<pre id="dzb5z"></pre>

          <ruby id="dzb5z"></ruby>

            <pre id="dzb5z"></pre>
            <p id="dzb5z"><mark id="dzb5z"></mark></p>
            <p id="dzb5z"><cite id="dzb5z"></cite></p>

            99久久国产综合精品麻豆
            案例详情
            所在位置: 首页> 成功案例> 伪装识别>

            伪装识别:高光谱成像技术为伪装识别提供解决方案

            日期:2021-11-29 09:44
            浏览次数:0
            摘要:我司于2015年7月13-14号在木兰围场草原的实验基地对伪装目标进行测试,利用高光谱成像仪获取伪装目标的高光谱数据,并进行目标识别。

                                                            
               四川双利合谱科技有限公司于2015年7月13-14号在木兰围场草原的实验基地对伪装目标进行测试,利用高光谱成像仪获取伪装目标的高光谱数据,并进行目标识别。


            双利合谱设备:高光谱成像仪;光谱范围:400nm-1000nm和1000nm-2500nm波段的两款相机,光谱分辨率:4nm@435.8nm(@400-1000nm)、11.9nm@1129nm(@1000-2500nm);目标距离:50m-2000m; 测试时间:14号上午10:30-14:30;

            1、利用短波红外相机进行测试:


            图1 挂载直升机

             


            图2 仪器设备

                 利用短波红外相机对目标进行拍摄,获取到相应的伪装目标图像,如下图所示,光谱范围为1000nm-2500nm波段。红圈标注目标为伪装网。利用短波红外波段的相机可以很直接的获取到伪装目标的影像并与其它背景目标区分开。

             绿色植被、树木等绿色的目标与伪装目标在整个大环境下都显示为绿色,而利用短波红外相机进行拍摄则可以区分开真实的绿色植被(或者树木、草)是与伪装目标不一样的。

            图3 短波红外高光谱相机拍摄图像(RGB图)

            在图4和图5所示的是对原始数据进行数据处理后的影像,同样能够区分开目标对象与背景的影像,伪装网如图中所示标注的位置。

            图4 PCA算法处理后结果

            图5 PCA算法处理后识别结果

            选取图像中9个目标物,分别为伪装网1-6、树木、树林、房屋为对象,获取其相应的光谱曲线,如图所示。

            图6 不同目标的光谱曲线


            伪装网12346对应的光谱曲线基本一致,伪装网5的光谱曲线与其它5种有很大的差别,此伪装网为国防科大特别提供的伪装网,与树木的光谱曲线有些类似,但比植被的反射率高,在2061nm处和其它5种伪装网有相同的光谱吸收峰存在。

             图7 不同目标的光谱曲线

             

            图8 伪装&树木&汽车目标识别

             

            图9 目标物的光谱曲线

             

            树木、汽车、伪装网均有自身的特征峰位置,可以通过具体的算法来完成这些目标物的分类和识别。


            2、利用可见-近红外相机进行测试:

            图1 高光谱成像仪

            利用可见-近红外高光谱相机对伪装网进行图像采集,光谱范围:400nm-1000nm,光谱分辨率4nm。

            图2 可见-近红外高光谱相机拍摄

             

            图3 算法处理后的识别结果

             

             

            图4 光谱曲线

                选取不同的目标对象,获取相应的光谱,植被的光谱在680nm以后分反射率会提高,而非植被所表现出来的红边效应与真实的植被的红边效应有很大的差别。

                对可见-近红外波段的数据进行数据处理,分别利用归一化植被指数和红边归一化植被指数来简单的对目标物进行区分识别。


            1、归一化植被指数(Normalized Difference Vegetation Index, NDVI)计算可以将多光谱数据变换成一个单独的图像波段,用于显示植被的分布。能够发现非植被目标物与植被之间的区别,隐藏在植被中的伪装网利用归一化植被指数处理算法进行处理后,其很明显的能够真实植被区分开。

            图5 单波段下图像

            标准算法: 
            NDVI=(ρ_Nir-ρ_Red)/(ρ_Nir+ρ_Red )
            规定波段的中心波长: ρ_Nir=800nm; ρ_Red=680nm

            图6 RGB图


                对图像中所有的目标都进行相应的算法处理,指数系数从低到高依次排开,并进行了详细的划分。

            图7 分类识别结果

                不同的目标物(或植被)的归一化植被指数是不同的,利用植被标准算法进行处理后可以得到相应的指数系数。
                NDVI值的范围在-1和+1之间,一般的绿色植被的范围是0.2~0.8。

            图8 植被分类识别结果

            2、红边归一化指数:

            规定波段的中心波长: ρ_Nir=750nm; ρ_Red=705nm

            图9 分类识别结果

                〖NDVI〗_705值的范围在-1和+1之间,一般的绿色植被的范围是0.2~0.9。

            图10 植被分类识别结果

                利用植被的红边效应可以区分开真实植被与伪装目标。伪装目标并未表现出非常明显的红边效应。

             

            下一篇: 食品安全:高光谱成像检测系统对果蔬表面污染及损伤的无损检测的解决方案
            上一篇:
            江苏双利合谱主要生产经营:高光谱成像仪,机载高光谱,生物高光谱,刑侦高光谱,地物高光谱,高光谱仪,成像光谱仪,农产品高光谱、高光谱相机系列产品。