- 综合排序
- 最热优先
- 最新优先
- 来自专栏二猫の家
【遥感图像处理】绘制高光谱3D立方体
stretch/compress z-dimension（拉伸） h -> print help message（帮助信息） q -> close window（关闭窗口） 使用ENVI 作为一个强大的遥感处理平台 但是这里却到了一个问题，由于使用的高光谱数据集是mat格式，Envi是不支持这种格式的。无奈只能先将mat格式转成了tif格式。 使用MatLab将mat格式转为tif，废话不多说，直接上代码。 (参考https://blog.csdn.net/Eric_Fisher/article/details/90230072) % mat2tif % 将高光谱mat文件，保存为tif clc; clear tagstruct.Photometric = 1; % 每个像素的数值位数，这里转换为unit8，所以为8位 tagstruct.BitsPerSample = 8; % 每个像素的波段个数，一般图像为1或3，但是对于遥感影像存在多个波段所以常常大于 在3D Cube File对话框中选择高光谱数据集，单击OK按钮。
1.6K10编辑于 2024-04-24 慧眼识水质：高光谱遥感的水质监测之道
在此背景下，高光谱遥感技术以其精确的光谱分辨力和广泛的应用前景为水质监测开辟了技术路径。那么，什么是高光谱遥感技术？它如何守护江河湖海的生态健康？ 高光谱遥感技术 高光谱遥感技术是一种将成像和光谱结合的技术，能够同步呈现目标地物的空间信息、辐射信息和光谱信息。其携带的成像光谱仪可在10nm左右的采样间隔内对波段展开光谱测量，收集窄波段光谱信息。 因此，高光谱遥感技术能呈现目标地物几乎连续的光谱特征曲线，并以足够的光谱分辨率识别特征地物，支持对目标地物物理、化学特性的反演。 高光谱遥感技术在水质监测领域的应用 高光谱遥感水质在线监测能够以非接触形式对叶绿素α、化学需氧量、总氮、浊度、藻青蛋白、有机碳、藻密度等关键水质参数的进行测算，进而成为河流水库的日常监测、污染预警、应急响应 随着高光谱遥感技术的持续发展，高光谱传感器具备了负载于卫星、无人机、地面基站、船舶等平台的能力。
19410编辑于 2026-02-12- 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。 同时在本文最后，也引入了自己对于国内外高光谱遥感发展的一些思考。 4 高光谱卫星横向对比 结合前述内容与表2，对国内、外高光谱遥感相关技术加以对比。 在我专业前期定量遥感课程中个人就有所体会——若需要获取较长时间序列信息或较早的高光谱遥感数据，往往需借助西方国家、尤其是美国的相关遥感资源。 在高光谱卫星参数方面，可以看到以MODIS与Hyperion数据为代表的美国早期高光谱遥感数据已具有一定较好的空间分辨率、时间分辨率、光谱波段数等属性，我国早期高光谱遥感卫星尽管发射时间晚于上述国外数据
3.8K30发布于 2021-07-22 - 来自专栏PaddlePaddle
基于飞桨实现高光谱反演：通过遥感数据获取土壤某物质含量
高光谱反演是什么？ 高光谱反演是使用遥感卫星拍摄的高光谱数据以及实地采样化验的某物质含量数据来建立一个反演模型。简单来说就是：有模型以后卫星一拍，就能得知土壤中某物质的含量，不用实地采样化验了。 高光谱遥感可应用在矿物精细识别（比如油气资源及灾害探测）、地质环境信息反演（比如植被重金属污染探测）、行星地质探测（比如中国行星探测工程 天问一号）等。 ? 目前有许多模型可用于高光谱反演，如线性模型、自然对数模型、包络线去除模型、简化Hapke模型，人工神经网络模型等，本文选择线性模型进行研究。 我们常用的遥感卫星有高分一号、高分二号、Landsat7 、Landsat8等。 高光谱反演的用途还有许多，快快在AI Studio中fork项目展示出你的创意吧： https://aistudio.baidu.com/aistudio/projectdetail/693750/
99820发布于 2020-09-14 - 来自专栏全栈程序员必看
高光谱图像分类综述_高光谱图像样本进行扩增
像元形状指数 HSI- Hyperspectral Imaging 高光谱成像 随机森林 Reflective Optics Spectrographic Imaging System (ROSIS-03) 反射光学光谱成像系统
50510编辑于 2022-09-20 - 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。 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。 高光谱相机则可检测多达1680个（视型号而定）连续波段，实现更细致、精准的光谱分析。其优势在于能够识别肉眼或普通相机无法区分的微小物质差异。 一般的高光谱相机通常分为可见光和短波红外两个类型，需分别配备不同的相机；而本公司高光谱相机覆盖从可见光到短波红外的波长范围，单台相机即可同时获取两个波段的信息，极大提升了使用效率。
20510编辑于 2026-01-29 - 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
高光谱图像技术最早应用在遥感军事领域，用于地面目标探测，地面物体分类。 何为高光谱图像 高光谱图像将图像技术和光谱技术相结合，不仅反映目标的二维图像信息，同时能够反映光谱维信息。高光谱图像具有三个维度：x-y-。 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。 高光谱图像技术在无损检测的应用 食品存储时间检测（下图为不同存储时间的同一苹果的荧光高光谱图像） ? 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 - 来自专栏图像处理与模式识别研究所
基于深度学习的高光谱图像分类
1、双击“hyperspectral.mlpkginstall” 2.运行程序 步骤1：加载高光谱数据集 使用超立方体函数读取高光谱图像。 indian_pines_gt.mat"); gtLabel = gtLabel.indian_pines_gt; numClasses = 16; 步骤2：预处理训练数据 使用hyperpca函数将光谱带的数量减少到 /sd; 使用createImagePatchesFromHypercube函数，将高光谱图像分割成大小为25×25像素、具有30个通道的Patches。 trainedNetwork_url,pwd); load(fullfile(dataDir,"trainedIndianPinesCSCNN.mat")); end 步骤6：基于训练的CSCNN的高光谱图像分类计算测试数据集的分类精度
1.4K10编辑于 2023-05-24 - 来自专栏疯狂学习GIS
用AvaSpec 2048便携式光谱仪测定地物高光谱曲线
本文介绍基于AvaSpec-ULS2048x64光纤光谱仪测定植被、土壤等地物高光谱曲线的方法。 AvaSpec是由荷兰著名的光纤光谱仪器与系统开发公司Avantes制造的系列高性能光谱仪，广泛应用于各类光谱测定场景。 本文就以AvaSpec系列产品中的AvaSpec-ULS2048x64这一款便携式地物高光谱仪为例，介绍基于这一类便携式地物光谱仪进行地物高光谱曲线的测定方法。 其中，前者可以改变高光谱相机在成像时，曝光或整合成像的时间长短，时间越长受到的光照就越强；后者则表示软件界面中每显示的一个光谱曲线，是需要测定多少次后并求取平均值得到的曲线。 至此，完成了对地物高光谱曲线的测量、保存与导出。
86910编辑于 2022-12-18 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
龙女高光谱卫星星座捕获中分辨率（5.30 米）高光谱卫星图像（ 503nm 到 799nm 的 23 个光谱波段）
简介 威龙开放数据计划提供免费的中分辨率（5.30 米）高光谱卫星图像，这些图像由龙女高光谱卫星星座捕获。数据集包含从 503nm 到 799nm 的 23 个光谱波段，每天重访率为 2 次。 技术规格 Parameter 参数 Value 价值 Spatial Resolution 空间分辨率 5.30 m 5.30 米 Spectral Bands 光谱波段 23 bands ( 数据集说明 空间信息 Band Number 波段号 Band Center (nm) 波段中心（nm） Wavelength Range (nm) 波长范围（nm） Spectral Region 光谱区域
35410编辑于 2025-02-20 - 来自专栏未来先知
基于选择性 Transformer 的高光谱图像分类 ！
I Introduction 随着超光谱成像技术的不断进步，超光谱图像（HSIs）现在提供了越来越丰富的空间-光谱信息，使得地球观测变得精确。 值得注意的是，HSI分类已成为遥感领域的一个基本任务，因为它在诸如灾害监测[14]，精准农业[15]，以及城市规划[16]等领域有广泛的应用。 受光谱分区的有效性启发，Mei等人[48]提出了分组像素嵌入策略和层次结构，以提取具有区分性的多尺度空间-光谱特征。 首先，作者利用空间全局平均池化将特征压缩为光谱特征描述符。接下来，作者使用全连接层来产生更紧凑的光谱注意力特征。 总之，这项消融研究证明，同时使用空间和光谱选择机制可以实现最佳分类性能，从而验证了所提出的空间-光谱选择机制的有效性。
1K10编辑于 2024-11-04 - 来自专栏视觉检测
高光谱视觉检测中光源的重要性
利用高光谱相机进行材料分类和异物检测、实现高速在线检测开发高功率高光谱相机用LED光源、可广泛应用。 但由于能够照射的波长较窄、例如受到同色异物混入或多个素材的材质分类等、可能需要使用可照射多种波长的光源和高光谱相机或类似设备。 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。 选择用于高光谱相机的LED光源，在生产现场进行在线检测时、当被检测物体高速运转时,传统产品有时会因亮度输出不足而导致图像暗淡。如今、CCS开发出了用于高光谱相机的大功率LED光源系统。 因此、通过在照射可见光的同时获取使用高光谱相机的反射光的波长数据、可以对各种颜色的不同反射光谱进行解析和分类处理、使微妙的色度差异变得鲜明、还可检测出混入的异物。
12910编辑于 2026-03-20 - 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
芯片镀膜 近年来，IMEC（欧洲微电子研究中心）采用高灵敏CCD芯片及SCMOS芯片研制了一种新的高光谱成像技术，在探测器的像元上分别镀不同波段的滤波膜实现高光谱成像，此技术大大降低了高光谱成像的成本。 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。 光源是高光谱成像系统的一个重要部分，它为整个成像系统提供照明；分光设备是高光谱成像系统的核心元件之一，分光设备通过光学元件把宽波长的混合光分散为不同频率的单波长光，并把分散光投射到面阵相机上；相机是高光谱成像系统的另一个核心元件 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。 在高光谱影像中能估计出多种被探测物的状态参量，大大的提高了成像高定量分析的精度和可靠性。 高光谱成像技术应用 1.
2.2K31发布于 2021-08-06 - 来自专栏计算机视觉
不同种类遥感图像汇总 ！！
遥感图像主要包括六个种类： 可见光遥感图像 全色遥感图像 多/高光谱遥感图像 红外遥感图像 Lidar遥感图像 合成孔径雷达遥感图像 1、可见光遥感图像 从20世纪60年代采用的多像机型传感器多光谱摄影 全色遥感图像一般空间分辨率高，但无法显示地物色彩，也就是图像的光谱信息少。 实际操作中，我们经常将全色图像与多波段图像融合处理，得到既有全色图像的高分辨率，又有多波段图像的彩色信息的图像。 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。 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。 高光谱成像（Hypespectral）是一种可以捕获和分析一片空间区域内逐点上光谱的精细技术，由于可以检测到单个对象不同空间位置上的独特光谱“特征”因此可以检测到在视觉上无法区分的物质。
1.5K10编辑于 2024-03-19 - 来自专栏计算机视觉
光学遥感卫星分辨率的奥秘 ！！
常见的光谱分辨率类型包括：多光谱分辨率和高光谱分辨率。 多光谱分辨率：其传感器通常具有几个到十几个波段，每个波段覆盖一个较宽的波长范围。 高光谱分辨率：其传感器能够提供数百到数千个连续的窄波段，每个波段的宽度非常窄。 多光谱图像与高光谱图像区别 （3）辐射分辨率 又称动态范围，是指卫星传感器在测量地物辐射时能够区分的最小辐射强度变化。 除了空间分辨率的提升，多光谱和高光谱技术的发展也使得遥感数据能够提供更丰富的光谱信息，有助于更准确地识别和分类地表特征。 通过多模态成像技术，融合光学、红外、高光谱等多种观测手段，未来的遥感卫星可能会集成多种成像模式，以提供更全面的地表信息。
1.1K10编辑于 2024-03-19 - 来自专栏PaddlePaddle
基于飞桨实现高光谱影像和全色影像融合
项目背景 高光谱影像因其高光谱分辨率（具有几百个光谱波段）所提供的丰富光谱信息在许多实际应用中都大放光彩，如图像分类、异常检测、变化检测和定量农业等领域。 高光谱全色融合是指融合具有高光谱、低空间分辨率的高光谱影像、以及高空间分辨率的单波段全色影像，来得到具有高光谱、高空间分辨率的影像，这是提升高光谱空间分辨率的一种有效的方式。 因此本文基于飞桨框架首次聚焦于大比例融合任务（比例为16），并针对融合问题的病态性（即从单波段全色影像预测多波段高光谱影像的反射率），本文提出了一种基于高光谱投影丰度空间的融合网络。 1.线性关系 全色和丰度特征之间的线性关系的推导如上所示，由第四个公式可知，全色强度为丰度的线性组合，而全色强度本身为高光谱的线性组合，因此将全色特征注入到丰度空间和注入到高光谱空间具有等价性。 第四到六幅影像为对应解码得到的高光谱影像，最后一个为真实影像。
65730编辑于 2022-04-19 - 来自专栏GEE遥感大数据学习社区
遥感学习武林秘籍分享
内容包括高光谱遥感、高分辨率影像处理、计算智能及其在遥感影像处理中的应用、影像处理工程、遥感应用和模式分析与机器学习等。 13.3.2 例 2：目标跟踪 5.3.2 高光谱遥感影像空-谱稀疏表达分类 13.3.3 例 3：行为识别 5.3.3 高光谱遥感影像空-谱稀疏表达聚类 13.4 已取得的主要成果 5.3.4 基于稀疏表达的高光谱影像亚像素异常探测 13.5 发展前景与就业 5.3.5 基于稀疏构图的高光谱影像特征提取 13.6 参考文献 5.3.6 基于低秩矩阵分解的高光谱遥感影像复原 14 机器人视觉 5.3.7 基于秩最小化的多角度影像配准 16.遥感应用——通用光谱模式分解算法及植被指数：由于高光谱图像具有很高的光谱分辨率，因而能够提供更为丰富的地物细节，有利于地物物理化学特性的反演。 高光谱遥感已经在各方面显示出了巨大的应用潜力，正受到国内 外专家学者的广泛关注，今后必将在诸多领域发挥越来越重要的作用。特征提取和植被信息提取在高光谱信息处理中占有非常重要的地位。
95521编辑于 2022-09-20 - 来自专栏GEE遥感大数据学习社区
面向科研人员的免费遥感数据集
H 高光谱遥感影像数据集 yperspectral Remote Sensing Data 高光谱遥感是将成像技术和光谱技术相结合的多维信息获取技术，可以同时获取目标的二维空间信息与第三维的光谱信息， 01 普渡大学高光谱影像数据集(含类别标注) https://engineering.purdue.edu/~biehl/MultiSpec/hyperspectral.html 02 雄安新区航空高光谱遥感影像分类数据集 EnMap高光谱影像。 此数据集不仅提供了分类参考，也提供了端元参考，因此可以用来做高光谱图像分类或者高光谱图像混合像元分解。 参考文献 单杰．（2017）., 从专业遥感到大众遥感．测绘学报, 46（10）：1434-1446.
4K22编辑于 2022-09-20 - 来自专栏点点GIS
遥感原理与应用复习重点整理
按照探测电磁波的工作波段分类：可见光遥感、红外遥感、微波遥感、多光谱遥感等。 按照遥感应用的目的分类：环境遥感、农业遥感、林业遥感、地质遥感等。 按照资料的记录方式：成像方式、非成像方式。 5、陆地卫星的种类：高分辨陆地卫星，高光谱陆地卫星，合成孔径雷达，小卫星。 小卫星：a重量轻，体积小b研制周期短，成本低c发射灵活，启动速度快，抗毁性强d技术性能高。 4、ETM+是一台8谱段的多光谱扫描辐射计。HRV是一种线阵列推扫式扫描仪。 5、成像光谱概念：是以多路、连续并具有高光谱分辨率方式获取图像信息的仪器，基本上属于多光谱扫描仪。 仅凭遥感影像的光谱特征的分布规律进行“盲目”的分类过程。其结果只是区分不同的类不能确定类别的属性特征。
2.5K32发布于 2021-08-18 - 来自专栏智能人工
智能遥感：AI赋能遥感技术
评价遥感数据质量的指标包括图像时间/空间分辨率、图像幅宽、空间特征、光谱特征、辐射几何精度等。高质量遥感影像具有高分辨率、高信噪比等特点。 1.1.2光学/SAR 定量化提升可见光、SAR、高光谱等遥感图像的定量化提升主要体现在几何、辐射、光谱、极化等几个方面，通过寻找稳定点来消除成像过程中产生的畸变，改善图像质量，使数据产品能够定量化反映地物的真实信息 为了克服基于影像本身修补方法的瓶颈，Chen 等人（2016）提出了通过模拟参考影像与云/影覆盖影像之间映射与转换关系的基于参考影像修补方法；这类方法依赖于不同光谱数据之间的强相关性，利用多光谱或高光谱影像中对云不敏感的光谱波段来重建被云 Luo 等（2018）针对高光谱图像语义分割中存在的类内特征分布差异，提出了一种均值差异最大化约束模型。Rao 等（2019）设计了一种自适应距离度量模型，提升高光谱图像地物要素的分类精度。 Shi 等（2020）针对高光谱图像的多类要素分类任务，利用多任务集成学习实现通道选择，获取最优通道组合。
2.3K70编辑于 2022-08-10
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