-
公开(公告)号：CN119715405A
公开(公告)日：2025-03-28
申请号：CN202411654009.4
申请日：2024-11-19
Applicant: 中国科学院西安光学精密机械研究所
Abstract: 本发明公开了一种多狭缝高光谱图像数据的像移检测修正方法，解决了现有技术中尚未见针对多狭缝高光谱数据间各像元像移差异的检测方法，制约了多狭缝高光谱成像系统优势的体现及其数据高质量应用的问题，本发明将多狭缝高光谱数据间各像元的像移量看作各图像的像移量，各像元像移量之间存在连续性，利用纵横两方向上不同的像移连续性约束HS稠密光流法实现各像元像移量的检测修正，而后基于多狭缝高光谱成像系统的畸变像移偏差、平台运动引起的成像像移偏差对通过HS稠密光流法计算得到的光流数值进行修正，剔除异常光流数值，通过线性差值计算结果补充被剔除像元位置的光流数值，得到多狭缝高光谱数据各像元的最终像移量。
-
公开(公告)号：CN110632002B
公开(公告)日：2025-03-14
申请号：CN201910944971.4
申请日：2019-09-30
Applicant: 中国科学院西安光学精密机械研究所
IPC: G01N21/27
Abstract: 本发明提供了一种基于压缩感知的孔径编码光谱探测装置，解决现有光谱探测技术中，色散型和干涉型光谱探测技术均存在一定不足的问题。该装置包括沿光束方向依次设置的成像镜、滤光片阵列、空间光调制器、单元探测器及数据处理单元；所述成像镜用于将目标成像于一次像面位置；所述滤光片阵列用于对目标的光谱信息进行调制，使得孔径不同位置的光线的波长不同；所述空间光调制器用于对调制后的光谱信息进行编码；所述单元探测器用于接收编码后图像信号；所述数据处理单元用于对单元探测器接收的编码后图像信号进行解码处理，可复原获得目标的光谱数据。
-
公开(公告)号：CN115773612B
公开(公告)日：2024-10-01
申请号：CN202211504548.0
申请日：2022-11-28
Applicant: 中国科学院西安光学精密机械研究所
Abstract: 本发明涉及制冷机隔振系统，具体涉及空间光学设备多制冷机的组合隔振系统及设计方法，解决了现有隔振系统隔振效率低、空间利用率低的技术问题。本发明提供的空间光学设备多制冷机的组合隔振系统及设计方法根据空间和隔振效率需求，可灵活选择采用串联、并联或串联与并联组合等固定方式将多台制冷机作为一个整体进行隔振，可选择多种隔振方案及隔振结构，灵活度高；同时，隔振效率高，极大限度地节省了横向空间，优化了空间布局，降低了单级隔振的难度，实现精准化隔振设计。
-
公开(公告)号：CN118670518A
公开(公告)日：2024-09-20
申请号：CN202410700116.X
申请日：2024-05-31
Applicant: 中国科学院西安光学精密机械研究所
Abstract: 本发明涉及一种多狭缝高光谱数据处理方法，特别涉及一种多狭缝高光谱数据重构处理方法，解决了现有技术难以实时获取高精度的多狭缝高光谱重构后数据的问题。该方法包括步骤：步骤1：对多狭缝面阵数据进行暗电流校正；步骤2：相对辐射校正；步骤3：坏像元校正；步骤4：将其中一个狭缝定义为基准狭缝，将基准狭缝的坏像元校正后数据定义为基准狭缝高光谱数据；然后以基准狭缝高光谱数据为校正基准，对其余各狭缝的坏像元校正后数据分别进行横向像移误差校正；步骤5：光谱位置误差校正；步骤6：帧间误差校正，得到其余各狭缝的校正完成数据；步骤7：将其余各狭缝的校正完成数据与基准狭缝高光谱数据合并重构，得到多狭缝高光谱重构后数据。
-
公开(公告)号：CN118090143A
公开(公告)日：2024-05-28
申请号：CN202410136878.1
申请日：2024-01-31
Applicant: 中国科学院西安光学精密机械研究所
Abstract: 本发明涉及一种数字靶标构建与应用方法，特别涉及一种用于高光谱遥感载荷数字模型的数字靶标构建、成像与成像质量评价方法，解决了现有技术中缺乏适用于高光谱遥感载荷数字模型的数字靶标的问题。该构建方法的特殊在于：包括分别构建几何畸变、信噪比测试区模型，光谱准确度、光谱分辨率测试区模型及传递函数、杂散光测试区模型；将三个测试区模型测试区幅宽Width方向同向设置且三者测试区共面，将三者按构建次序沿垂直于测试区幅宽Width的方向依次相邻排布；采用方形棋盘格形式构建几何畸变、信噪比测试区模型；采用长条形色标阵列形式构建光谱准确度、光谱分辨率测试区模型；传递函数、杂散光测试区模型包括条纹区、刃边区及白板区。
-
Patent Agency Ranking
公开(公告)号：CN117553914A
公开(公告)日：2024-02-13
申请号：CN202311521453.4
申请日：2023-11-15
Applicant: 中国科学院西安光学精密机械研究所
Abstract: 本发明涉及哈达玛高光谱成像系统的校正方法，具体涉及一种哈达玛高光谱成像系统编码模板透过率误差校正方法，解决了哈达玛编码模板原始测量值与实际成像编码调制结果存在误差，从而使哈达玛高光谱成像系统探测精度较低的技术问题。本发明基于哈达玛高光谱成像系统特殊的成像机理，利用单色光入射，对比有无编码模板情况下探测器所获数据，进而完成对编码模板透过部分及遮挡部分实际透过率的测量，根据测量值完成对编码模板透过率误差的校正，不仅能实现哈达玛高光谱成像系统编码模板透过率误差的测量，还可根据测量结果对解码矩阵进行修正，提高系统光谱探测准确度，可进一步提高系统的光谱探测能力。
-
公开(公告)号：CN107560732B
公开(公告)日：2023-05-26
申请号：CN201710844682.8
申请日：2017-09-19
Applicant: 中国科学院西安光学精密机械研究所
IPC: G01J3/28
Abstract: 为了解决现有成像光谱技术其重构后数据立方体数据量过大致使数据传输、存储和处理系统的负荷大幅增加的技术问题，本发明提供了一种基于计算光谱成像技术的光谱分类器及分类方法，基于计算光谱成像技术，利用二维数字微镜阵列对目标像元分光后光谱进行编码滤波，逐行依据最小距离分类算法进行光谱分类并输出分类结果，无需重构数据立方体，极大减轻了数据传输系统、存储系统和处理系统的负担，大幅提高了分类效率。
-
公开(公告)号：CN111191701B
公开(公告)日：2023-04-11
申请号：CN201911337833.6
申请日：2019-12-23
Applicant: 中国科学院西安光学精密机械研究所
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于深度学习的颜料光谱辨识方法，解决现有利用颜料光谱来识别颜料种类的方法，存在识别准确率低的问题。该方法包括以下步骤：1)采集颜料块的高光谱数据，获得高光谱数据块；2)去除高光谱数据块中成像质量差的高光谱数据，并对高光谱数据进行降噪处理；3)对采集的高光谱图像数据块进行分割得到若干图像块,将每个图像块的所有像素光谱曲线排成矩阵,对每个矩阵的每一条光谱曲线样本添加颜料标签，将每个矩阵的所有光谱曲线样本分为测验单元，4)建立深度学习神经网络模型，5)训练神经网络模型，调整网络模型的参数，6)使用调整好参数的神经网络模型进行测试，并统计其测试结果，7)计算及调整。
-
公开(公告)号：CN112837293B
公开(公告)日：2023-02-14
申请号：CN202110162360.1
申请日：2021-02-05
Applicant: 中国科学院西安光学精密机械研究所
Abstract: 本发明涉及一种图像检测方法，具体涉及基于高斯函数典型关联分析的高光谱图像变化检测方法，以解决现有高光谱图像变化检测中，具有非线性关系的像素对导致的变化检测结果不理想的技术问题。本发明方法包括：通过高斯函数对两幅原始高光谱图像进行非线性变换；然后利用典型关联分析对非线性变换后的图像数据进行降维，得到光谱数据的典型变量；接着计算两幅图像的典型变量的欧式距离，得到典型变量距离图；另一方面，计算两幅图像原始光谱数据的欧式距离，得到权重图；并对权重图进行均值滤波，得到空间权重图；最后对典型变量距离图和空间权重图进行对应位置相乘，得到最终的变化检测结果。
-
公开(公告)号：CN115620132A
公开(公告)日：2023-01-17
申请号：CN202211216115.5
申请日：2022-09-30
Applicant: 中国科学院西安光学精密机械研究所
Abstract: 本发明提供一种无监督的对比学习冰湖提取方法，主要解决现有的冰湖提取方法中训练样本标签制作复杂、费时费力且模型难以直接迁移至其他数据的技术问题。该方法基于卷积神经网络，通过对冰湖遥感图像的原图进行变换处理，得到变换图，将原图和变换图组成含有两个分支的样本对；接着对样本对分别进行下采样处理、映射处理，进而得到冰湖的对比学习模块；同时采用水体指数NDWI光谱特征图作为对比学习的伪标签，并采用位置损失的计算得到冰湖的位置学习模块，最终得到冰湖提取模型，将任意冰湖遥感图像输入该模型中均可自动提取冰湖信息。采用本方法提取过程更加方便，省时省力，冰湖的提取效率大幅提升。
-
-
-
-
-
-
-
-
-
Search Results
183
records
(took 0.055 seconds)
