-
公开(公告)号：CN111998945A
公开(公告)日：2020-11-27
申请号：CN202010846546.4
申请日：2020-08-21
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
Abstract: 本发明公开了一种斯托克斯参量分块的全偏振高光谱图像压缩重构方法，能够增加偏振压缩的自由度，提高偏振重构的针对性和重构精度，缩短整体重构用时。采用四分之一波片与液晶可调滤波器组合将待测全偏振高光谱图像成像于探测器，选取四分之一波片快轴角度和液晶可调滤波器入射面角度实现不同全偏振调制方式。对于1种快轴角度和2种入射面角度的组合，利用求和法求解第一个斯托克斯参量S0，再重构后三个斯托克斯参量S1S2S3；对于2～3种快轴角度和1种入射面角度的组合，利用求差法重构S1S2S3，再求解S0；对于1～3种快轴角度和1种入射面角度的组合，利用缩放法重构S0，再重构S1S2S3。最终获得重构的全偏振高光谱图像。
-
公开(公告)号：CN111160478A
公开(公告)日：2020-05-15
申请号：CN201911410767.0
申请日：2019-12-31
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
Abstract: 本发明公开了一种基于深度学习的高光谱目标显著性检测方法，所述目标显著性检测方法至少包括深层特征提取步骤和显著性优化步骤，其中，所述深层特征提取步骤包括将原始高光谱图像经双通道的卷积神经网络完成包括空间特征和光谱特征的深层特征提取；所述显著性优化步骤包括将基于提取的深层特征完成背景线索和前景线索计算，并基于计算结果进行显著性优化，生成最终的显著性图。本发明基于深度学习提取高光谱图像的空间和光谱深层特征，提升了特征的鲁棒性，且卷积神经网络采用自监督训练，无需真值标签；利用显著性优化，能够提升生成显著性图的质量，突出显著性目标。
-
公开(公告)号：CN112781728B
公开(公告)日：2024-03-19
申请号：CN202011610708.0
申请日：2020-12-30
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
IPC: G01J4/00
Abstract: 本发明公开了精确求解结合压缩感知的全偏振高光谱成像方法，能够通过特定的两次全偏振调制，精确求解第一个斯托克斯参量，并据此提高后三个斯托克斯参量的重构精度，从而仅需一步重构用时；本发明利用四分之一波片、线偏振片和液晶可调滤波器组合实现全偏振调制和高光谱成像，固定四分之一波片的快轴角度和液晶可调滤波器的入射面线偏振角度，通过选取线偏振片的线偏振角度依次为45度和135度，获得两种全偏振调制，实现了偏振调制的最大自由度，且特定的调制方式简便灵活。
-
公开(公告)号：CN114965293A
公开(公告)日：2022-08-30
申请号：CN202210504116.3
申请日：2022-05-10
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
Abstract: 本发明提供了一种偏振光谱特征融合的水中氨氮检测方法，用于偏振光谱特征融合系统，系统包括光源、反射镜、四分之一波片、线偏振片、光纤透镜和光纤光谱仪；方法包括：C1：通过系统基于目标水样，采集偏振调制光谱；C2：解调目标水样反射光波的四个斯托克斯参量光谱；C3：选取不同数量的偏振调制光谱和斯托克斯参量光谱分别进行光谱特征融合；C4：基于氨氮浓度不同的目标水样的特征融合光谱，进行光谱分类。本发明实现了基于偏振特征融合光谱检测水中氨氮，通过光与物质之间的相互作用，无需使用辅助试剂，准确的检测水中氨氮浓度。
-
公开(公告)号：CN112781728A
公开(公告)日：2021-05-11
申请号：CN202011610708.0
申请日：2020-12-30
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
IPC: G01J4/00
Abstract: 本发明公开了精确求解结合压缩感知的全偏振高光谱成像方法，能够通过特定的两次全偏振调制，精确求解第一个斯托克斯参量，并据此提高后三个斯托克斯参量的重构精度，从而仅需一步重构用时；本发明利用四分之一波片、线偏振片和液晶可调滤波器组合实现全偏振调制和高光谱成像，固定四分之一波片的快轴角度和液晶可调滤波器的入射面线偏振角度，通过选取线偏振片的线偏振角度依次为45度和135度，获得两种全偏振调制，实现了偏振调制的最大自由度，且特定的调制方式简便灵活。
-
Patent Agency Ranking
公开(公告)号：CN111160478B
公开(公告)日：2022-07-26
申请号：CN201911410767.0
申请日：2019-12-31
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
IPC: G06V20/10 , G06V10/46 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的高光谱目标显著性检测方法，所述目标显著性检测方法至少包括深层特征提取步骤和显著性优化步骤，其中，所述深层特征提取步骤包括将原始高光谱图像经双通道的卷积神经网络完成包括空间特征和光谱特征的深层特征提取；所述显著性优化步骤包括将基于提取的深层特征完成背景线索和前景线索计算，并基于计算结果进行显著性优化，生成最终的显著性图。本发明基于深度学习提取高光谱图像的空间和光谱深层特征，提升了特征的鲁棒性，且卷积神经网络采用自监督训练，无需真值标签；利用显著性优化，能够提升生成显著性图的质量，突出显著性目标。
-
公开(公告)号：CN111426383B
公开(公告)日：2022-05-10
申请号：CN202010303994.X
申请日：2020-04-17
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
Abstract: 本发明公开了一种机器学习优化稀疏基的高光谱全偏振图像压缩重构方法，采用四分之一波片与具有线偏振特性的器件组合将图像成像于探测器，通过切换四分之一波片的快轴角度和/或具有线偏振特性的器件的透光轴角度实现不同的全偏振调制方式；采用该全偏振调制方式对任一波段的全偏振局部图像进行处理，获得压缩信息；采用粒子群算法优化稀疏基，优化后的稀疏基使得利用压缩信息重构的全偏振局部图像逼近其原图像。应用时，采用上述全偏振调制方式对高光谱全偏振图像进行偏振调制，获得压缩信息，并利用优化稀疏基获得重构的高光谱全偏振图像。采用本发明能够实现高光谱图像四个斯托克斯参量的重构，提高四个斯托克斯参量的重构精度。
-
公开(公告)号：CN111998945B
公开(公告)日：2022-11-01
申请号：CN202010846546.4
申请日：2020-08-21
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
Abstract: 本发明公开了一种斯托克斯参量分块的全偏振高光谱图像压缩重构方法，能够增加偏振压缩的自由度，提高偏振重构的针对性和重构精度，缩短整体重构用时。采用四分之一波片与液晶可调滤波器组合将待测全偏振高光谱图像成像于探测器，选取四分之一波片快轴角度和液晶可调滤波器入射面角度实现不同全偏振调制方式。对于1种快轴角度和2种入射面角度的组合，利用求和法求解第一个斯托克斯参量S0，再重构后三个斯托克斯参量S1S2S3；对于2～3种快轴角度和1种入射面角度的组合，利用求差法重构S1S2S3，再求解S0；对于1～3种快轴角度和1种入射面角度的组合，利用缩放法重构S0，再重构S1S2S3。最终获得重构的全偏振高光谱图像。
-
公开(公告)号：CN113008370A
公开(公告)日：2021-06-22
申请号：CN202110228167.3
申请日：2021-03-02
Applicant: 北京理工大学 , 北京理工大学重庆创新中心
Abstract: 本发明公开了一种基于液晶高光谱计算成像系统的三维自适应压缩重构方法，液晶高光谱计算成像系统包括LCTF、编码孔径、探测器和光学透镜。方法包括：采集LCTF在各光谱通道下的低分辨率图像，获得低分辨率数据立方体；进行插值操作，快速得到高分辨率的高光谱数据立方体；利用自适应编码规则，基于高光谱数据立方体生成各滤波波段所需的自适应编码孔径；通过自适应编码孔径分别获取各光谱通道下的压缩测量值；基于压缩感知理论，根据系统的观测矩阵、稀疏基和压缩测量值，重构出高分辨率的目标光谱数据立方体。本发明利用先验信息设计自适应编码孔径和空‑谱联合字典，使得本发明对目标场景有很强的适应性，能够提升成像质量。
-
公开(公告)号：CN114965293B
公开(公告)日：2025-05-09
申请号：CN202210504116.3
申请日：2022-05-10
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
Abstract: 本发明提供了一种偏振光谱特征融合的水中氨氮检测方法，用于偏振光谱特征融合系统，系统包括光源、反射镜、四分之一波片、线偏振片、光纤透镜和光纤光谱仪；方法包括：C1：通过系统基于目标水样，采集偏振调制光谱；C2：解调目标水样反射光波的四个斯托克斯参量光谱；C3：选取不同数量的偏振调制光谱和斯托克斯参量光谱分别进行光谱特征融合；C4：基于氨氮浓度不同的目标水样的特征融合光谱，进行光谱分类。本发明实现了基于偏振特征融合光谱检测水中氨氮，通过光与物质之间的相互作用，无需使用辅助试剂，准确的检测水中氨氮浓度。
-
-
-
-
-
-
-
-
-
Search Results
43
records
(took 0.027 seconds)
