基于多光譜成像技術(shù)的水稻特征光譜提?。?/h1>
2013-03-20 04:30:08曹鵬飛李宏寧
光學(xué)儀器 2013年6期
馮 潔，曹鵬飛，李宏寧，李 宏
（云南師范大學(xué) 物理與電子信息學(xué)院，云南 昆明 650500）
引 言
多光譜成像技術(shù)是基于成像學(xué)和光譜學(xué)發(fā)展起來(lái)的一門(mén)新興技術(shù)，此技術(shù)和普通成像技術(shù)的最大不同之處在于多光譜成像技術(shù)能獲得每張圖像每個(gè)像素點(diǎn)的高分辨率的光譜，不是肉眼所見(jiàn)的紅、藍(lán)、綠三色圖像［1］。
隨著多光譜成像技術(shù)的發(fā)展，其在各領(lǐng)域的應(yīng)用也在逐漸增多。多光譜成像技術(shù)可應(yīng)用于軍事、植物病毒監(jiān)控、水資源跟蹤、地質(zhì)災(zāi)害預(yù)測(cè)、生物醫(yī)學(xué)［2－3］等方面。然而，多光譜成像技術(shù)的各領(lǐng)域的應(yīng)用過(guò)程中，仍然存在著很多問(wèn)題，例如光譜和圖像分辨率的不斷提高，龐大的數(shù)據(jù)量，光譜成像儀的定標(biāo)［4］，無(wú)論是在存儲(chǔ)還是在計(jì)算過(guò)程都是很難克服的問(wèn)題。為了解決上述問(wèn)題，在采集以及整理各波段圖像所包含信息以及數(shù)據(jù)之后，需要找出最佳波段。最佳波段就是指那些信息量多、相關(guān)性小、地物光譜差異大、可分性好的波段［5］。通過(guò)最佳波段圖像信息、數(shù)據(jù)的采集及整理，提取出物體特征光譜在很大程度上可以避免上述問(wèn)題。
通常，選擇最佳波段原則有以下三點(diǎn)［6］：（1）所選擇波段信息量要大；（2）波段間的相關(guān)性要小；（3）波段組合對(duì)所研究地物類(lèi)型的光譜差異要大。常用的最佳波段選擇方法有熵和聯(lián)合熵［7］、最佳指數(shù)法［8］、波段選擇的指數(shù)方法［9］。與其它兩種方法相比，波段選擇的指數(shù)方法的意義更加明確，更能綜合地反映通道信息含量和相關(guān)性兩個(gè)因素［10］。因此，本文采用波段選擇的指數(shù)方法來(lái)處理實(shí)驗(yàn)數(shù)據(jù)。
1 提取方法
設(shè)Ri為通道i與j之間的相關(guān)性系數(shù)，成像光譜數(shù)據(jù)被分為m組，每組的波段數(shù)分別為n1、n2…nm，定義波段指數(shù)為［9］：
式中σi為第i個(gè)波段的均方差，Rw為第i個(gè)波段與所在組內(nèi)其它各波段相關(guān)系數(shù)的絕對(duì)值之和的平均值，Ra為第i個(gè)波段與所在組以外的其它各波段之間的相關(guān)系數(shù)的絕對(duì)值之和。
由于各組內(nèi)各波段的相關(guān)性很強(qiáng)而各組間波段的相關(guān)性很弱，一波段的整體相關(guān)性強(qiáng)弱主要是由其與所在組內(nèi)各波段的相關(guān)性大小決定，而各組的大小不同，即構(gòu)成各個(gè)組的波段數(shù)不同。因此使用組內(nèi)一個(gè)波段與其它波段相關(guān)系數(shù)的絕對(duì)值之和的平均值作為波段指數(shù)分母中的一項(xiàng)，能更合理地反映出該波段的整體優(yōu)劣水平。
波段指數(shù)的意義非常明確，均方差越大，表明波段的離散程度越大，所含信息量也越豐富，而如果波段的相關(guān)系數(shù)絕對(duì)值越小，則表明通道數(shù)據(jù)的獨(dú)立性越強(qiáng)，信息冗余度也越?。?1］。所以波段指數(shù)Pi能綜合反映通道信息的含量和相關(guān)性兩個(gè)因素，可作為選擇波段的重要參數(shù)之一［12］。
2 實(shí)驗(yàn)與結(jié)果分析
2.1 實(shí)驗(yàn)裝置
本實(shí)驗(yàn)所使用的儀器設(shè)備主要由液晶可調(diào)諧濾波器［13］（liquid crystal tunable filter，LCTF）、單色CMOS相機(jī)和計(jì)算機(jī)控制軟件組成。其中LCTF使用美國(guó)CRI公司的VariSpecTM（VIS－07－20），帶寬（FWHM）為10nm，半角可視范圍為7.5°，響應(yīng)時(shí)間為50ms；CMOS相機(jī)的型號(hào)為SunTime 500B，像元尺寸為2.2μm×2.2μm，有效像素為2592×1944。其原理如圖1所示，通過(guò)LCTF采集的多光譜樣本數(shù)據(jù)，由數(shù)據(jù)處理模塊進(jìn)行數(shù)據(jù)提取，最后輸出待測(cè)樣本的特征光譜。計(jì)算機(jī)控制軟件主要用來(lái)控制液晶濾波器和單色CMOS相機(jī)。
2.2 數(shù)據(jù)采集
實(shí)驗(yàn)采集的樣本由云南省農(nóng)科院提供，采集的環(huán)境為溫室大棚里面，采集的對(duì)象為T(mén)N1＃水稻幼苗，實(shí)驗(yàn)所采用的波段指數(shù)法適用于所有可見(jiàn)地物，進(jìn)行多光譜成像，然后從眾多波段中選取信息量豐富或有代表性的波段。
圖1 數(shù)據(jù)采集流程圖Fig.1 Flow chart of data collection
首先，利用圖1所示的實(shí)驗(yàn)設(shè)備，設(shè)置波長(zhǎng)范圍從440～720nm，波長(zhǎng)間隔為5nm對(duì)水稻幼苗進(jìn)行采樣，將所得的多光譜圖像通過(guò)專(zhuān)業(yè)軟件打開(kāi)，可以得到一個(gè)數(shù)據(jù)立方體，總共57幅水稻的多光譜圖像，圖2是從數(shù)據(jù)立方體中分別在440～500nm，500～600nm，600～700nm，700～720nm四個(gè)區(qū)間選取的4張多光譜圖像。
圖2 4幅多光譜圖像Fig.24 multi－spectral images
圖中，水稻幼苗中放置了Macbeths 24色卡作為參考背景，在所采集的多光譜圖像中隨機(jī)選取水稻幼苗20個(gè)矩形區(qū)域，每個(gè)矩形區(qū)域大小為2mm×2mm。將每幅圖像每個(gè)矩形區(qū)域中單個(gè)像素灰度值累加后平均，得到該區(qū)域的一個(gè)平均灰度值，最后組成一個(gè)57×20的樣本灰度值數(shù)組，得到20個(gè)樣本灰度值曲線，如圖3所示，可以得出，樣本的灰度值已經(jīng)反映出水稻的光譜曲線特征，因此實(shí)驗(yàn)直接采用57×20樣本灰度值數(shù)值，代入式（2）和式（3），得到各個(gè)通道的Ri值，再代入式（1），即可得到各通道光譜數(shù)據(jù)的波段指數(shù)值。
圖3 20個(gè)樣本灰度值曲線Fig.3 Gray value curves of 20samples
表1是最終計(jì)算出Pi值后，挑選出Pi值排在前10個(gè)通道的Ri和Pi值。
表1 成像光譜數(shù)據(jù)波段指數(shù)排序Tab.1 Sorting of band index for multi－spectral imaging data
2.3 結(jié)果分析
波段指數(shù)是一個(gè)評(píng)價(jià)波段的重要參數(shù)，但并不是唯一的指標(biāo)。通道選擇的目的是為了有效識(shí)別物體，因此不能脫離具體的應(yīng)用目的、應(yīng)用價(jià)值去選擇波段、評(píng)價(jià)波段，應(yīng)該結(jié)合具體的事物，特別是難識(shí)別的物體光譜曲線特點(diǎn)，即其吸收、反射峰的特征波長(zhǎng)去選擇波段。對(duì)水稻各通道成像光譜數(shù)據(jù)做分析對(duì)比得到：綠色植物在藍(lán)光波段（380～500nm）反射率低，在綠光波段550nm左右，形成一個(gè)反射率小峰；在紅光波段（660～780nm），起先反射率很低，在650nm附近達(dá)到一個(gè)低谷，隨后又上升。本實(shí)驗(yàn)中，由于水稻380～500nm的低反射率特點(diǎn)，其對(duì)應(yīng)的多光譜圖像噪聲較大，因此只有475nm作為水稻的特征通道；在綠光波段，由于反射峰的存在，水稻多光譜圖像的特征信息也較其它光譜區(qū)域豐富；在660～780nm的紅光波段，由于水分的高反射率，630nm、660nm和720nm具有較好的特征信息。綜合考慮各通道的信息特點(diǎn)，通道475nm、500nm、530nm、545nm、550nm、520nm、560nm、630nm、660nm、720nm能更好地反映出水稻特征光譜信息。
3 結(jié) 論
本文以健康水稻幼苗的成像光譜為例，利用波段選擇的指數(shù)方法計(jì)算實(shí)驗(yàn)數(shù)據(jù)并探討了其光譜特征，得出通道475nm、500nm、530nm、545nm、550nm、520nm、560nm、630nm、660nm、720nm 能更好地反映水稻的特征光譜信息，是水稻的特征通道。本實(shí)驗(yàn)所提取的特征通道能為水稻病害監(jiān)測(cè)、生長(zhǎng)狀態(tài)識(shí)別等提供參考。實(shí)驗(yàn)過(guò)程中存在的一些不足之處，如數(shù)據(jù)量不足、多光譜圖像不夠清晰等。下一步工作是要增加數(shù)據(jù)采集量，提高數(shù)據(jù)立方體的樣本多樣性，通過(guò)分類(lèi)研究，進(jìn)一步對(duì)特征通道進(jìn)行驗(yàn)證。
［1］曾衛(wèi)娟，李宗煥，文印宗，等.多光譜成像技術(shù)在生物醫(yī)學(xué)中的應(yīng)用進(jìn)展［J］.現(xiàn)代生物醫(yī)學(xué)進(jìn)展，2012，12（5）：968－971.
［2］許 洪，王向軍.多光譜、超光譜成像技術(shù)在軍事上的應(yīng)用［J］.紅外與激光工程，2007，36（1）：13－17.
［3］鄭茜文，龐其昌，趙 靜，等.基于VC＋＋的光譜成像中藥檢測(cè)系統(tǒng)的控制軟件設(shè)計(jì)［J］.光學(xué)儀器，2010，32（2）：54－59.
［4］沈杭城，潘建根，馮華君，等.多通道快速光譜儀的波長(zhǎng)定標(biāo)［J］.光學(xué)儀器，2006，28（2）：51－55.
［5］王慶光，潘燕芳.多光譜遙感數(shù)據(jù)最佳波段選擇的研究［J］.韶關(guān)學(xué)院學(xué)報(bào)，2006，27（3）：42－44.
［6］李石華，王金亮，陳 姚，等.多光譜遙感數(shù)據(jù)最佳波段選擇方法試驗(yàn)研究［J］.云南地理環(huán)境研究，2005，17（6）：29－33.
［7］賈永紅.四種 HIS變換用于SAR與TM 影像復(fù)合的比較［J］.遙感學(xué)報(bào)，1998，2（2）：103－106.
［8］陸燈盛.TM 圖像的信息量分析及特征信息提取的研究［J］.環(huán)境遙感，1991，6（4）：267－274.
［9］姜小光，王長(zhǎng)耀，王 成.成像光譜數(shù)據(jù)的光譜信息特點(diǎn)及最佳波段選擇—以北京順義區(qū)為例［J］.干旱區(qū)地理，2000，23（3）：214－220.
［10］趙春暉，陳萬(wàn)海，楊 雷.高光譜遙感圖像最優(yōu)波段選擇方法的研究進(jìn)展與分析［J］.黑龍江大學(xué)自然科學(xué)學(xué)報(bào)，2007，24（5）：592－602.
［11］王慶光.多光譜遙感數(shù)據(jù)最佳波段選擇研究［J］.廣東水利電力職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2007，5（2）：63－65.
［12］楊金紅.高光譜遙感數(shù)據(jù)最佳波段選擇方法研究［D］.南京：南京信息工程大學(xué)，2005.
［13］黃相成，楊益民，師建濤，等.多光譜微型列陣濾光器的研制［J］.光學(xué)儀器，1999（Z1）：223－228.
猜你喜歡
什么是海水稻青少年科技博覽(中學(xué)版)(2022年6期)2022-12-27 19:44:27 記一次有趣的實(shí)驗(yàn)小獼猴智力畫(huà)刊(2022年9期)2022-11-04 02:31:42 水稻種植60天就能收獲啦軍事文摘(2021年22期)2021-11-26 00:43:51 一季水稻文苑(2020年6期)2020-06-22 08:41:52 如何表達(dá)“特征”瘋狂英語(yǔ)·新策略(2019年10期)2019-12-13 08:43:28 水稻花文苑(2019年22期)2019-12-07 05:29:00 做個(gè)怪怪長(zhǎng)實(shí)驗(yàn)小哥白尼(趣味科學(xué))(2019年6期)2019-10-10 01:01:50 不忠誠(chéng)的四個(gè)特征當(dāng)代陜西(2019年10期)2019-06-03 10:12:04 抓住特征巧觀察數(shù)學(xué)小靈通·3-4年級(jí)(2017年9期)2017-10-13 08:10:54 NO與NO2相互轉(zhuǎn)化實(shí)驗(yàn)的改進(jìn)發(fā)明與創(chuàng)新(2016年38期)2016-08-22 03:02:52
馮 潔，曹鵬飛，李宏寧，李 宏
（云南師范大學(xué) 物理與電子信息學(xué)院，云南 昆明 650500）
引 言
多光譜成像技術(shù)是基于成像學(xué)和光譜學(xué)發(fā)展起來(lái)的一門(mén)新興技術(shù)，此技術(shù)和普通成像技術(shù)的最大不同之處在于多光譜成像技術(shù)能獲得每張圖像每個(gè)像素點(diǎn)的高分辨率的光譜，不是肉眼所見(jiàn)的紅、藍(lán)、綠三色圖像［1］。
隨著多光譜成像技術(shù)的發(fā)展，其在各領(lǐng)域的應(yīng)用也在逐漸增多。多光譜成像技術(shù)可應(yīng)用于軍事、植物病毒監(jiān)控、水資源跟蹤、地質(zhì)災(zāi)害預(yù)測(cè)、生物醫(yī)學(xué)［2－3］等方面。然而，多光譜成像技術(shù)的各領(lǐng)域的應(yīng)用過(guò)程中，仍然存在著很多問(wèn)題，例如光譜和圖像分辨率的不斷提高，龐大的數(shù)據(jù)量，光譜成像儀的定標(biāo)［4］，無(wú)論是在存儲(chǔ)還是在計(jì)算過(guò)程都是很難克服的問(wèn)題。為了解決上述問(wèn)題，在采集以及整理各波段圖像所包含信息以及數(shù)據(jù)之后，需要找出最佳波段。最佳波段就是指那些信息量多、相關(guān)性小、地物光譜差異大、可分性好的波段［5］。通過(guò)最佳波段圖像信息、數(shù)據(jù)的采集及整理，提取出物體特征光譜在很大程度上可以避免上述問(wèn)題。
通常，選擇最佳波段原則有以下三點(diǎn)［6］：（1）所選擇波段信息量要大；（2）波段間的相關(guān)性要小；（3）波段組合對(duì)所研究地物類(lèi)型的光譜差異要大。常用的最佳波段選擇方法有熵和聯(lián)合熵［7］、最佳指數(shù)法［8］、波段選擇的指數(shù)方法［9］。與其它兩種方法相比，波段選擇的指數(shù)方法的意義更加明確，更能綜合地反映通道信息含量和相關(guān)性兩個(gè)因素［10］。因此，本文采用波段選擇的指數(shù)方法來(lái)處理實(shí)驗(yàn)數(shù)據(jù)。
1 提取方法
設(shè)Ri為通道i與j之間的相關(guān)性系數(shù)，成像光譜數(shù)據(jù)被分為m組，每組的波段數(shù)分別為n1、n2…nm，定義波段指數(shù)為［9］：
式中σi為第i個(gè)波段的均方差，Rw為第i個(gè)波段與所在組內(nèi)其它各波段相關(guān)系數(shù)的絕對(duì)值之和的平均值，Ra為第i個(gè)波段與所在組以外的其它各波段之間的相關(guān)系數(shù)的絕對(duì)值之和。
由于各組內(nèi)各波段的相關(guān)性很強(qiáng)而各組間波段的相關(guān)性很弱，一波段的整體相關(guān)性強(qiáng)弱主要是由其與所在組內(nèi)各波段的相關(guān)性大小決定，而各組的大小不同，即構(gòu)成各個(gè)組的波段數(shù)不同。因此使用組內(nèi)一個(gè)波段與其它波段相關(guān)系數(shù)的絕對(duì)值之和的平均值作為波段指數(shù)分母中的一項(xiàng)，能更合理地反映出該波段的整體優(yōu)劣水平。
波段指數(shù)的意義非常明確，均方差越大，表明波段的離散程度越大，所含信息量也越豐富，而如果波段的相關(guān)系數(shù)絕對(duì)值越小，則表明通道數(shù)據(jù)的獨(dú)立性越強(qiáng)，信息冗余度也越?。?1］。所以波段指數(shù)Pi能綜合反映通道信息的含量和相關(guān)性兩個(gè)因素，可作為選擇波段的重要參數(shù)之一［12］。
2 實(shí)驗(yàn)與結(jié)果分析
2.1 實(shí)驗(yàn)裝置
本實(shí)驗(yàn)所使用的儀器設(shè)備主要由液晶可調(diào)諧濾波器［13］（liquid crystal tunable filter，LCTF）、單色CMOS相機(jī)和計(jì)算機(jī)控制軟件組成。其中LCTF使用美國(guó)CRI公司的VariSpecTM（VIS－07－20），帶寬（FWHM）為10nm，半角可視范圍為7.5°，響應(yīng)時(shí)間為50ms；CMOS相機(jī)的型號(hào)為SunTime 500B，像元尺寸為2.2μm×2.2μm，有效像素為2592×1944。其原理如圖1所示，通過(guò)LCTF采集的多光譜樣本數(shù)據(jù)，由數(shù)據(jù)處理模塊進(jìn)行數(shù)據(jù)提取，最后輸出待測(cè)樣本的特征光譜。計(jì)算機(jī)控制軟件主要用來(lái)控制液晶濾波器和單色CMOS相機(jī)。
2.2 數(shù)據(jù)采集
實(shí)驗(yàn)采集的樣本由云南省農(nóng)科院提供，采集的環(huán)境為溫室大棚里面，采集的對(duì)象為T(mén)N1＃水稻幼苗，實(shí)驗(yàn)所采用的波段指數(shù)法適用于所有可見(jiàn)地物，進(jìn)行多光譜成像，然后從眾多波段中選取信息量豐富或有代表性的波段。
圖1 數(shù)據(jù)采集流程圖Fig.1 Flow chart of data collection
首先，利用圖1所示的實(shí)驗(yàn)設(shè)備，設(shè)置波長(zhǎng)范圍從440～720nm，波長(zhǎng)間隔為5nm對(duì)水稻幼苗進(jìn)行采樣，將所得的多光譜圖像通過(guò)專(zhuān)業(yè)軟件打開(kāi)，可以得到一個(gè)數(shù)據(jù)立方體，總共57幅水稻的多光譜圖像，圖2是從數(shù)據(jù)立方體中分別在440～500nm，500～600nm，600～700nm，700～720nm四個(gè)區(qū)間選取的4張多光譜圖像。
圖2 4幅多光譜圖像Fig.24 multi－spectral images
圖中，水稻幼苗中放置了Macbeths 24色卡作為參考背景，在所采集的多光譜圖像中隨機(jī)選取水稻幼苗20個(gè)矩形區(qū)域，每個(gè)矩形區(qū)域大小為2mm×2mm。將每幅圖像每個(gè)矩形區(qū)域中單個(gè)像素灰度值累加后平均，得到該區(qū)域的一個(gè)平均灰度值，最后組成一個(gè)57×20的樣本灰度值數(shù)組，得到20個(gè)樣本灰度值曲線，如圖3所示，可以得出，樣本的灰度值已經(jīng)反映出水稻的光譜曲線特征，因此實(shí)驗(yàn)直接采用57×20樣本灰度值數(shù)值，代入式（2）和式（3），得到各個(gè)通道的Ri值，再代入式（1），即可得到各通道光譜數(shù)據(jù)的波段指數(shù)值。
圖3 20個(gè)樣本灰度值曲線Fig.3 Gray value curves of 20samples
表1是最終計(jì)算出Pi值后，挑選出Pi值排在前10個(gè)通道的Ri和Pi值。
表1 成像光譜數(shù)據(jù)波段指數(shù)排序Tab.1 Sorting of band index for multi－spectral imaging data
2.3 結(jié)果分析
波段指數(shù)是一個(gè)評(píng)價(jià)波段的重要參數(shù)，但并不是唯一的指標(biāo)。通道選擇的目的是為了有效識(shí)別物體，因此不能脫離具體的應(yīng)用目的、應(yīng)用價(jià)值去選擇波段、評(píng)價(jià)波段，應(yīng)該結(jié)合具體的事物，特別是難識(shí)別的物體光譜曲線特點(diǎn)，即其吸收、反射峰的特征波長(zhǎng)去選擇波段。對(duì)水稻各通道成像光譜數(shù)據(jù)做分析對(duì)比得到：綠色植物在藍(lán)光波段（380～500nm）反射率低，在綠光波段550nm左右，形成一個(gè)反射率小峰；在紅光波段（660～780nm），起先反射率很低，在650nm附近達(dá)到一個(gè)低谷，隨后又上升。本實(shí)驗(yàn)中，由于水稻380～500nm的低反射率特點(diǎn)，其對(duì)應(yīng)的多光譜圖像噪聲較大，因此只有475nm作為水稻的特征通道；在綠光波段，由于反射峰的存在，水稻多光譜圖像的特征信息也較其它光譜區(qū)域豐富；在660～780nm的紅光波段，由于水分的高反射率，630nm、660nm和720nm具有較好的特征信息。綜合考慮各通道的信息特點(diǎn)，通道475nm、500nm、530nm、545nm、550nm、520nm、560nm、630nm、660nm、720nm能更好地反映出水稻特征光譜信息。
3 結(jié) 論
本文以健康水稻幼苗的成像光譜為例，利用波段選擇的指數(shù)方法計(jì)算實(shí)驗(yàn)數(shù)據(jù)并探討了其光譜特征，得出通道475nm、500nm、530nm、545nm、550nm、520nm、560nm、630nm、660nm、720nm 能更好地反映水稻的特征光譜信息，是水稻的特征通道。本實(shí)驗(yàn)所提取的特征通道能為水稻病害監(jiān)測(cè)、生長(zhǎng)狀態(tài)識(shí)別等提供參考。實(shí)驗(yàn)過(guò)程中存在的一些不足之處，如數(shù)據(jù)量不足、多光譜圖像不夠清晰等。下一步工作是要增加數(shù)據(jù)采集量，提高數(shù)據(jù)立方體的樣本多樣性，通過(guò)分類(lèi)研究，進(jìn)一步對(duì)特征通道進(jìn)行驗(yàn)證。
［1］曾衛(wèi)娟，李宗煥，文印宗，等.多光譜成像技術(shù)在生物醫(yī)學(xué)中的應(yīng)用進(jìn)展［J］.現(xiàn)代生物醫(yī)學(xué)進(jìn)展，2012，12（5）：968－971.
［2］許 洪，王向軍.多光譜、超光譜成像技術(shù)在軍事上的應(yīng)用［J］.紅外與激光工程，2007，36（1）：13－17.
［3］鄭茜文，龐其昌，趙 靜，等.基于VC＋＋的光譜成像中藥檢測(cè)系統(tǒng)的控制軟件設(shè)計(jì)［J］.光學(xué)儀器，2010，32（2）：54－59.
［4］沈杭城，潘建根，馮華君，等.多通道快速光譜儀的波長(zhǎng)定標(biāo)［J］.光學(xué)儀器，2006，28（2）：51－55.
［5］王慶光，潘燕芳.多光譜遙感數(shù)據(jù)最佳波段選擇的研究［J］.韶關(guān)學(xué)院學(xué)報(bào)，2006，27（3）：42－44.
［6］李石華，王金亮，陳 姚，等.多光譜遙感數(shù)據(jù)最佳波段選擇方法試驗(yàn)研究［J］.云南地理環(huán)境研究，2005，17（6）：29－33.
［7］賈永紅.四種 HIS變換用于SAR與TM 影像復(fù)合的比較［J］.遙感學(xué)報(bào)，1998，2（2）：103－106.
［8］陸燈盛.TM 圖像的信息量分析及特征信息提取的研究［J］.環(huán)境遙感，1991，6（4）：267－274.
［9］姜小光，王長(zhǎng)耀，王 成.成像光譜數(shù)據(jù)的光譜信息特點(diǎn)及最佳波段選擇—以北京順義區(qū)為例［J］.干旱區(qū)地理，2000，23（3）：214－220.
［10］趙春暉，陳萬(wàn)海，楊 雷.高光譜遙感圖像最優(yōu)波段選擇方法的研究進(jìn)展與分析［J］.黑龍江大學(xué)自然科學(xué)學(xué)報(bào)，2007，24（5）：592－602.
［11］王慶光.多光譜遙感數(shù)據(jù)最佳波段選擇研究［J］.廣東水利電力職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2007，5（2）：63－65.
［12］楊金紅.高光譜遙感數(shù)據(jù)最佳波段選擇方法研究［D］.南京：南京信息工程大學(xué)，2005.
［13］黃相成，楊益民，師建濤，等.多光譜微型列陣濾光器的研制［J］.光學(xué)儀器，1999（Z1）：223－228.
猜你喜歡
青少年科技博覽(中學(xué)版)(2022年6期)2022-12-27 19:44:27
小獼猴智力畫(huà)刊(2022年9期)2022-11-04 02:31:42
軍事文摘(2021年22期)2021-11-26 00:43:51
文苑(2020年6期)2020-06-22 08:41:52
瘋狂英語(yǔ)·新策略(2019年10期)2019-12-13 08:43:28
文苑(2019年22期)2019-12-07 05:29:00
小哥白尼(趣味科學(xué))(2019年6期)2019-10-10 01:01:50
當(dāng)代陜西(2019年10期)2019-06-03 10:12:04
數(shù)學(xué)小靈通·3-4年級(jí)(2017年9期)2017-10-13 08:10:54
發(fā)明與創(chuàng)新(2016年38期)2016-08-22 03:02:52
