- 综合排序
- 最热优先
- 最新优先
- 来自专栏深度学习和计算机视觉
光学成像 |综述| 高光谱成像技术概述
但是缺点是光谱灵敏度较低，一般大于10nm，多用于无人机等大范围扫描的光谱应用领域。 ? 高光谱成像系统 下图为一个典型的高光谱成像系统结构示意图。 高光谱的优势 随着高光谱成像的光谱分辨率的提高，其探测能力也有所增强。因此，与全色和多光谱成像相比较，高光谱成像有以下显著优势。 1. 有着近似连续的地物光谱信息。 高光谱数据能够探测具有诊断性光谱吸收特征的物质，能准确的区分地表植被覆盖类型，道路地面的材料等。 3. 地形要素分类识别方法是多种多样的。 医学诊断 高光谱成像是一个新兴的,非破坏性的,先进的光学技术,它具有光谱和成像的双重功能,这种双重功能使得高光谱成像能够同时提供实验对象的化学和物理特征,并具有良好的空间分辨率。 3.航天领域 根据目前公开的信息可以认为航天高光谱成像仪将进入新一轮发展。
2.2K31发布于 2021-08-06 - 来自专栏机器视觉产品资料查询平台
多光谱与高光谱工业相机技术原理与差异
多光谱与高光谱工业相机通过捕捉传统RGB相机无法获取的波长信息，实现了更精细的分析和高维数据解读。该技术正迅速在农业、医疗、半导体等多个领域得到广泛应用。 光谱成像（Spectral Imaging）是一种利用不同波长范围的光线来分析物体光学特性的技术。 普通相机拍摄的是人眼可见的整个可见光波段，而光谱成像技术则将光线划分为多个波长段进行感测，从而实现对物质特性的分析与分类。1、高光谱相机通过棱镜光谱仪技术检测数百个连续的波长段。 3、多光谱相机与高光谱相机的区别多光谱（Multispectral）与高光谱（Hyperspectral）相机均可检测可见光及不可见光（红外、紫外等）中的特定波长，但主要区别在于波段数量与连续性。 4、 R、G、B 多光谱与高光谱相机对比分析为了从普通RGB相机获取光谱信息，通常需要使用额外的滤光片或特定波长的照明设备。为了获得多波长数据，环境配置往往需要投入大量时间和精力。
26210编辑于 2026-01-29 - 来自专栏光芯前沿
法雷奥：高光谱成像在自动驾驶中的应用与挑战
◆ 高光谱成像基础与技术概述 （一）工作原理 高光谱成像的核心是捕捉电磁辐射与物质间的相互作用（如吸收、反射、透射），生成包含“2个空间维度+1个光谱维度”的三维超立方体数据结构，其关键优势在于高光谱分辨率 与其他成像技术相比，RGB相机易受环境光与物质颜色表象影响，多光谱成像（MSI）仅含3-15个离散光谱波段且存在光谱间隙，而HSI的连续窄波段特性使其具备区分细微材料差异的能力，例如可精准辨别RGB中视觉相似的干沥青与湿沥青 碲镉汞（MCT）传感器：可覆盖中波红外-长波红外波段（MWIR-LWIR，3-25μm），光谱覆盖能力强，适用于夜间热成像感知，但需低温冷却，且集成难度大，难以适配汽车领域系统； 5. 混合技术：结合多模态成像（如HSI+RGB），试图兼顾不同成像技术的优势，但采集延迟仍较高（约200ms/帧），动态场景适配性一般，仅可作为过渡阶段的技术方案。 Bench基准采用DeepLabv3+模型，跨HyKo与H-City数据集验证性能），并引入注意力机制（如CBAM、CA模块）优化UNet模型以提升分割精度，但现有模型多基于RGB场景设计，未充分利用HSI
47810编辑于 2025-09-03 . | 用于低光高通量拉曼高光谱成像的自优化光谱距离方法
DRUGONE 拉曼高光谱成像通过结合振动光谱与空间成像，能够在分子层面解析样品的化学组成与空间分布信息。 拉曼高光谱成像因其非破坏性、无需复杂样品制备以及高空间与高光谱分辨率等优势，已广泛应用于生物医学、材料科学及药物分析等领域。传统拉曼高光谱成像依赖逐点或逐线扫描，每个空间位置均需采集完整光谱。 空间与光谱总变分分析表明，SSD有效降低了噪声波动，提升了结构连续性。 图3：基于SSD的细胞拉曼高光谱成像。 总体而言，SSD为低光条件下的高通量拉曼高光谱成像提供了一种通用、高效且无需监督数据的新型解决方案，为生物医学成像、材料分析及药物检测等领域的快速成像应用提供了重要技术支持。 https://doi.org/10.1038/s43588-026-00957-3 内容为【DrugOne】公众号原创｜转载请注明来源
19420编辑于 2026-03-03- 来自专栏视觉检测
高光谱成像：分析波长，可视化细微的色彩、材质差异和异物
近年来，各领域利用高光谱成像技术进行检测的市场规模不断扩大，对高光谱相机和相应光源的需求也随之增加。什么是高光谱成像？ 高光谱成像是一种利用具有高波长分辨率获取图像功能的高光谱相机和相应照明获取图像的技术。通过拍摄和可视化物体的反射光，可以执行通常相机难以实现的检测，如成分分析，异物检测和高精度的颜色识别。 白米饭异物检测青色：白米 绿色：纸张红色：树脂同色系异物分类塑料分类蓝色：PS 绿色：PET红色：PP3种材质的差异分类PART 02用于高光谱成像的LED光源 LED光源可实现400-1000nm的宽范围发光光谱配合高光谱相机的感光度特性 ,大幅提升近红外区的光输出波长、光源形状、长度等,可根据需要定制HLDL3-300X28IRFSWDFW(定制) LNSP2-300IRW55-BTSP(定制)输出波长和成像波长范围高输出型号LNSP-FN (定制)输出波长和成像波长范围
15810编辑于 2025-12-26 - 来自专栏音视频技术
3D成像技术介绍
今天，我分享的主题是：3D成像技术。 今天，我分享的内容主要分为三个章节。首先，介绍一些相关的背景。然后，介绍3D成像技术。最后，介绍几种3D的应用场景。 02 3D成像技术 3D成像技术就是利用3D相机使一个3D物体进行快速成像。我们的主要目标是使现实世界数字化。 3D成像技术的原理是三角成像原理。 三角成像原理参考了眼睛成像原理，单个眼睛或单一镜头无法获取深度数据，所以需要两个眼睛。右图展示了与结构光相关的原理，摄像头拍摄激光上的激光数据来成像。 目前主流的3D成像技术主要是以下几种。 单设备扫描的成像速度较慢（需要持续扫描才能成像），而多设备静态拼接的成像速度较快，就像只按了一下快门，因为其采用了多设备进行拍摄。在遮挡部位较多的情况下，比如拍摄人的下颌，就要采用多设备拍摄。 接下来介绍动态3D影棚。之前介绍的录制方式的对象主要是静态物体，动态3D影棚则可实现实时预览和动态直播，延迟可以控制在500ms以内。其中，主要的问题是3D相机同步和多镜头干扰。
1.2K10编辑于 2023-02-23 - 来自专栏CNNer
【目标检测】开源 | 无锚小尺度多光谱行人检测
Small-scale Multispectral Pedestrian Detection 原文作者：Alexander Wolpert 内容提要 由排列的视觉光学(VIS)和热红外(IR)图像对组成的多光谱图像非常适合于实际应用 在本文中，我们提出了一种在单级无锚基础结构中有效地实现两种模式多光谱融合的方法。我们的目标是学习基于对象中心和尺度的行人表示，而不是直接边界盒预测。 此外，我们还研究了适合的多光谱数据增强技术，以改进常用的增强技术。实验结果表明，该方法对小尺度行人的检测是有效的。 在具有挑战性的KAIST多光谱行人检测基准上，与目前最先进的7.49% (提高25%)相比，我们的方法实现了5.68%的log-average miss rate。 主要框架及实验结果 ? ? ?
1K20发布于 2020-11-03 - 来自专栏脑机接口
eeglab教程系列(3)-绘制通道光谱图
在进行通道光谱图绘制前，需要先按照eeglab教程系列(2)-绘制脑电头皮图进行先操作(只需操作完第二步后点击OK即可)。 绘制通道光谱图 在eeglab界面进行如下操作：Plot > Channel spectra and maps，会打开pop_spectopo.m界面。 ?
75641发布于 2020-06-29 - 来自专栏菲宇
python3之成像库pillow
PIL的安装： pip3 install pillow 1、图像模块（Image.Image） 图像模块提供PIL名称的类，该模块提供了许多功能，包括文件加载和创建新图像等，下面我们创建一个图像对象，然后旋转图像 1）Image模块的功能 Image.new(mode,size,color)： 使用给定的模式、大小和颜色创建新图像；大小以（宽度，高度）2 元组的形式给出，以像素为单位；颜色以单波段图像的单个值和多波段图像的元组 Image.new('L',(1920,1080),125) #灰色 im=Image.composite(image1,image2,mask=image3) image1.show() image2 .show() image3.show() im.show() im.save('5555.jpg') Image.eval(image,function)：function为接受一个整数参数的函数 rgb=im3.split() rgbs=[im1_rgb[0],im2_rgb[1],im3_rgb[2]] #使用三个图像的单通道 im_merge=Image.merge('RGB',rgbs)
1.9K20发布于 2019-06-13 - 来自专栏思影科技
可穿戴功能性近红外光谱成像在自然环境中的应用
新型便携无线可穿戴功能性近红外光谱成像(fNIRS)设备的发展为脑功能成像开辟新路，这将带来认知研究的革命性变化。 在过去的几十年里，诸多研究采用了传统的功能近红外光谱成像（fNIRS）方法，证明了这项技术在不同人群和不同应用领域的适用性，其中涉及健康大脑研究及脑损伤研究。 这是基于目前可用的神经成像技术来实现的，其中包括基于神经血管的技术(例如，功能性磁共振成像[fMRI]、功能性近红外光谱[fNIRS]、正电子发射断层扫描[PET])和电磁技术(例如，脑电图[EEG]和脑磁图 鉴于fNIRS对多模式成像的适用性，同时整合脑电图和fNIRS测量的可穿戴解决方案也被提出。 事实上，鉴于fNIRS用于多模式监测的可行性，这很容易通过使用不干扰光学设备和参与者活动的可穿戴生理监测仪(例如，胸带)来实现。
1.2K10编辑于 2022-02-28 - 来自专栏深度学习和计算机视觉
工业相机在全息成像中的应用
对透明物体成像作为一种独特的技术，广泛应用于生物学、医学、工业机器视觉等领域，其中特殊涂层、样本染色、相位成像、结构光和多光谱成像等，都是透明物体成像技术的一种。 然而，发展透明物体成像技术，在许多领域都面临挑战。 数字全息成像（Digital holography）利用光波的振幅和相位数据来重建3D图像，因此能够提供重要的成像能力，甚至可以对透明物体进行成像。 使用标准RGB范围以外的图像数据（例如多光谱成像），也可以增加数字全息成像的能力，用于显示之前没有被观察到的结构，进而获得观测物的额外数据。 然而，根据全息图像的产生方法，将多光谱技术的优点运用到全息成像中，仍然面临挑战。 图1：The Imaging Source的黑白工业相机DMK 72BUC02，作为记录干涉条纹系统装置的一部分。 用来产生全息图像的相干光源基本上是单色的，而要产生多光谱全息图，来自不同波长的多个相干光束的图像数据进行重建和融合，形成多光谱全息图。 在这些系统中，工作波长的集合通常是有限的，人们不能选择任意波长。
71110编辑于 2022-09-28 基于小波变换的多光谱与全色图像融合MATLAB实现
基于小波变换的多光谱与全色图像融合MATLAB实现一、核心方法原理小波变换优势多尺度分析：通过低频（平滑）和高频（细节）分解保留光谱与空间信息方向选择性：双树复小波（DT-CWT）具有更好方向性平移不变性 ：避免传统DWT的移位敏感性问题典型融合策略策略类型低频分量处理高频分量处理适用场景加权平均多光谱低频×权重全色高频×权重通用场景系数替换保留多光谱低频替换为全色高频强调空间细节稀疏表示字典学习融合稀疏系数最大值选择复杂纹理场景二 、MATLAB实现代码（基于DWT）1.图像预处理%%读取图像pan=imread('pan.tif');%全色图像ms=imread('ms.tif');%多光谱图像（3波段）%%尺寸匹配[m,n, ~]=size(pan);ms=imresize(ms,[m,n]);%调整多光谱尺寸%%分解层数设置level=3;%建议1-3层wavelet='db4';%Daubechies小波基2.小波分解 %%全色图像分解[C_pan,S_pan]=wavedec2(pan,level,wavelet);%%多光谱图像分解C_ms=cell(1,3);S_ms=cell(1,3);forband=1:3
21810编辑于 2026-03-18- 来自专栏脑机接口
eeglab中文教程系列(3)-绘制通道光谱图
本教程为脑机学习者Rose发表于公众号：脑机接口社区(微信号：Brain_Computer) [欢迎关注] 在进行通道光谱图绘制前，需要先按照eeglab中文教程系列(2)-绘制脑电头皮图进行先操作(只需操作完第二步后点击 绘制通道光谱图 在eeglab界面进行如下操作：Plot > Channel spectra and maps，会打开pop_spectopo.m界面。 也可以设置为100%，设置100%的效果图为: [图3] 上面图中，每个彩色记录道表示一个数据通道活动的频谱。最左边的头皮图显示了6赫兹时头皮的能量分布，这些数据集中在额叶中线。
1.3K00发布于 2019-10-14 - 来自专栏深度学习和计算机视觉
机器视觉中的3D成像技术
正如图像处理行业的大多数玩家所知道的，获得3D图像有几种不同的方式。 ? 3D成像 ? 正如图像处理行业的大多数玩家所知道的，获得3D图像有几种不同的方式。 通常测试对象在3D传感器下方移动以捕获3D点云。这意味着摄像机将检测投射到物体上的激光线，并根据激光线轮廓计算高度信息。在相机下移动物体时，会创建多个配置文件，用于完成三维图像。 3D立体相机 3D立体相机是另一种方法。它已经存在多年，越来越多地用于机器人或调试应用。立体图像处理使用与人眼相同的原理即立体偏移。为了获得3D图像，该方法采用两台相机。 处理机器视觉的软件，在3D视觉中扮演着重要角色，它就像3D的“大脑”一样，但它是否像人脑一样学习？如何训练它？ 机器视觉行业对3D成像以及人工神经网络和深度学习的新可能性寄予厚望，让我们拭目以待。
1.1K31发布于 2020-06-05 - 来自专栏睐芯科技LightSense
光度计和椭圆偏振仪的通常配置
2.如果发送通道中不包括光谱滤光片或单色器，3.如果发送通道不包括偏振元件，4.成像光学元件，5.孔径光阑，集成在一个共同的外壳或单元中。 单色器的出射狭缝通过接收通道中的光学元件成像到样品上，然后成像到检测器上。图2 光谱偏振光度计设置用作反射计或透射计。图3显示光谱双旋转补偿器偏振计或椭圆偏振计。 单色器的出射狭缝通过接收通道中的光学元件成像到样品上，然后成像到检测器上。图3 使用单色器选择任意波长的双旋转补偿器光谱偏振计或椭圆偏振计图4显示了双旋转补偿器光谱偏振计或椭圆偏振计。 相对图3，单色仪被宽带光源取代，而接收通道中的探测器现在被多通道光谱仪取代。光谱仪使用快线探测器和适当的信号处理实时评估光谱。该仪器确定了穆勒矩阵所有16个元素。 图4 在接收通道中使用线探测器光谱仪的双旋转补偿器多通道椭圆偏振仪偏振器和旋转补偿器放置在准直器1和2之间。旋转补偿器和分析器放置在接收通道的准直器3和4之间。
22410编辑于 2024-08-05 友思特方案 | 如何在嵌入式平台上部署高光谱相机
高光谱成像技术因其能够捕获物体在不同波长下的光谱信息。广泛应用于农业、环境监测、工业检测等领域。 3. 兼容性强eBUS软件不仅支持与高光谱相机的直接连接，还能与多种嵌入式平台兼容。①NVIDIA Jetson：Jetson系列设备通过其强大的GPU计算能力，能够高效处理高光谱相机采集的数据。 嵌入式视觉系统（如Jetson AGX Orin）结合eBUS协议可以整合来自不同工位的多源数据（如可见光检测、红外热成像、振动传感器等），实现全流程的质量控制和自动化优化。 3 智慧城市交通管理在智慧城市交通管理中，通过安装在路口、收费站及车载终端的多模态摄像头（如全局快门摄像头、热成像仪），实时监测车辆流量、车牌信息及行人行为，为交通调度和自动驾驶提供低延迟的决策依据。 嵌入式系统通过传输协议整合多模态数据，实现术中实时AI辅助。因此，借助eBUS，开发者能够轻松将这些设备与高光谱相机结合，开展各种嵌入式光谱成像应用。
32410编辑于 2025-06-03- 来自专栏计算机视觉
不同种类遥感图像汇总 ！！
，到多镜头型传感器多光谱图像获取，多光谱摄影技术是航空遥感的重要发展。 多光谱技术（Multispectral）是指能同时获取多个光学频谱波段（通常大于等于3个），并在可见光的基础上向红外光和紫外光两个方向扩展的光谱探测技术。 3、多光谱遥感图像 可见光遥感图像是多光谱图像中的特殊案例，而在我们的普遍认知中多光谱不仅包含3个光谱，应该由数十到数百的个光谱组成。 以2013年2月11日发射的Landsat系列最新卫星Landsat8为例，Landsat8对于各个光谱的波长信息： 它携带有OLI陆地成像仪和TIRS热红外传感器，Landsat8的OLI陆地成像仪包括 4、高光谱遥感图像 多光谱成像（Multispectral）一般只有几个到十几个光谱，由于光谱信息其实也就对应了色彩信息，所以多波段遥感图像可以得到地物的色彩信息，但是空间分辨率较低。
1.5K10编辑于 2024-03-19 - 来自专栏3D视觉从入门到精通
基于高光谱的无损检测技术
高光谱的“高”字体现在多波段，可达数百波段；同时具有波段窄的特点，通常在10nm以下；并且光谱范围广，覆盖从可见光到近红外。 高光谱成像仪及其分类 根据成像光谱仪的工作波段进行分类，可以分为紫外、可见、近红外、中红外和 远红外等几个波段，且不同工作波段的应用也各不相同。 ? 根据分光元件的不同，当前光谱成像技术主要分为色散型和滤光片型。 色散型成像光谱仪分光技术主要包括棱镜分光和光栅分光两种；滤光片型成像光谱仪技术采用滤光片为分光元件，两种经典的调谐型滤光器，声光可调谐滤光片(AOTF)和液晶可调谐滤光片(LCTF)。 2.农产品农药残留检测（下图为农药浓度为8mg/kg 叶菜样品的高光谱荧光图像及不同浓度梯度样品的荧光光谱曲线） ? 3.食品部位检测（下图为小番茄不同部位的高光谱曲线） ?
1.1K20发布于 2020-12-11 - 来自专栏疯狂学习GIS
全球主要高光谱遥感卫星介绍
1 引言 与多光谱数据相比，高光谱数据往往可以在地表参数反演等方面获得更高的精度。为此，有必要介绍一下目前全球主要星载高光谱遥感数据或相关平台的一些知识。 一般地，传统的陆地资源卫星只能提供为数不多的多光谱波段，并不能很好满足日常实际研究、运用的需要；而借助具有242个波段、光谱范围为356至2578 nm的EO-1 Hyperion传感器，可获得更具价值的高光谱数据 3 高光谱卫星纵向对比 将上述高光谱卫星及其对应传感器、分辨率等参数加以汇总、对比，如表2所示。其中，由于不同高光谱传感器在不同波段对应光谱分辨率变化较大，因此表2未单独列出光谱分辨率。 “多强”局面。 MightySat-2.1卫星发回第一张超光谱图像[J]. 航天返回与遥感, 2000(03):48. [3] L. J. Otten III, 顾聚兴.
3.9K30发布于 2021-07-22 - 来自专栏未来先知
代码开源：AMFD 框架助力多光谱行人检测的精度与速度提升 ！
为了缓解这一限制，引入了热红外图像来提供补充数据，从而探索多光谱行人检测[3]作为一个有效的解决方案。 多模态特征融合是多光谱检测的关键。 先前的研究探索了各种融合策略：早期、中期和晚期融合。 在中期融合框架中，热成像和RGB特征是独立提取的，并在双流网络的中间阶段进行融合。最近采用中期融合策略的研究在多光谱检测中表现出卓越的性能。 II Related WORK Multispectral Pedestrian Detection 多光谱行人检测，结合了RGB和热成像图像，因其能在不同光照条件下保持鲁棒的检测性能而受到广泛关注。 KAIST [3] 数据集提供了良好对齐的图像对，标注了行人遮挡，现在被广泛用于多光谱行人检测任务。 但是，其原始数据采样率过高，导致连续帧图像变化不大，因此在使用时需要数据清洗。 V Experiments Dataset and Evaluation Metric KAIST: KAIST数据集[3]是在多光谱行人检测中广泛使用的基准数据集。
61510编辑于 2024-08-13
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号