图像是否达到预设标准条件;
迭代模块,用于在已矫正的高光谱图像未达到预设标准条件的情况下,将已矫正的高光谱图像作为重新获取的高光谱图像,并返回执行通过特征提取网络,提取高光谱图像的各横向光谱特征步骤。
上述高光谱图像矫正装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图4所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种高光谱图像矫正方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种高光谱图像矫正方法,其特征在于,所述方法包括:
获取高光谱图像;所述高光谱图像包含多个像元;
通过特征提取网络,提取所述高光谱图像的各横向光谱特征;
根据各所述横向光谱特征、以及图像畸变算法,确定各所述横向光谱特征的畸变信息;并根据各所述畸变信息、以及畸变分布算法,确定所述高光谱图像的畸变分布情况;
根据所述畸变分布情况、以及所述高光谱图像,确定所述高光谱图像中各所述像元的位置偏差值,并通过各所述像元的位置偏差值,对所述高光谱图像中的各所述像元进行调整,得到已矫正的高光谱图像。
2.根据权利要求1所述的方法,其特征在于,所述获取高光谱图像之后,还包括:
通过滤波网络,将所述高光谱图像进行滤波除噪处理,得到无噪声的高光谱图像。
3.根据权利要求1所述的方法,其特征在于,所述特征提取网络包括提取层和筛选层,所述通过特征提取网络,提取所述高光谱图像的各横向光谱特征,包括:
通过所述提取层,对所述高光谱图像进行特征提取,得到所述高光谱图像的各初始横向光谱特征;
通过所述筛选层,在各所述初始横向光谱特征中,筛选不包含干扰信息的初始横向光谱特征,并将各所述不包含干扰信息的初始横向光谱特征,作为所述高光谱图像的各横向光谱特征。
4.根据权利要求1所述的方法,其特征在于,所述畸变分布算法包括分布算法和拟合算法,所述根据各所述畸变信息、以及畸变分布算法,确定所述高光谱图像的畸变分布情况,包括:
根据各所述畸变信息、以及所述分布算法,确定各所述横向光谱特征的畸变分布情况;
通过所述拟合算法,对各所述横向光谱特征的畸变分布情况进行拟合处理,得到所述高光谱图像的畸变分布情况。
5.根据权利要求1所述的方法,其特征在于,所述根据所述畸变分布情况、以及所述高光谱图像,确定所述高光谱图像中各所述像元的位置偏差值,包括:
针对所述高光谱图像的每个像元,在所述畸变分布情况中,确定所述像元的畸变程度;
对所述像元的畸变程度进行位置偏差计算,得到所述像元的位置偏差值。
6.根据权利要求1所述的方法,其特征在于,所述得到已校正的高光谱图像之后,还包括:
判断所述已矫正的高光谱图像是否达到预设标准条件;
在所述已矫正的高光谱图像未达到预设标准条件的情况下,将所述已矫正的高光谱图像作为重新获取的高光谱图像,并返回执行通过所述特征提取网络,提取所述高光谱图像的各横向光谱特征步骤。
7.一种高光谱图像矫正装置,其特征在于,所述装置包括:
获取模块,用于获取高光谱图像;所述高光谱图像包含多个像元;
提取模块,用于通过特征提取网络,提取所述高光谱图像的各横向光谱特征;
确定模块,用于根据各所述横向光谱特征、以及图像畸变算法,确定各所述横向光谱特征的畸变信息;并根据各所述畸变信息、以及畸变分布算法,确定所述高光谱图像的畸变分布情况;
矫正模块,用于根据所述畸变分布情况、以及所述高光谱图像,确定所述高光谱图像中各所述像元的位置偏差值,并通过各所述像元的位置偏差值,对所述高光谱图像中的各所述像元进行调整,得到已矫正的高光谱图像。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210632407.0A CN115147296A (zh) | 2022-06-07 | 2022-06-07 | 高光谱图像矫正方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210632407.0A CN115147296A (zh) | 2022-06-07 | 2022-06-07 | 高光谱图像矫正方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115147296A true CN115147296A (zh) | 2022-10-04 |
Family
ID=83406445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210632407.0A Pending CN115147296A (zh) | 2022-06-07 | 2022-06-07 | 高光谱图像矫正方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115147296A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455914A (zh) * | 2023-12-25 | 2024-01-26 | 青岛海天成光伏新能源有限公司 | 一种光伏接线盒的生产线智能控制方法及*** |
-
2022
- 2022-06-07 CN CN202210632407.0A patent/CN115147296A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455914A (zh) * | 2023-12-25 | 2024-01-26 | 青岛海天成光伏新能源有限公司 | 一种光伏接线盒的生产线智能控制方法及*** |
CN117455914B (zh) * | 2023-12-25 | 2024-03-15 | 青岛海天成光伏新能源有限公司 | 一种光伏接线盒的生产线智能控制方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107886082B (zh) | 图像中数学公式检测方法、装置、计算机设备及存储介质 | |
CN112116610A (zh) | 一种遥感影像分割方法、***、终端以及存储介质 | |
CN111274999B (zh) | 数据处理、图像处理方法、装置及电子设备 | |
CN113781406B (zh) | 电子元器件的划痕检测方法、装置及计算机设备 | |
CN110598717A (zh) | 图像特征的提取方法、装置及电子设备 | |
CN113065593A (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
CN115147296A (zh) | 高光谱图像矫正方法、装置、计算机设备和存储介质 | |
CN115690672A (zh) | 异常图像识别方法、装置、计算机设备和存储介质 | |
CN113963072A (zh) | 双目摄像头标定方法、装置、计算机设备和存储介质 | |
CN115861044B (zh) | 基于生成对抗网络的复杂云层背景仿真方法、装置和设备 | |
CN111192302A (zh) | 一种基于运动平滑性和ransac算法的特征匹配方法 | |
CN117037244A (zh) | 人脸安全检测方法、装置、计算机设备和存储介质 | |
CN115272428A (zh) | 图像对齐方法、装置、计算机设备和存储介质 | |
CN112509052B (zh) | 黄斑中心凹的检测方法、装置、计算机设备和存储介质 | |
CN115689849A (zh) | 图像处理方法、装置、计算机设备和计算机可读存储介质 | |
CN115063473A (zh) | 物体高度的检测方法、装置、计算机设备、存储介质 | |
CN109583512B (zh) | 图像处理方法、装置及*** | |
CN115797643A (zh) | 一种图像去噪方法、装置、***、边缘设备及存储介质 | |
CN117036490B (zh) | 摄像机预置位偏移检测方法、装置、计算机设备与介质 | |
CN115580721B (zh) | 变电站设备监控视频的质量检测方法、装置、设备和介质 | |
CN112884681B (zh) | 图像阴影处理方法、装置、计算机设备和存储介质 | |
CN115861520B (zh) | 高光检测方法、装置、计算机设备和存储介质 | |
CN115880249B (zh) | 基于图像的对象分割方法、装置、设备和介质 | |
CN118015102A (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
CN116935400A (zh) | 文本识别方法、装置、设备、存储介质和程序产品 |
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 |