CN116704064B - 基于高光谱的污水成像方法、系统、电子设备及存储介质 - Google Patents
基于高光谱的污水成像方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116704064B CN116704064B CN202310682480.3A CN202310682480A CN116704064B CN 116704064 B CN116704064 B CN 116704064B CN 202310682480 A CN202310682480 A CN 202310682480A CN 116704064 B CN116704064 B CN 116704064B
- Authority
- CN
- China
- Prior art keywords
- data
- sewage
- curve
- initial
- image
- 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
- 239000010865 sewage Substances 0.000 title claims abstract description 266
- 238000003384 imaging method Methods 0.000 title claims abstract description 37
- 238000011084 recovery Methods 0.000 claims abstract description 64
- 238000001228 spectrum Methods 0.000 claims abstract description 62
- 238000002310 reflectometry Methods 0.000 claims abstract description 39
- 230000006835 compression Effects 0.000 claims abstract description 37
- 238000007906 compression Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 55
- 238000006243 chemical reaction Methods 0.000 claims description 51
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 31
- 238000005070 sampling Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000003595 spectral effect Effects 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 9
- 239000002351 wastewater Substances 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 238000000701 chemical imaging Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010521 absorption reaction Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及高光谱成像技术，揭露了一种基于高光谱的污水成像方法、系统、电子设备及存储介质，其中，所述方法包括：获取污水数据，对污水数据进行压缩感知处理，得到污水压缩数据；对污水压缩数据进行细节补偿，得到污水标准数据，并根据污水标准数据生成光谱曲线；对光谱曲线进行光谱定标，得到恢复曲线，并获取反射能量，根据反射能量及恢复曲线确定反射率数值；利用预设的高光谱根据污水标准数据、恢复曲线及反射率数值生成初始污水图像；对初始污水图像进行直方图均衡化处理，得到污水均衡图像。本发明可以通过污水数据确定利用高光谱成像时的数据，从而提高生成污水图像的准确性。
Description
技术领域
本发明涉及高光谱成像技术领域，尤其涉及一种基于高光谱的污水成像方法、系统、电子设备及存储介质。
背景技术
水资源对于人们具有特别重要的意义，因此，水污染问题一直是人们十分关心的，希望能够找到可快速、准确地调查及监测水源污染状况的方法。然而，常规的污水监测主要是通过现场采样、室内分析化验等手段来进行，但由于水污染的复杂性，这些方法在处理污水的扩散规律、分布范围、水面污染界线和程度等问题时效果不佳；进一步地，可以采用高光谱成像的方式对污水的监测，并分析污水中所包含的杂质等，从而有效解决污水问题；其中，高光谱成像是一种摒弃常规品质检测手段，融合传统光谱信息与图像信息技术，达到对试验样品特征可视化分布的技术，并融合了传统的光谱信息与图像信息技术，能够同时得到样品照片上每个像素点的光谱要素，得到每个波段下的连续型图像，进而实现研究对象“图谱合一”的可视化手段，但是在高光谱生成图像时无法获取准确的细节数据，从而导致图像的准确性较低。综上所述，如何通过污水数据确定利用高光谱成像时的数据，从而提高生成污水图像的准确性成为一个亟待解决的问题。
发明内容
本发明提供一种基于高光谱的污水成像方法、系统、电子设备及存储介质，其主要目的在于解决如何通过污水数据确定利用高光谱成像时的数据，从而提高生成污水图像的准确性的问题。
为实现上述目的，本发明提供的一种基于高光谱的污水成像方法，包括：
获取污水数据，对所述污水数据进行压缩感知处理，得到污水压缩数据；
对所述污水压缩数据进行细节补偿，得到污水标准数据，并根据所述污水标准数据生成光谱曲线；
对所述光谱曲线进行光谱定标，得到恢复曲线，并获取反射能量，根据所述反射能量及所述恢复曲线确定反射率数值；
利用预设的高光谱根据所述污水标准数据、所述恢复曲线及所述反射率数值生成初始污水图像；
对所述初始污水图像进行直方图均衡化处理，得到污水均衡图像。
可选地，所述对所述污水数据进行压缩感知处理，得到污水压缩数据，包括：
对所述污水数据进行模数转换，得到转换数据，并设置所述转换数据的压缩率；
获取所述转换数据的数据字节，根据所述数据字节及所述压缩率计算更新数据字节；
利用下述公式计算更新数据字节：
A＝(1-a)B
其中，A表示所述更新数据字节，a表示所述压缩率，B表示所述数据字节；
利用预设的压缩算法根据所述更新数据字节对所述转换数据进行压缩处理，得到污水压缩数据。
可选地，所述对所述污水压缩数据进行细节补偿，得到污水标准数据，包括：
对所述污水压缩数据进行平滑处理，得到平滑数据；
对所述平滑数据进行矩阵转换，得到转换矩阵；
所述转换矩阵表示为：
其中，D表示所述转换矩阵，x11表示第1行第1列的平滑数据，x1n表示第1行第n列的平滑数据，xm1表示第m行第1列的平滑数据，xmn表示第m行第n列的平滑数据，m表示所述转换矩阵的矩阵大小的总行数，n表示所述转换矩阵的矩阵大小的总列数；
根据所述转换矩阵计算所述平滑数据的采样率，并根据所述采样率判断所述平滑数据是否缺失；
利用下述公式计算所述平滑数据的采样率：
其中，C表示所述平滑数据的采样率，k表示所述平滑数据的测量次数，m表示所述转换矩阵的矩阵大小的总行数，n表示所述转换矩阵的矩阵大小的总列数；
若所述平滑数据未缺失，则将所述平滑数据作为污水标准数据；
若所述平滑数据缺失，则对所述平滑数据进行数据恢复，得到恢复数据，将所述恢复数据作为污水标准数据。
可选地，所述根据所述污水标准数据生成光谱曲线，包括：
获取所述污水标准数据中的水波波速及水波变化频率，根据所述水波波速及所述水波变化频率计算水波波长；
利用下述公式计算水波波长：
其中，λ表示所述水波波长，E表示所述水波波速，F表示所述水波变化频率；
对所述水波波长进行划分，得到波段，并对所述污水标准数据进行特征提取，得到污水特征；
根据所述波段及所述污水特征生成光谱曲线。
可选地，所述对所述光谱曲线进行光谱定标，得到恢复曲线，包括：
对所述光谱曲线进行曲线拟合，得到拟合曲线；
根据所述拟合曲线确定极值位置，并利用所述极值位置对所述拟合曲线进行标定，得到恢复曲线。
可选地，所述对所述光谱曲线进行曲线拟合，得到拟合曲线，包括：
从所述光谱曲线中随机选取特征点，对所述特征点进行拟合，得到初始拟合曲线；
所述初始拟合曲线表示为：
其中，Ij表示第j个特征点对应的初始拟合曲线的曲线值，yj表示第j个特征点，J表示所述特征点的总数，b0表示预设的第一计算参数，b1表示预设的第二计算参数，b2表示预设的第三计算参数；
根据所述初始拟合曲线及预设的测量曲线进行计算，得到偏差平方和；
利用下述公式计算偏差平方和：
其中，s表示所述偏差平方和，Ij表示第j个特征点对应的初始拟合曲线的曲线值，I'j表示第j个特征点对应的测量曲线的测量曲线值，J表示所述特征点的总数；
根据所述偏差平方和确定拟合系数，基于所述拟合系数对所述初始拟合曲线进行更新，得到拟合曲线。
可选地，所述对所述初始污水图像进行直方图均衡化处理，得到污水均衡图像，包括：
对所述初始污水图像进行归一化处理，得到归一化图像；
对所述归一化图像进行均衡化处理，得到初始均衡图像；
对所述初始均衡图像进行去噪处理，得到污水均衡图像。
为了解决上述问题，本发明还提供一种基于高光谱的污水成像系统，所述系统包括：
污水数据处理模块，用于获取污水数据，对所述污水数据进行压缩感知处理，得到污水压缩数据；
光谱曲线生成模块，用于对所述污水压缩数据进行细节补偿，得到污水标准数据，并根据所述污水标准数据生成光谱曲线；
反射率数值确定模块，用于对所述光谱曲线进行光谱定标，得到恢复曲线，并获取反射能量，根据所述反射能量及所述恢复曲线确定反射率数值；
初始污水图像生成模块，用于利用预设的高光谱根据所述污水标准数据、所述恢复曲线及所述反射率数值生成初始污水图像；
图像均衡化处理模块，用于对所述初始污水图像进行直方图均衡化处理，得到污水均衡图像。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
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计算机程序，所述计算机程序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执行上述所述的基于高光谱的污水成像方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于高光谱的污水成像方法。
本发明实施例通过对污水数据进行压缩感知处理，能够准确得到污水压缩数据；通过对污水压缩数据进行细节补偿，使得到的污水标准数据更加精确；通过污水标准数据能够准确生成光谱曲线；通过对光谱曲线进行光谱定标，使得到的恢复曲线更加精确，从而保证生成污水图像时的准确性；通过反射能量及恢复曲线能够准确确定反射率数值；通过污水标准数据、恢复曲线及反射率数值能够准确生成初始污水图像；通过对初始污水图像进行直方图均衡化处理，能够提高污水均衡图像的准确性。因此本发明提出的基于高光谱的污水成像方法、系统、电子设备及存储介质，可以解决如何通过污水数据确定利用高光谱成像时的数据，从而提高生成污水图像的准确性的问题。
附图说明
图1为本发明一实施例提供的基于高光谱的污水成像方法的流程示意图；
图2为本发明一实施例提供的对光谱曲线进行曲线拟合，得到拟合曲线的流程示意图；
图3为本发明一实施例提供的对初始污水图像进行直方图均衡化处理，得到污水均衡图像的流程示意图；
图4为本发明一实施例提供的基于高光谱的污水成像系统的功能模块图；
图5为本发明一实施例提供的实现所述基于高光谱的污水成像方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于高光谱的污水成像方法。所述基于高光谱的污水成像方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于高光谱的污水成像方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于高光谱的污水成像方法的流程示意图。在本实施例中，所述基于高光谱的污水成像方法包括：
S1、获取污水数据，对所述污水数据进行压缩感知处理，得到污水压缩数据。
本发明实施例中，所述污水数据指的是对污水进行检测分析后得到的数据，包括温度值、PH值、氮含量、磷含量、水波波速、水波变化频率及溶解氧含量等数据。
本发明实施例中，所述对所述污水数据进行压缩感知处理，得到污水压缩数据，包括：
对所述污水数据进行模数转换，得到转换数据，并设置所述转换数据的压缩率；
获取所述转换数据的数据字节，根据所述数据字节及所述压缩率计算更新数据字节；
利用预设的压缩算法根据所述更新数据字节对所述转换数据进行压缩处理，得到污水压缩数据。
本发明实施例中，对所述污水数据进行模数转换指的是将连续时间对应的污水数据到离散时间对应的污水数据的转换过程，可以采用周期采样的方法通过对连续的污水数据在离散时间点等间隔取样本值，得到转换数据；统计所述转换数据中的冗余数据，根据所述冗余数据在所述转换数据中的占比设置所述转换数据的压缩率；所述数据字节指的是所述转换数据的数据大小。
本发明实施例中，利用下述公式计算更新数据字节：
A＝(1-a)B
其中，A表示所述更新数据字节，a表示所述压缩率，B表示所述数据字节。
本发明实施例中，所述压缩算法可以为RLE压缩算法，利用所述RLE压缩算法将所述转换数据的数据字节压缩至所述更新数据字节，使得到的污水压缩数据更加准确。
S2、对所述污水压缩数据进行细节补偿，得到污水标准数据，并根据所述污水标准数据生成光谱曲线。
本发明实施例中，所述对所述污水压缩数据进行细节补偿，得到污水标准数据，包括：
对所述污水压缩数据进行平滑处理，得到平滑数据；
对所述平滑数据进行矩阵转换，得到转换矩阵；
根据所述转换矩阵计算所述平滑数据的采样率，并根据所述采样率判断所述平滑数据是否缺失；
若所述平滑数据未缺失，则将所述平滑数据作为污水标准数据；
若所述平滑数据缺失，则对所述平滑数据进行数据恢复，得到恢复数据，将所述恢复数据作为污水标准数据。
本发明实施例中，可以采用中值滤波的方法对所述污水压缩数据进行平滑处理，得到平滑数据。
本发明实施例中，对所述污水压缩数据进行细节补偿能够提高所述污水压缩数据的准确性，使得到的污水标准数据更加准确，从而根据所述污水标准数据生成的光谱曲线更加精确。
本发明实施例中，所述转换矩阵表示为：
其中，D表示所述转换矩阵，x11表示第1行第1列的平滑数据，x1n表示第1行第n列的平滑数据，xm1表示第m行第1列的平滑数据，xmn表示第m行第n列的平滑数据，m表示所述转换矩阵的矩阵大小的总行数，n表示所述转换矩阵的矩阵大小的总列数。
本发明实施例中，获取所述平滑数据的采样次数(测量次数)，根据所述转换矩阵的总行数、所述转换矩阵的总列数及所述测量次数计算采样率，能够准确计算得到所述平滑数据的采样率。
本发明实施例中，利用下述公式计算所述平滑数据的采样率：
其中，C表示所述平滑数据的采样率，k表示所述平滑数据的测量次数，m表示所述转换矩阵的矩阵大小的总行数，n表示所述转换矩阵的矩阵大小的总列数。
本发明实施例中，由于所述平滑数据的采样率都是不小于1的，因此，当所述平滑数据的采样率不小于1时，表示所述平滑数据未缺失，因此将所述平滑数据作为污水标准数据；当所述平滑数据的采样率小于1时，表示所述平滑数据缺失，此时可以采用矩阵求逆的方式对所述平滑数据进行数据恢复，将恢复后的数据作为污水标准数据。
本发明实施例中，所述根据所述污水标准数据生成光谱曲线，包括：
获取所述污水标准数据中的水波波速及水波变化频率，根据所述水波波速及所述水波变化频率计算水波波长；
对所述水波波长进行划分，得到波段，并对所述污水标准数据进行特征提取，得到污水特征；
根据所述波段及所述污水特征生成光谱曲线。
本发明实施例中，所述水波波速指的是在所述污水中单位时间内通过一定振动状态所传播的距离；所述水波变化频率指的是单位时间内所述水波波速完成周期性变化的次数。
本发明实施例中，利用下述公式计算水波波长：
其中，λ表示所述水波波长，e表示所述水波波速，F表示所述水波变化频率。
本发明实施例中，对所述水波波长进行等份均匀划分，得到波段；可以采用预设的神经网络模型对所述污水标准数据进行卷积、最大池化、全连接等处理，得到污水特征，其中，所述污水特征包括温度值、PH值、氮含量、磷含量等；对所述污水特征进行编号，得到特征编号，利用预设的python方法根据所述特征编号将所述污水特征作为纵坐标并将所述波段作为横坐标绘制光谱曲线。
S3、对所述光谱曲线进行光谱定标，得到恢复曲线，并获取反射能量，根据所述反射能量及所述恢复曲线确定反射率数值。
本发明实施例中，所述对所述光谱曲线进行光谱定标，得到恢复曲线，包括：
对所述光谱曲线进行曲线拟合，得到拟合曲线；
根据所述拟合曲线确定极值位置，并利用所述极值位置对所述拟合曲线进行标定，得到恢复曲线。
请参阅图2所示，本发明实施例中，所述对所述光谱曲线进行曲线拟合，得到拟合曲线，包括：
S21、从所述光谱曲线中随机选取特征点，对所述特征点进行拟合，得到初始拟合曲线；
S22、根据所述初始拟合曲线及预设的测量曲线进行计算，得到偏差平方和；
S23、根据所述偏差平方和确定拟合系数，基于所述拟合系数对所述初始拟合曲线进行更新，得到拟合曲线。
本发明实施例中，由于所述光谱曲线对应的特征点强度分布介于矩形和高斯分布之间，因此可以采用抛物线函数的方式对所述特征点进行拟合。
本发明实施例中，所述初始拟合曲线表示为：
其中，Ij表示第j个特征点对应的初始拟合曲线的曲线值，yj表示第j个特征点，J表示所述特征点的总数，b0表示预设的第一计算参数，b1表示预设的第二计算参数，b2表示预设的第三计算参数。
本发明实施例中，利用下述公式计算偏差平方和：
其中，s表示所述偏差平方和，Ij表示第j个特征点对应的初始拟合曲线的曲线值，I'(j)表示第j个特征点对应的测量曲线的测量曲线值，J表示所述特征点的总数。
本发明实施例中，保证所述特征点对应的所述偏差平方和取极小值后，预先设定计算变量，将所述计算变量代入所述初始拟合曲线中确定所述第一计算参数、所述第二计算参数及所述第三计算参数，并将所述第一计算参数、所述第二计算参数及所述第三计算参数作为拟合系数，将所述拟合系数代入所述初始拟合曲线中，实现所述初始拟合曲线的更新，得到拟合曲线。
本发明实施例中，根据所述拟合曲线确定极值位置指的是根据所述拟合曲线确定所述特征点对应的污水标准数据的均值，将所述拟合曲线上的异常点进行重新标定，使得所述拟合曲线上的特征点在所述均值上下浮动，将标定后的所述拟合曲线作为恢复曲线。
本发明实施例中，对所述光谱曲线进行光谱定标，能够保证恢复曲线的精确性，从而使得反射率数值更加准确。
本发明实施例中，所述根据所述反射能量及所述恢复曲线确定反射率数值，包括：
从所述恢复曲线中随机选取两个波段的数据点，并获取所述数据点对应的反射能量；
根据所述反射能量确定所述数据点对应的折射率，根据所述折射率计算反射率数值。
本发明实施例中，利用下述公式计算反射率数值：
其中，G表示所述反射率数值，h1表示所述折射率中的第一折射率，h2表示所述折射率中的第二折射率。
本发明实施例中，所述两个波段包括红外波段及可见光波段；所述反射能量指的是所述污水反射的辐射能量；不同波段对应的反射能量不同，不同反射能量对应的折射率也不一样，根据所述反射能量获取所述数据点对应的多个数据折射率，计算所述数据折射率的均值，将所述均值作为折射率；根据所述红外波段及所述可见光波段计算得到第一折射率及第二折射率计算反射率数值。
S4、利用预设的高光谱根据所述污水标准数据、所述恢复曲线及所述反射率数值生成初始污水图像。
本发明实施例中，所述利用预设的高光谱根据所述污水标准数据、所述恢复曲线及所述反射率数值生成初始污水图像，包括：
对所述恢复曲线进行二值编码，得到光谱二值编码；
获取所述反射率数值中的第一反射率及第二反射率，根据所述第一反射率及所述第二反射率计算标准化指数；
提取所述恢复曲线中的吸收特征参数，利用所述高光谱根据所述光谱二值编码、所述标准化指数、所述污水标准数据及所述吸收特征参数生成初始污水图像。
本发明实施例中，对所述恢复曲线进行二值编码指的是预先设定所述恢复曲线中所述特征点的数值对应的阈值，将大于所述阈值的所述特征点编码为1，反之编码为0，从而得到光谱二值编码，通过二值编码的方式能够使得利用高光谱生成所述初始污水图像时准确对所述恢复曲线中对应特征点进行定位，保证所述初始污水图像的准确性。
本发明实施例中，所述第一反射率可以为红外波段对应的反射率；所述第二反射率可以为可见光波段对应的反射率。
本发明实施例中，利用下述公式计算标准化指数：
其中，V表示所述标准化指数，R1表示所述第一反射率，R2表示所述第二反射率。
本发明实施例中，所述吸收特征参数包括吸收峰位置、宽度、斜率、深度及面积等参数；所述高光谱技术指的是将成像技术与光谱技术相结合，探测目标的二维几何空间和光谱信息，获取高分辨率的连续、窄波段的图像数据；利用所述高光谱根据所述光谱二值编码及所述吸收特征参数确定所述初始污水图像中特征点位置，根据所述污水标准数据确定特征点大小，并根据所述标准化指数确定所述初始污水图像的灰度及像素，从而准确生成初始污水图像。
S5、对所述初始污水图像进行直方图均衡化处理，得到污水均衡图像。
请参阅图3所示，本发明实施例中，所述对所述初始污水图像进行直方图均衡化处理，得到污水均衡图像，包括：
S31、对所述初始污水图像进行归一化处理，得到归一化图像；
S32、对所述归一化图像进行均衡化处理，得到初始均衡图像；
S33、对所述初始均衡图像进行去噪处理，得到污水均衡图像。
本发明实施例中，所述对所述初始污水图像进行归一化处理指的是从所述初始污水图像中随机抽取一个灰度等级，采用直方图匹配的方法将所述初始污水图像的灰度值均匹配至所述灰度等级内，从而保证图像灰度集中在高灰度区，使得所述归一化图像的特征较为明显；对所述归一化图像进行均衡化处理指的是将所述归一化图像进行非线性的拉伸，对所述归一化图像的像素值进行再分配，使得所述灰度等级范围内的像素值数量大致相等，得到初始均衡图像，进一步地，对所述归一化图像进行均衡化处理能够提高得到的所述初始均衡图像的对比度。
本发明实施例中，所述对所述初始均衡图像进行去噪处理，得到污水均衡图像，包括：
对所述初始均衡图像进行二维离散傅里叶变换，得到傅里叶频谱图；
利用预设的频率域滤波器对所述傅里叶频谱图进行滤波处理，得到滤波频谱图；
对所述滤波频谱图进行傅里叶反变换，得到污水均衡图像。
本发明实施例中，对所述初始均衡图像进行二维离散傅里叶变换指的是将所述初始均衡图像进行分解，得到多个复平面波之和(傅里叶频谱图)，使得所述初始均衡图像的上、下两侧强度对比明显，亮度呈周期分布，反映出条带噪声的频率分布；所述频率域滤波器可以为高通滤波器，利用所述高通滤波器将所述傅里叶频谱图中垂直分布的亮点剔除，再经过傅里叶反变换得到污水均衡图像。
本发明实施例中，对所述初始污水图像进行直方图均衡化处理能够提高所述初始污水图像的对比度，保证生成的污水均衡图像更加准确。
本发明实施例通过对污水数据进行压缩感知处理，能够准确得到污水压缩数据；通过对污水压缩数据进行细节补偿，使得到的污水标准数据更加精确；通过污水标准数据能够准确生成光谱曲线；通过对光谱曲线进行光谱定标，使得到的恢复曲线更加精确，从而保证生成污水图像时的准确性；通过反射能量及恢复曲线能够准确确定反射率数值；通过污水标准数据、恢复曲线及反射率数值能够准确生成初始污水图像；通过对初始污水图像进行直方图均衡化处理，能够提高污水均衡图像的准确性。因此本发明提出的基于高光谱的污水成像方法，可以解决如何通过污水数据确定利用高光谱成像时的数据，从而提高生成污水图像的准确性的问题。
如图4所示，是本发明一实施例提供的基于高光谱的污水成像系统的功能模块图。
本发明所述基于高光谱的污水成像系统400可以安装于电子设备中。根据实现的功能，所述基于高光谱的污水成像系统400可以包括污水数据处理模块401、光谱曲线生成模块402、反射率数值确定模块403、初始污水图像生成模块404及图像均衡化处理模块405。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述污水数据处理模块401，用于获取污水数据，对所述污水数据进行压缩感知处理，得到污水压缩数据；
所述光谱曲线生成模块402，用于对所述污水压缩数据进行细节补偿，得到污水标准数据，并根据所述污水标准数据生成光谱曲线；
所述反射率数值确定模块403，用于对所述光谱曲线进行光谱定标，得到恢复曲线，并获取反射能量，根据所述反射能量及所述恢复曲线确定反射率数值；
所述初始污水图像生成模块404，用于利用预设的高光谱根据所述污水标准数据、所述恢复曲线及所述反射率数值生成初始污水图像；
所述图像均衡化处理模块405，用于对所述初始污水图像进行直方图均衡化处理，得到污水均衡图像。
详细地，本发明实施例中所述基于高光谱的污水成像系统400中所述的各模块在使用时采用与附图中所述的基于高光谱的污水成像方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现基于高光谱的污水成像方法的电子设备的结构示意图。
所述电子设备500可以包括处理器501、存储器502、通信总线503以及通信接口504，还可以包括存储在所述存储器502中并可在所述处理器501上运行的计算机程序，如基于高光谱的污水成像程序。
其中，所述处理器501在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(CentralProcessingUnit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器501是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器502内的程序或者模块(例如执行基于高光谱的污水成像程序等)，以及调用存储在所述存储器502内的数据，以执行电子设备的各种功能和处理数据。
所述存储器502至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器502在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器502在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器502还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器502不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于高光谱的污水成像程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线503可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器502以及至少一个处理器501等之间的连接通信。
所述通信接口504用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备500的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理系统与所述至少一个处理器501逻辑相连，从而通过电源管理系统实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备500中的所述存储器502存储的基于高光谱的污水成像程序是多个指令的组合，在所述处理器501中运行时，可以实现：
获取污水数据，对所述污水数据进行压缩感知处理，得到污水压缩数据；
对所述污水压缩数据进行细节补偿，得到污水标准数据，并根据所述污水标准数据生成光谱曲线；
对所述光谱曲线进行光谱定标，得到恢复曲线，并获取反射能量，根据所述反射能量及所述恢复曲线确定反射率数值；
利用预设的高光谱根据所述污水标准数据、所述恢复曲线及所述反射率数值生成初始污水图像；
对所述初始污水图像进行直方图均衡化处理，得到污水均衡图像。
具体地，所述处理器501对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备500集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取污水数据，对所述污水数据进行压缩感知处理，得到污水压缩数据；
对所述污水压缩数据进行细节补偿，得到污水标准数据，并根据所述污水标准数据生成光谱曲线；
对所述光谱曲线进行光谱定标，得到恢复曲线，并获取反射能量，根据所述反射能量及所述恢复曲线确定反射率数值；
利用预设的高光谱根据所述污水标准数据、所述恢复曲线及所述反射率数值生成初始污水图像；
对所述初始污水图像进行直方图均衡化处理，得到污水均衡图像。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (7)
1.一种基于高光谱的污水成像方法，其特征在于，所述方法包括：
获取污水数据，对所述污水数据进行压缩感知处理，得到污水压缩数据；
对所述污水压缩数据进行细节补偿，得到污水标准数据，并根据所述污水标准数据生成光谱曲线；
对所述光谱曲线进行光谱定标，得到恢复曲线，并获取反射能量，根据所述反射能量及所述恢复曲线确定反射率数值；
利用预设的高光谱根据所述污水标准数据、所述恢复曲线及所述反射率数值生成初始污水图像；
对所述初始污水图像进行直方图均衡化处理，得到污水均衡图像；
其中，所述对所述污水压缩数据进行细节补偿，得到污水标准数据，包括：
对所述污水压缩数据进行平滑处理，得到平滑数据；
对所述平滑数据进行矩阵转换，得到转换矩阵；
所述转换矩阵表示为：
其中，D表示所述转换矩阵，x11表示第1行第1列的平滑数据，x1n表示第1行第n列的平滑数据，xm1表示第m行第1列的平滑数据，xmn表示第m行第n列的平滑数据，m表示所述转换矩阵的矩阵大小的总行数，n表示所述转换矩阵的矩阵大小的总列数；
根据所述转换矩阵计算所述平滑数据的采样率，并根据所述采样率判断所述平滑数据是否缺失；
利用下述公式计算所述平滑数据的采样率：
其中，C表示所述平滑数据的采样率，k表示所述平滑数据的测量次数，m表示所述转换矩阵的矩阵大小的总行数，n表示所述转换矩阵的矩阵大小的总列数；
若所述平滑数据未缺失，则将所述平滑数据作为污水标准数据；
若所述平滑数据缺失，则对所述平滑数据进行数据恢复，得到恢复数据，将所述恢复数据作为污水标准数据；
其中，所述对所述光谱曲线进行光谱定标，得到恢复曲线，包括：对所述光谱曲线进行曲线拟合，得到拟合曲线；根据所述拟合曲线确定极值位置，并利用所述极值位置对所述拟合曲线进行标定，得到恢复曲线；
所述对所述光谱曲线进行曲线拟合，得到拟合曲线，包括：
从所述光谱曲线中随机选取特征点，对所述特征点进行拟合，得到初始拟合曲线；
所述初始拟合曲线表示为：
其中，Ij表示第j个特征点对应的初始拟合曲线的曲线值，yj表示第j个特征点，J表示所述特征点的总数，b0表示预设的第一计算参数，b1表示预设的第二计算参数，b2表示预设的第三计算参数；
根据所述初始拟合曲线及预设的测量曲线进行计算，得到偏差平方和；
利用下述公式计算偏差平方和：
其中，s表示所述偏差平方和，Ij表示第j个特征点对应的初始拟合曲线的曲线值，I′(j)表示第j个特征点对应的测量曲线的测量曲线值，J表示所述特征点的总数；
根据所述偏差平方和确定拟合系数，基于所述拟合系数对所述初始拟合曲线进行更新，得到拟合曲线。
2.如权利要求1所述的基于高光谱的污水成像方法，其特征在于，所述对所述污水数据进行压缩感知处理，得到污水压缩数据，包括：
对所述污水数据进行模数转换，得到转换数据，并设置所述转换数据的压缩率；
获取所述转换数据的数据字节，根据所述数据字节及所述压缩率计算更新数据字节；
利用下述公式计算更新数据字节：
A＝(1-a)B
其中，A表示所述更新数据字节，a表示所述压缩率，B表示所述数据字节；
利用预设的压缩算法根据所述更新数据字节对所述转换数据进行压缩处理，得到污水压缩数据。
3.如权利要求1所述的基于高光谱的污水成像方法，其特征在于，所述根据所述污水标准数据生成光谱曲线，包括：
获取所述污水标准数据中的水波波速及水波变化频率，根据所述水波波速及所述水波变化频率计算水波波长；
利用下述公式计算水波波长：
其中，λ表示所述水波波长，E表示所述水波波速，F表示所述水波变化频率；
对所述水波波长进行划分，得到波段，并对所述污水标准数据进行特征提取，得到污水特征；
根据所述波段及所述污水特征生成光谱曲线。
4.如权利要求1所述的基于高光谱的污水成像方法，其特征在于，所述对所述初始污水图像进行直方图均衡化处理，得到污水均衡图像，包括：
对所述初始污水图像进行归一化处理，得到归一化图像；
对所述归一化图像进行均衡化处理，得到初始均衡图像；
对所述初始均衡图像进行去噪处理，得到污水均衡图像。
5.一种基于高光谱的污水成像系统，其特征在于，所述系统包括：
污水数据处理模块，用于获取污水数据，对所述污水数据进行压缩感知处理，得到污水压缩数据；
光谱曲线生成模块，用于对所述污水压缩数据进行细节补偿，得到污水标准数据，并根据所述污水标准数据生成光谱曲线；
反射率数值确定模块，用于对所述光谱曲线进行光谱定标，得到恢复曲线，并获取反射能量，根据所述反射能量及所述恢复曲线确定反射率数值；
初始污水图像生成模块，用于利用预设的高光谱根据所述污水标准数据、所述恢复曲线及所述反射率数值生成初始污水图像；
图像均衡化处理模块，用于对所述初始污水图像进行直方图均衡化处理，得到污水均衡图像；
其中，所述对所述污水压缩数据进行细节补偿，得到污水标准数据，包括：
对所述污水压缩数据进行平滑处理，得到平滑数据；
对所述平滑数据进行矩阵转换，得到转换矩阵；
所述转换矩阵表示为：
其中，D表示所述转换矩阵，x11表示第1行第1列的平滑数据，x1n表示第1行第n列的平滑数据，xm1表示第m行第1列的平滑数据，xmn表示第m行第n列的平滑数据，m表示所述转换矩阵的矩阵大小的总行数，n表示所述转换矩阵的矩阵大小的总列数；
根据所述转换矩阵计算所述平滑数据的采样率，并根据所述采样率判断所述平滑数据是否缺失；
利用下述公式计算所述平滑数据的采样率：
其中，C表示所述平滑数据的采样率，k表示所述平滑数据的测量次数，m表示所述转换矩阵的矩阵大小的总行数，n表示所述转换矩阵的矩阵大小的总列数；
若所述平滑数据未缺失，则将所述平滑数据作为污水标准数据；
若所述平滑数据缺失，则对所述平滑数据进行数据恢复，得到恢复数据，将所述恢复数据作为污水标准数据；
其中，所述对所述光谱曲线进行光谱定标，得到恢复曲线，包括：对所述光谱曲线进行曲线拟合，得到拟合曲线；根据所述拟合曲线确定极值位置，并利用所述极值位置对所述拟合曲线进行标定，得到恢复曲线；
所述对所述光谱曲线进行曲线拟合，得到拟合曲线，包括：
从所述光谱曲线中随机选取特征点，对所述特征点进行拟合，得到初始拟合曲线；
所述初始拟合曲线表示为：
其中，Ij表示第j个特征点对应的初始拟合曲线的曲线值，yj表示第j个特征点，J表示所述特征点的总数，b0表示预设的第一计算参数，b1表示预设的第二计算参数，b2表示预设的第三计算参数；
根据所述初始拟合曲线及预设的测量曲线进行计算，得到偏差平方和；
利用下述公式计算偏差平方和：
其中，s表示所述偏差平方和，Ij表示第j个特征点对应的初始拟合曲线的曲线值，I′(j)表示第j个特征点对应的测量曲线的测量曲线值，J表示所述特征点的总数；
根据所述偏差平方和确定拟合系数，基于所述拟合系数对所述初始拟合曲线进行更新，得到拟合曲线。
6.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序，所述计算机程序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执行如权利要求1至4中任意一项所述的基于高光谱的污水成像方法。
7.一种计算机可读存储介质，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如权利要求1至4中任意一项所述的基于高光谱的污水成像方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310682480.3A CN116704064B (zh) | 2023-06-08 | 2023-06-08 | 基于高光谱的污水成像方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310682480.3A CN116704064B (zh) | 2023-06-08 | 2023-06-08 | 基于高光谱的污水成像方法、系统、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116704064A CN116704064A (zh) | 2023-09-05 |
| CN116704064B true CN116704064B (zh) | 2024-02-23 |
Family
ID=87832059
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310682480.3A Active CN116704064B (zh) | 2023-06-08 | 2023-06-08 | 基于高光谱的污水成像方法、系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116704064B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019086427A (ja) * | 2017-11-08 | 2019-06-06 | 住友重機械エンバイロメント株式会社 | 水質監視システム |
| CN110390699A (zh) * | 2019-07-17 | 2019-10-29 | 中国人民解放军陆军军医大学 | 一种基于压缩感知的高光谱图像分布式压缩方法及系统 |
| CN113834787A (zh) * | 2021-08-17 | 2021-12-24 | 中国矿业大学 | 一种中小河道劣ⅴ类水体水质识别与量化方法 |
| CN114384031A (zh) * | 2022-01-12 | 2022-04-22 | 广西壮族自治区地理信息测绘院 | 星-空-地高光谱遥感水体重金属污染立体监测方法 |
| CN114638758A (zh) * | 2022-03-18 | 2022-06-17 | 哈尔滨理工大学 | 一种基于压缩感知的光谱成像技术进行受损图像的恢复重构方法 |
| WO2023282069A1 (ja) * | 2021-07-06 | 2023-01-12 | パナソニックＩｐマネジメント株式会社 | 信号処理装置および信号処理方法 |
| CN116124716A (zh) * | 2022-12-22 | 2023-05-16 | 中国科学院西安光学精密机械研究所 | 基于近感高光谱的水质监测方法及装置 |
-
2023
- 2023-06-08 CN CN202310682480.3A patent/CN116704064B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019086427A (ja) * | 2017-11-08 | 2019-06-06 | 住友重機械エンバイロメント株式会社 | 水質監視システム |
| CN110390699A (zh) * | 2019-07-17 | 2019-10-29 | 中国人民解放军陆军军医大学 | 一种基于压缩感知的高光谱图像分布式压缩方法及系统 |
| WO2023282069A1 (ja) * | 2021-07-06 | 2023-01-12 | パナソニックＩｐマネジメント株式会社 | 信号処理装置および信号処理方法 |
| CN113834787A (zh) * | 2021-08-17 | 2021-12-24 | 中国矿业大学 | 一种中小河道劣ⅴ类水体水质识别与量化方法 |
| CN114384031A (zh) * | 2022-01-12 | 2022-04-22 | 广西壮族自治区地理信息测绘院 | 星-空-地高光谱遥感水体重金属污染立体监测方法 |
| CN114638758A (zh) * | 2022-03-18 | 2022-06-17 | 哈尔滨理工大学 | 一种基于压缩感知的光谱成像技术进行受损图像的恢复重构方法 |
| CN116124716A (zh) * | 2022-12-22 | 2023-05-16 | 中国科学院西安光学精密机械研究所 | 基于近感高光谱的水质监测方法及装置 |
Non-Patent Citations (7)
| Title |
|---|
| A Compressive Sensing and Unmixing Scheme for Hyperspectral Data Processing,;C. Li et al.;《IEEE Transactions on Image Processing》;第21卷(第3期);1200-1210 * |
| 基于CUDA的干涉型高光谱实时光谱复原处理技术;杨仁忠等;《遥感技术与应用》(第04期);25-30 * |
| 基于光谱法的水污染云监测方法研究;李奉笑;《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》(第2期);B027-808 * |
| 基于压缩感知理论的高光谱图像重建和超分辨成像技术研究;刘海英;《中国博士学位论文全文数据库信息科技辑》(第10期);I138-86 * |
| 基于压缩感知的高光谱图像稀疏解混方法研究;徐速;《中国博士学位论文全文数据库信息科技辑》(第6期);I140-25 * |
| 基于压缩感知的高光谱成像技术研究;刘世界;《中国博士学位论文全文数据库 (信息科技辑)》(第3期);I138-46 * |
| 高光谱图像预处理方法研究及进展;杨仁欣等;《广西师范学院学报(自然科学版)》(第01期);33-37 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116704064A (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109635806B (zh) | 基于残差网络的电表数值识别方法 | |
| CN115018844B (zh) | 一种基于人工智能的塑料薄膜质量评估方法 | |
| CN114066857A (zh) | 红外图像质量评价方法、装置、电子设备及可读存储介质 | |
| CN114758249B (zh) | 基于野外夜间环境的目标物监测方法、装置、设备及介质 | |
| CN116630766B (zh) | 一种多源信息数据处理系统、方法及设备 | |
| CN111398176A (zh) | 基于像元尺度特征的水体水色异常遥感识别方法和装置 | |
| CN116067671B (zh) | 一种用于测试车辆漆面质量的方法、系统及介质 | |
| CN116704064B (zh) | 基于高光谱的污水成像方法、系统、电子设备及存储介质 | |
| CN107145995A (zh) | 生产环境安全性预测方法、装置和系统 | |
| CN117935063A (zh) | 基于rssdm夜间气溶胶光学厚度反演方法、装置及设备 | |
| CN115639159B (zh) | 一种基于多光谱影像的废水污染监测方法和装置 | |
| CN117373580A (zh) | 基于时序网络实现钛合金产品的性能分析方法及系统 | |
| CN114550009B (zh) | 星载遥感图像的轻量化目标检测方法、装置、设备及介质 | |
| CN115293735A (zh) | 一种无人工厂工业互联网平台监测管理方法及系统 | |
| CN118037868B (zh) | 基于图像处理的高色域显示屏质量快速检测方法及系统 | |
| CN114331237A (zh) | 基于ahp-熵权法的污水处理质量评估方法及装置 | |
| CN113989632A (zh) | 一种遥感图像桥梁检测方法、装置、电子设备及存储介质 | |
| CN117349734B (zh) | 水表设备识别方法、装置、电子设备及存储介质 | |
| CN117787570B (zh) | 一种水环境重金属污染综合评价方法及系统 | |
| CN114897422B (zh) | 蓝藻水华损失评估方法、装置、电子设备及存储介质 | |
| CN116862303B (zh) | 城市内涝隐患分级及评估方法 | |
| CN117314205B (zh) | 一种室间质评项目检测结果上报方法及装置 | |
| CN118351119B (zh) | 一种缺陷灰度统一衡量方法、系统、设备及存储介质 | |
| CN116858835B (zh) | 水体营养状态监测方法、装置、计算机设备及存储介质 | |
| CN118408482B (zh) | 一种大型场所位移监测方法、装置及系统 |
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 |