精华内容
下载资源
问答
  • 还可以获得图像的假彩色合成,以便更好地可视化表面差异。 各个波段的高光谱图像彼此堆叠,以形成用于SAM实现的三维图像立方体。 SAM是一种监督分类算法,可基于光谱角的计算来识别图像中的各种类别。 在为每个像素...
  • 如何制作上图的假彩色图 并进行标注呢 打开软件后, 选择最后一项 点击取色笔 取色后, 点击颜色,便可以得知rgb三种数值各为多少。

    在这里插入图片描述
    如何制作上图的假彩色图 并进行标注呢

    在这里插入图片描述
    在这里插入图片描述
    打开软件后,
    选择最后一项

    点击取色笔
    在这里插入图片描述
    取色后,
    点击颜色,便可以得知rgb三种数值各为多少。
    在这里插入图片描述

    展开全文
  • 遥感图像彩色合成

    万次阅读 2011-03-22 16:30:00
    遥感图像彩色合成(遥感数字图像处理教程,韦玉春等,科学出版社,2007,pp67~75)  电磁波谱中可见光能被人眼所感觉而产生视觉,不同波长的光显出不同的颜色。自然界中的物体,对于入射光有不同的选择性...

    遥感图像彩色合成(遥感数字图像处理教程,韦玉春等,科学出版社,2007,pp67~75

      电磁波谱中可见光能被人眼所感觉而产生视觉,不同波长的光显出不同的颜色。自然界中的物体,对于入射光有不同的选择性吸收和反射的能力,而显示出不同的色彩。故不同波长和强度的光进入眼睛,使人觉得周围景象五光十色。人的视觉只能分辨出单一波长对应的单色光,如0.62-0.76微米波长的光感觉为红色,但不能分出混合色,如0.7微米波长的红光与0.54微米波长的绿光按一定比例混合叠加后,人眼感觉为黄色。

    彩色合成技术就是利用眼睛的视觉特性,以少数几种色光或染料合成出许多不同的颜色。

    遥感图像彩色合成包括伪彩色合成、真彩色合成、假彩色合成和模拟彩色合成4种方法。

    伪彩色合成是把单波段灰度图像中的不同灰度级按特定的函数关系变换成彩色,然后进行彩色图像显示的方法,主要通过密度分割法来实现。

    真彩色合成:即在彩色合成中选择的波段的波长与红绿蓝的波长相同或相近,得到的图像颜色与真彩色近似的合成方式。例如,TM图像的321波段分别赋予红、绿、蓝三色,由于赋予的颜色与原波段的颜色相同,可以得到近似的真彩色图像。

    假彩色合成:是最常用的一种合成方法,对于多波段遥感图像,选取其中的任意3个波段,分别赋予红、绿、蓝三种原色,即可在屏幕上合成彩色图像。但所合成的彩色图像并不表示地物真实的颜色。

    假彩色合成选用的波段应该以地物的光谱特征作为出发点,不同的波段合成方式,用来突出不同的地物信息。在LANDSATTM图像中,波段2为绿波段(0.52-0.60um),波段3为红波段(0.63-0.69),波段4为近红外波段(0.76-0.90),对432波段分别赋予红、绿、蓝色合成的假彩色图像称为标准假彩色图像。类似地,对于MSS图像,选择波段421分别赋予红、绿、蓝色合成可得标准假彩色图像,SPOT图像的标准假彩色合成方案为3(红)、2(绿)、1(蓝)。在标准假彩色图像中,突出了植被、水体、城乡、山区、平原等特征,植被为红色、水体为黑色或蓝色、城镇为深色,地物类型信息丰富。

    模拟真彩色合成:3种方法:1SPOT IMAGE公司提供的方法:红色用XS2表示,绿色用(XS1+XS2+XS3/3的波段运算实现,蓝色用XS1波段代替;2RRDAS IMAGING软件中的方法:红色用XS2表示,绿色用(XS1*3+XS3/4的波段算法实现,蓝色用XS1波段代替;3)不确定参数法:此法引入了全色波段(P),红色用(aP+1-aXS3)表示,绿色用2P*XS2/XS1+XS2)的波段运算实现,蓝色用2P*XS1/XS1+XS2)波段代替,为了防止出现过饱和现象,系数a根据遥感影像景观取值,介于0.1-0.5之间。

     

    展开全文
  • 高光谱图像彩色合成 高光谱图像波段选择 本科毕业设计论文 校级优秀毕业论文 附代码 算法类
  • Grupo De Inteligencia Computacional Remote Sensing Laboratory 以下是高光谱图像的伪彩色合成(false-color composites): (a)ROSIS image of University of Pavia, Italy; (b) ROSIS image of part of the ...


    Github 源码获取

    https://github.com/datamonday/HSI-Analysis


    高光谱图像(Hyperspectral Image,HSI) 分析是人工智能(AI)研究中的前沿领域,因为它在从农业到监视的各个领域中都得到了应用。

    这篇文章旨在帮助初学者使用Python从以下部分进行HSI分析:(1)数据收集;(2)数据预处理;(3)数据可视化以及探索性数据分析。


    Introduction

    在遥感(Remote Sensing)中,高光谱遥感器广泛用于以高光谱分辨率监视地球表面。HSI数据通常包含同一空间区域上的数百个光谱带,这些光谱带提供了识别各种材料的有价值的信息。 在HSI中,每个像素(pixel)都可以视为一个高维向量,像素的数值对应于从可见光到红外的光谱反射率(spectral reflectance)。

    高光谱数据的采集和收集变得越来越容易,这使得高光谱图像分析成为许多应用中的有前途的技术之一,包括精准农业,环境分析,军事监视,矿物勘探,城市调查等。

    高光谱图像分类(Classification of Hyperspectral Images)是对图像中每个像素的类标签进行分类的任务。

    困难之处在于,没有流行的HSI数据源,这使得初学者很难开始进行HSI分析。以下是HSI的一些数据源。

    以下是高光谱图像的伪彩色合成(false-color composites):

    (a)ROSIS image of University of Pavia, Italy; (b) ROSIS image of part of the city of Pavia, Italy; (c) ProSpecTIR image of part of Reno, NV, USA;(d) HyMAP image of Dedelow, Germany; and (e) HYDICE image of part of Washington DC, USA.

    在这里插入图片描述

    Photo by Rama Rao Nidamanuri

    Data Preprocessing

    高光谱图像(HSI)数据主要以.mat文件的格式提供。可以使用 Scipy.io中的loadmat函数进行读取,返回字典格式,通过选择相应的键得到对应的numpy.ndarray数组

    提取HSI像素是重要的预处理任务之一。这样可以更轻松地处理数据并实现机器学习算法,例如分类,聚类等。

    使用Pavia大学数据集进行演示,该数据集使用ROSIS传感器在意大利北部帕维亚(Pavia)上空获得了HSI影像。 光谱带的数量为103,HSI的大小为 610 * 340 像素,包含9个类别。 图像中的某些像素不包含任何信息,必须在分析之前将其丢弃。几何分辨率为1.3米。


    1)Download Dataset

    http://www.ehu.eus/ccwintco/uploads/e/ee/PaviaU.mat
    http://www.ehu.eus/ccwintco/uploads/5/50/PaviaU_gt.mat
    

    2)Loading Dataset

    使用 Scientific Python(SciPy) python 库读取数据。

    from scipy.io import loadmat
    
    def read_HSI():
      X = loadmat('PaviaU.mat')['paviaU']
      y = loadmat('PaviaU_gt.mat')['paviaU_gt']
      print(f"X shape: {X.shape}\ny shape: {y.shape}")
      return X, y
    
    X, y = read_HSI()
    

    输出:

    X shape: (610, 340, 103)
    y shape: (610, 340)
    

    以上的尺寸说明,当前的高光谱图像(单张),尺寸为610 × 340像素,共有103不同的波长下的图片

    其中每个像素代表一类,那么一类像素的shape就是每张图片中相同位置的像素×103不同波长下的像素:即1(行)×103(列)


    3)Extracting Pixels

    像素是高光谱图像(HSI)中的各个元素,HSI是长度等于HSI波段数的向量。下图是Pavia大学HSI的一些样本波段。

    import seaborn as sns
    sns.axes_style('whitegrid')
    fig = plt.figure(figsize=(12, 6))
    
    for i in range(1, 1+6):
        fig.add_subplot(2, 3, i)
        q = np.random.randint(X.shape[2])
        plt.imshow(X[:, :, q], cmap='jet')
        plt.axis('off')
        plt.title(f'band - {q}')
    

    在这里插入图片描述

    Sample Bands of Pavia University HSI

    4)Save to CSV

    下面的代码用于从HSI提取像素并将其保存到CSV文件中,并返回Pandas数据帧。

    import pandas as pd
    import numpy as np
    def extract_pixels(X, y):
      q = X.reshape(-1, X.shape[2])
      df = pd.DataFrame(data = q)
      df = pd.concat([df, pd.DataFrame(data = y.ravel())], axis=1)
      df.columns= [f'band{i}' for i in range(1, 1+X.shape[2])]+['class']
      df.to_csv('Dataset.csv')
      return df
    df = extract_pixels(X, y)
    df.info()
    

    输出:

    <class 'pandas.core.frame.DataFrame'>
    RangeIndex: 207400 entries, 0 to 207399
    Columns: 104 entries, band1 to class
    dtypes: uint16(103), uint8(1)
    memory usage: 40.9 MB
    

    5)查看图像的真实标注

    !pip install plotly
    import plotly.express as px
    
    cls = px.imshow(y, color_continuous_scale='jet')
    
    cls.update_layout(title='Ground Truth', coloraxis_showscale=True)
    cls.update_xaxes(showticklabels=False)
    cls.update_yaxes(showticklabels=False)
    cls.show()
    

    在这里插入图片描述


    Exploratory Data Analysis

    由于Pavia University数据集具有较高的维度,因此难以处理庞大的数据。 因此,使用主成分分析(PCA)将数据的维数缩减为3维,这是一种流行且广泛使用的降维技术。

    PCA降维以便可视化

    from sklearn.decomposition import PCA
    pca = PCA(n_components = 3)
    data = df.iloc[:, :-1].values
    dt = pca.fit_transform(data)
    q = pd.concat([pd.DataFrame(dt), pd.DataFrame(y.ravel())], axis=1)
    q.columns = [f'PC-{i}' for i in range(1, 4)] + ['class']
    q.head()
    

    在这里插入图片描述

    q.to_csv('dataset/paviaU_pca3.csv', index=False)
    # Removing class - 0 as it is not need.
    q2 = q[q['class'] != 0]
    q2.head()
    

    在这里插入图片描述
    该数据集共九类,具体代表的真实含义如下:

    class_labels = {'1':'Asphalt',
                    '2':'Meadows',
                    '3':'Gravel',
                    '4':'Trees',
                    '5':'Painted metal sheets',
                    '6':'Bare Soil',
                    '7':'Bitumen',
                    '8':'Self Blocking Bricks',
                    '9':'Shadows'
                   }
    
    # 添加真实标签列:将数值标签映射到对应的真实标签
    q2['label'] = q2.loc[:, 'class'].apply(lambda x: class_labels[str(x)])
    q2['label'].value_counts()
    

    统计类别数量:

    Meadows                 18649
    Asphalt                  6631
    Bare Soil                5029
    Self Blocking Bricks     3682
    Trees                    3064
    Gravel                   2099
    Painted metal sheets     1345
    Bitumen                  1330
    Shadows                   947
    Name: label, dtype: int64
    
    q2.head()
    

    Plot use Plotly

    Plotly是交互式绘图的Python工具,将代码复制到notebook运行即可实现,通过扩展包chart_studio可以生成html格式的交互式图表,可以嵌入到博客中,但是我这边运行提示HTTPError,没法写在博客里了,懂的都懂。代码自己运行吧。

    1)Bar plot

    类别统计柱状图

    import plotly.express as px
    count = q2['class'].value_counts()
    bar_fig = px.bar(x=count.index[1:], y=count[1:], labels=class_labels, color=count.index[1:])
    bar_fig.update_layout(xaxis = dict(title='Class', 
                                       tickmode='array', 
                                       tickvals=count.index[1:].tolist(), 
                                       tickangle = 45,
                                      ),
                          yaxis = dict(title='count',),
                          showlegend=True
                         )
    bar_fig.show()
    

    在这里插入图片描述


    2)Pair plot

    配对图:这是一种可视化每个变量之间关系的方法。它提供了数据中每个变量之间的关系矩阵。下图显示了主成分(PC1,PC2和PC3)之间的关系。

    # sampling dataset
    sample_size = 200
    sample = q2.groupby('class').apply(lambda x: x.sample(sample_size))
    sample
    

    在这里插入图片描述


    3)2D Scatter Plot

    fig = px.scatter(sample, x="PC-1", y="PC-2", size="class", color="label",
                     hover_name="label", log_x=True, size_max=12)
    fig.show()
    

    在这里插入图片描述


    4)2D Violin Plot

    # Box Plot
    fig = px.violin(sample, y="PC-1", x="PC-2", color="label", 
                          box=True, points="all", hover_data=['PC-1', 'PC-2', 'PC-3','label'])
    fig.show()
    

    在这里插入图片描述


    5)3D Scatter Plot

    3D散点图:将数据点绘制在三维轴上,以显示三个变量之间的关系。下图以3D散点图的形式表示主成分(PC1,PC2和PC3)之间的关系。
    在这里插入图片描述


    6)Area Plot

    面积图:表示一个变量相对于将数据点与线段相连的另一个变量的变化。 主成分(PC1,PC2和PC3)的可视化如下所示:

    area_plt1 = px.area(sample, x="PC-1", y="PC-2", color="label", line_group="label")
    area_plt1.show()
    # py.plot(area_plt1, filename = 'area_plt1', auto_open=True)
    

    在这里插入图片描述

    area_plt2 = px.area(sample, x="PC-1", y="PC-3", color="label", line_group="label")
    area_plt2.show()
    # py.plot(area_plt2, filename = 'area_plt2', auto_open=True)
    

    在这里插入图片描述

    area_plt3 = px.area(sample, x="PC-2", y="PC-3", color="label", line_group="label")
    area_plt3.show()
    # py.plot(area_plt3, filename = 'area_plt2', auto_open=True)
    

    在这里插入图片描述


    Reference

    Hyperspectral Image Analysis — Getting Started
    什么是面积图?一篇文章带你了解层叠面积图!
    “面积图”就是折线图吗?


    展开全文
  • 医学图像高光谱图像

    千次阅读 2018-03-07 17:51:52
    为什么panchromatic 图像的分辨率,下面是一位外国网友的精彩回答:Panchromatic images are created when the imaging sensor is sensitive to a wide range of wavelengths of light, typically spanning a ...
    为什么panchromatic 图像的分辨率高,下面是一位外国网友的精彩回答:

    Panchromatic images are created when the imaging sensor is sensitive to a wide range of wavelengths of light, typically spanning a large part of the visible part of the spectrum. Here is the thing, all imaging sensors need a certain minimum amount of light energy before they can detect a difference in brightness. If the sensor is only sensitive (or is only directed) to light from a very specific part of the spectrum, say for example the blue wavelengths, then there is a limited amount of energy available to the sensor compared to a sensor that samples across a wider range of wavelengths. To compensate for this limited energy availability, multi-spectral sensors (the kind that create red, green, blue, near infrared images) will typically sample over a larger spatial extent to get the necessary amount of energy needed to 'fill' the imaging detector. Thus, multispectral band images will typically be of a coarser spatial resolution than a panchromatic image. There is a trade-off that is made between the spectral resolution (i.e. the range of wavelengths that are sampled by an imaging detector) and the spatial resolution. This is why commercial satellites like Ikonos and Geoeye will commonly provide three or more relatively coarse resolution multispecral bands along with a finer spatial resolution panchromatic band. Importantly, there exists a kind of compromise here in which you can combine the fine spatial resolution of a pan image with the high spectral resolution of multi-spectral bands. This is what is known as panchromatic sharpening and it is commonly used to compensate for the spectral/spatial compromise in satellite imaging.


    Incidentally, this is also the reason why bands of multi-spectral imagery taken in longer wavelengths, e.g. short-wave infrared, tend to be sampled over much wider ranges of wavelengths compared to the visible bands. The amount of reflected and emitted electromagnetic energy bouncing around out there is uneven and the sun emits a peak around the visible part. Once you get into the short-wave infrared, there is far less energy around to sample compared to shorter-wavelength visible light, so the detectors have to be sensitive to a wider range. If you take a look at Landsat 8, as an example, the SWIR2 band 7 actually samples a wider range of wavelengths than its panchromatic band.

    总结起来就是,从遥远的卫星视角来看,如果波长的范围越窄(spectral),传感器成像所有的光的能量越多,比如地面上30m*30m的范围才能成一个像素,相反,如果波长范围越宽,单位面积内地面物体反射的能量越大,地面上可能只要4m*4m就可以对应传感器上一个像素。这就解释了卫星图像不能得到高分辨率的彩色图像(卫星成像中,最高分辨率的永远是panchromatic图像)。





    随着光谱分辨率的不断提高,光学遥感的发展过程可分为:全色(Panchromatic)→彩色(Color Photography)→多光谱(Multispectral)→高光谱(hyspectral)。

    注:

    全色波段(Panchromatic band),因为是单波段,在图上显示是灰度图片。全色遥感影像一般空间分辨率高,但无法显示地物色彩。 实际操作中,我们经常将之与波段影象融合处理,得到既有全色影象的高分辨率,又有多波段影象的彩色信息的影象。
    全色波段,一般指使用0.5微米到0.75微米左右的单波段,即从绿色往后的可见光波段。全色遥感影象也就是对地物辐射中全色波段的影象摄取,因为是单波段,在图上显示是灰度图片。全色遥感影象一般空间分辨率高,但无法显示地物色彩。

    多光谱遥感
    多光谱遥感:将地物辐射电磁破分割成若干个较窄的光谱段,以摄影或扫描的方式,在同一时间获得同一目标不同波段信息的遥感技术。
    原理:不同地物有不同的光谱特性,同一地物则具有相同的光谱特性。不同地物在不同波段的辐射能量有差别,取得的不同波段图像上有差别。
    优点:多光谱遥感不仅可以根据影像的形态和结构的差异判别地物,还可以根据光谱特性的差异判别地物,扩大了遥感的信息量。
    航空摄影用的多光谱摄影与陆地卫星所用的多光谱扫描均能得到不同普段的遥感资料,分普段的图像或数据可以通过摄影彩色合成或计算机图像处理,获得比常规方法更为丰富的图像,也为地物影像计算机识别与分类提供了可能。

    高光谱
    高光谱遥感起源于20世纪70年代初的多光谱遥感,它将成像技术与光谱技术结合在一起,在对目标的空间特征成像的同时,对每个空间像元经过色散形成几十乃至几百个窄波段以进行连续的光谱覆盖,这样形成的遥感数据可以用“图像立方体”来形象的描述。同传统遥感技术相比,其所获取的图像包含丰富的空间、辐射和光谱三重信息。
    高光谱遥感技术已经成为当前遥感领域的前沿技术。
    高光谱遥感具有不同于传统遥感的新特点:
    1)波段多:可以为每个像元提供十几、数百甚至上千个波段;
    2)光谱范围窄:波段范围一般小于10nm;
    3)波段连续:有些传感器可以在350~2500nm的太阳光谱范围内提供几乎连续的地物光谱;
    4)数据量大:随着波段数的增加,数据量成指数增加;
    5)信息冗余增加:由于相邻波段高度相关,冗余信息也相对增加。
    优点:
    1)有利于利用光谱特征分析来研究地物;
    2)有利于采用各种光谱匹配模型;
    3)有利于地物的精细分类与识别;

    异同点
    国际遥感界的共识是光谱分辨率在λ/10数量级范围的称为多光谱(Multispectral),这样的遥感器在可见光和近红外光谱区 只有几个波段,如美国 LandsatMSS,TM,法国的SPOT等;而光谱分辨率在λ/100的遥感信息称之为高光谱遥感(HyPerspectral);随着遥感光谱分辨 率的进一步提高,在达到λ/1000时,遥感即进入超高光谱(ultraspectral)阶段(陈述彭等,1998)。
    高光谱和多光谱实质上的差别就是:高光谱的波段较多,普带较窄。(Hyperion有233~309个波段,MODIS有36个波段)
    多光谱相对波段较少。(如ETM+,8个波段,分为红波段,绿波段,蓝波段,可见光,热红外(2个),近红外和全色波段)
    高光谱遥感就是多比多光谱遥感的光谱分辨率更高,但光谱分辨率高的同时空间分辨率会降低。
    红外传感器的工作范围主要在0.75微米到1000微米(近红外0.75-3,中红外3-6,远红外8-15,极远红外15-1000)图像分辨率低,细节不清晰。

    可见光传感器:380-780纳米(0.38-0.78微米)分辨率高,细节丰富,光线较暗无法清晰成像。

    自1895年伦琴发现X射线以来,医学图像主要包括两大类,解剖结构图像和功能代谢图像。常见的解剖结构图像包括:超声波成像(Ultrasonic Imaging,UI),计算机断层成像(Couputed tomograph,CT),X射线断层成像,(X-ray computed tomography),磁共振成像(Magnetic resonance imaging,MRI),数字减影血管造影成像(digital subtraction angiograpyh, DSA).这类图像分辨率高,能清晰的显示组织器官的解剖结构信息。功能性代谢图像包括,正电子发射断层成像(positron emission tomography ,PET),单光子发射断层成像(single-photon emission computed tomograpyh, SPECT),功能核磁共振成像(funtional MRI, fMRI),这类图像分辨率低,目标组织的边界模糊,但能提供病灶区域的代谢功能信息。


    
    
    
    
    
    
    展开全文
  • 高光谱遥感实验

    2013-12-30 18:01:43
    1 运用遥感软件认识光谱库 2 提取高光谱数据上的兴趣样区 3 进行彩色合成显示 4 学习使用ENVI的FLAASH模块进行高光谱遥感图像的大气校正
  • Spectral Python(SPy)是一个python软件包,用于读取,查看,操作和分类高光谱图像(HSI)数据。 SPy包括用于聚类,降维,监督分类等功能。
  • 光谱图像融合

    千次阅读 2019-11-11 10:13:26
    现在需要合成高分辨率的彩色图像,则需要对两张图像进行融合,具体的方法有很多,这里给出:DWT和PCA两种方法,可以得到合成图像: DWT图像 PCA图像 具体的代码我已经打包上传了,直接运行即可,生成的图像在...
  • 高光谱图像提取波段显示伪彩图(rgb) import scipy.io as scio import numpy as np import cv2 data = scio.loadmat(‘path/reflect_norm_sg.mat')['reflect_norm_sg'] print(data.shape) rgb_datas = data[:, :,...
  • hsi matlab代码TGRS,2021年,具有针对高光谱图像...Pines数据集的合成彩色图像,地面真实情况,训练样本和分类图。 参考 如果您认为此代码有帮助,请引用: [1] B. Xi,J。Li,Y。Li,R。Song,Y。Xiao,Y。Shi,
  • 作 者 信 息赵婵娟,周绍光,丁 倩,刘丽丽(河海大学 地球科学与工程学院,江苏 南京 211100)“【摘要】针对高光谱遥感图像分类中标记样本难获取的问题,提出了一种基于同质区和迁移学习的新型半监督分类方法。...
  • Pines数据集的合成彩色图像,地面真实情况,训练样本和分类图。 参考 如果您认为此代码有帮助,请引用: [1] B. Xi,J。Li,Y。Li,R。Song,W。Sun和Q. Du,“多尺度上下文感知集成深度KELM,用于高效的高光谱...
  • 高光谱解混数据集(Samson),具有156个通道的Matlab 格式数据,原始数据有952x 952像素。每个像素记录在156个通道上,覆盖401nm 至889nm的波长。光谱分辨率高达3.13 nm。由于原始图像太大,这在计算成本方面非常...
  • 光谱高光谱的区别

    千次阅读 2019-04-09 16:19:00
    随着光谱分辨率的不断提高,光学遥感的发展过程可分为:全色(Panchromatic)→彩色(Color Photography)→多光谱(Multispectral)→高光谱(hyspectral)。注: 全色波段(Panchromatic band),因为是单波段...
  • 在多光谱彩色成像中,需要选择减少数量的最佳成像通道以同时加速图像获取过程并保持反射率重建精度。 在本文中,信道选择问题被转换为二进制优化问题,因此使用一种新颖的二进制差分进化(DE)算法来解决。 在提出的...
  • [高光谱] GitHub开源项目Hyperspectral-Classification的解析

    千次阅读 热门讨论 2019-08-13 18:26:46
    项目的作者是Xidian university,是基于PyTorch的高光谱图像地物目标的分类程序。该项目兼容Python 2.7和Python 3.5+,基于PyTorch深度学习和GPU计算框架,并使用Visdom可视化服务器。 预定义的公开的数据集有: ...
  • 随着光谱分辨率的不断提高,光学遥感的发展过程可分为: 全色(Panchromatic)→彩色(Color ...全色遥感影像一般空间分辨率,但无法显示地物色彩。 实际操作中,我们经常将之与波段影象融合处理,得到既有全色
  • 遥感影像波段与波段合成

    千次阅读 2020-11-23 20:56:14
    高光谱波段 假彩色彩色彩色(pseudo-color) 真彩色、假彩色和伪彩色的区别 全色波段 全色波段,一般指使用0.5微米到0. 75微米左右的单波段,即从绿色往后的可见光波段。全色遥感影象也就是对地物辐射中全...
  • 其流程为对高光谱数据进行皮肤识别后,改变皮肤区域反射率参数,而保持其他光度参数,如阴影参数、其他区域反射率、高光参数、光谱功率不变,最后对原光谱数据与修改后的光谱数据进行伪彩色合成。值得注意的是,后面...
  • ENVI遥感影像自然真彩色增强方法

    万次阅读 2015-10-14 23:06:12
     多光谱影像彩色合成方法主要分为2... 遥感影像自然真彩色合成可分为以下几种方法:1、直接用多光谱影像的红、绿、蓝通道合成,一般用于分辨率影像;2、利用其它波段加权处理,重新生成红、绿、蓝波段,一般用
  • 本例演示如何使用MATLAB数组算法处理图像和绘制图像...步骤1:从多光谱图像文件导入彩色红外通道 此示例在覆盖法国巴黎部分地区的陆地卫星专题制图器图像中发现植被,由Space Imaging,LLC提供。七个光谱通道(波段)以
  • 以往用户在用遥感数据合成彩色影像时一般采用Landsat数据,这是因为Landsat的TM或ETM+传感器提供了R,G,B以及IR等共6个波段(1,2,3,4,5和7波段)的多光谱数据,不足之处是数据的空间分辨率稍低。法国SPOT数据...
  • 实验结果表明:BP 神经网络能够很好地模拟多光谱影像的蓝波段,并且能够在一定程度上去除蓝波段上的大气影响,从而可以得到较为理想的真彩色合成效果。研究成果进一步扩展了图-图遥感影像波段模拟模型的研究深度。
  • 基于高光谱数据的城市不透水面研究 摘要:针对多光谱卫星遥感数据监测城市生态环境的限制和高光谱遥感数据的优越性,以北京城区为例,选择2004年地球观测卫-1( EO-1) Hyperion 高光谱遥感数据,在波段选择、...
  • 彩色图像处理

    千次阅读 2018-08-20 14:53:33
    (3)成像接收器(眼睛或成像传感器)——光谱能量吸收性质   2彩色模型 彩色模型也称彩色空间或彩色系统,是用来精确标定和生成各种颜色的一套规则和定义,它的用途是在某些标准下用通常可接受的方式简化彩色...
  • 光谱遥感器彩色图像合成是直接提取多光谱图像中R、G、B 波段合成,由于多光谱成像探测器光谱响应特性与国际照明委员会(CIE)颜色匹配函数严重不匹配,合成彩色图像出现严重的颜色失真,需进行颜色校正。...
  • 基于ENVI与ERDAS的Hyperion高光谱经验比值法、一阶微分法叶绿素及地表参数反演1 前期准备与本文理论部分1.1 几句闲谈1.2 背景知识1.2.1 Hyperion数据介绍1.2.2 遥感图像分类方法1.2.3 大气校正1.2.4 反演算法2 基于...
  • Indian Pines航空高光谱遥感影像(简称“Indian Pines数据”),该数据由NASA AVIRIS传感器于1992年6月12日在美国印第安纳州西 北部农业区获取。 u该数据空间分辨率为20m,影像空间大小为145x145像素(21025个)...
  • 项目的作者是Xidian university,是基于PyTorch的高光谱图像地物目标的分类程序。该项目兼容Python 2.7和Python 3.5+,基于PyTorch深度学习和GPU计算框架,并使用Visdom可视化服务器。 预定义的公开的数据集有: ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,056
精华内容 422
热门标签
关键字:

高光谱影像彩色合成