高光谱图像技术结合光谱技术与计算机图像技术两者的优点,可获得大量包含连续波长光谱信息的图像块,其图像信息可检测水果的外部品质,光谱信息则可用于水果内部品质的检测,达到根据水果内、外部综合品质进行分类的目的. 综述了国内外将该技术应用于水果品质检测方面的研究进展,提出了利用高光谱图像技术检测苹果轻微损伤的方法,利用500~900 nm的高光谱图像数据,通过主成分分析提取547 nm波长下的特征图像.

经典主成分分析法，实现高光谱图像的降维处理

已经提出了几种基于波段的总变化（TV）正规化低秩（LR）的模型，以消除高光谱图像（HSI）中的混合噪声。 这些方法基于LR矩阵分解将高维HSI数据转换为2D数据。 该策略引入了有用的多路结构信息的丢失。 而且，这些基于波段的基于电视的方法以单独的方式利用空间信息。 为了解决这些问题，我们提出了一种空间频谱电视正则化LR张量分解（SSTV-LRTF）方法，以消除HSI中的混合噪声。 一方面，假定高光谱数据位于LR张量中，该张量可以利用高光谱数据的固有张量结构。 基于LRTF的方法可以有效地将LR干净图像与稀疏噪声区分开。 从另一方面，假设HSI在空间域中是分段平滑的。 TV正则化在保留空间分段平滑度和消除高斯噪声方面有效。 这些事实激发了LRTF与电视正则化的集成。 为了解决带状电视的局限性，我们使用SSTV正则化同时考虑本地空间结构和相邻频带的频谱相关性。 模拟和真实数据实验均表明，与最新的电视规则化和基于LR的方法相比，所提出的SSTV-LRTF方法在HSI混合噪声去除方面具有出色的性能。

光谱匹配 matlab代码

提出一种利用FPGA实现Hadamard变换光谱仪光谱复原算法的方案。利用具备数字信号处理功能的FPGA对Hadamard编码图像,可以快速地进行 Hadamard逆变换并得到复原图像。根据复原图像可以知道被测目标在各个波段的信息从而获得光谱曲线。实验表明，利用FPGA来完成该型光谱仪的光谱复原可以得到清晰的复原图像和单点光谱曲线，并且与软件得到的处理结果基本相同。该方案可以用于该型光谱仪的实时光谱复原以及基于光谱特征的目标识别领域。

可见近红外 ASD OTO 光谱数据拼接整理脚本 整合包

wdtools 完整文档： 。 阅读论文： : 使用wdtools从其光谱中推断DA白矮星的温度和表面重力的示例用法： import sys import numpy as np from scipy import stats sys . path . append ( '~/GitHub/wdtools/' ) import wdtools gfp = wdtools . GFP ( resolution = 3 ) labels , e_labels , redchi = gfp . fit_spectrum ( wl , flux , ivar , mcmc = True , nwalkers = 50 , burn = 100 , ndraws = 100 ,

多时相高光谱图像中的微小变化提取和检测

1.辐射定标 辐射定标是将传感器记录的电压或数字量化值（DN）转换成绝对辐射亮度值（辐射率）的过程，或者转换为与地表（表观）反射率、表面（表观）温度等物理量有关的相对值的处理过程。 辐射定标可分为： 绝对定标 相对定标

目前已有的光谱预处理方法包括很多种，根据预处理的效果可以分为基线校正、散射校正、平滑处理和尺度缩放四类。 每一类又包括多种预处理方法。基线校正包括一阶 导数、二阶导数、连续小波变换等；散射校正包括多元散射校正 、标准正态变量等；平滑处理包括ＳＧ平滑等；尺度缩放包括中心化、 Ｐ ａ ｒｅｔｏ尺度化、最大最小归一化、标准化等。其中，导数处理和ＣＷＴ主要是扣除仪器背景或漂移对信号的影响； ＭＳ Ｃ 和ＳＮＶ用来消除由于颗粒分布不均匀及颗粒大小不同所产生的散射对光谱的影响； ＳＧ平滑能够非常有效的提高谱图信噪比，降低随机噪声的影响；中心化、 Ｐａ ｒｅｔｏ 尺度化、最大最小归一化、标准化可以消除尺度差异过大带来的不良影响。