RGB /多光谱的高光谱 这是B. Arad和O. Ben-Shahar在论文“ ”中描述的高光谱估计过程的MATLAB实现。 可以在Ben-Gurion大学下的“上找到其他详细信息。 如果您在工作中使用此代码，请引用“ Arad和Ben-Shahar，在2016年10月11日至14日于荷兰阿姆斯特丹举行的欧洲计算机视觉会议上，从自然RGB图像中稀疏地恢复高光谱信号” @inproceedings{arad_and_ben_shahar_2016_ECCV, title={Sparse Recovery of Hyperspectral Signal from Natural RGB Images}, author={Arad, Boaz and Ben-Shahar, Ohad}, booktitle={European Conference on Computer Vi

多光谱成像(MSI)融合了光谱技术与成像技术,可并行获取探测目标的光谱特征和空间信息。由于采用非侵入式的成像方式,该技术在生物医学领域有很多重要的应用。介绍了多光谱成像的基本原理与技术发展,并从病理研究、手术引导、生物识别等三个方面对其应用进行简要综述。

基于定量遥感理论和方法，将多光谱遥感数据和实测水质数据相结合，研究了水生态环境的空间分布，并对其进行了分析和评价。

多光谱卫星云图的高维特征聚类与降水天气判别.pdf

基于聚类和小波变换的多光谱图像压缩算法.pdf

行人温度检测LSTM 使用KAIST多光谱行人检测基准数据集的LSTM实现

多光谱行人检测资源 用于多光谱行人检测的资源列表，包括数据集，方法，注释和工具。 数据集 ：KAIST多光谱行人数据集由从车辆中提取的95k色温对（640x480，20Hz）组成。 手动注释所有对（人，人，骑自行车的人），总计103,128个密集注释和1,182个唯一的行人。 注释包括边界框（如Caltech Pedestrian Dataset）之间的时间对应关系。 ：CVC-14数据集由两组序列组成。 这些序列被命名为昼夜设置，这是指它们被获取的当天的时刻，Visible和FIR取决于用户对序列进行记录的摄像机。 用于在白天训练3695张图像，在夜间训练3390张图像，每个序列带有大约1500条强制性行人注释。 用于测试两个序列的约700张图像，白天约有2000名行人，晚上约有1500名行人。 ：同步的带注释的热图像和非带注释的RGB图像，以供参考。 应该注意的是，红外图像和RGB

我们已经实现了以下多光谱去马赛克算法（名为 BTES），并将其与我们提出的名为（LMSD）的方法进行了比较。 “Miao、Lidan 和 Qi、Hairong 和 Ramanath、Rajeev 和 Snyder、Wesley E in Image Processing，IEEE Transactions on, 15(11), pp 3550--3558,2006，用于多光谱滤波器阵列的基于二叉树的通用去马赛克算法” 我们实现了 3 到 6 波段多光谱图像以及 RGB 彩色图像。 两种算法均基于单传感器架构。 由于对于多光谱成像，没有类似于拜耳滤波器的流行滤波器阵列，因此这两种算法也具有不同的多光谱滤波器阵列。

行业分类-物理装置-基于偏振复用的瞬态多光谱成像装置及方法.zip

重要通知，我们的服务器正在维护中。 （2月7日14:30 KST〜2月8日17:00 KST）。 不便之处，敬请原谅。 KAIST多光谱行人检测基准 黄舜敏，Jaesik Park，Namil Kim，Yukyung Choi在RCV Lab的So Kweon中。 （KAIST）[] 我们开发了由彩色相机，热像仪和分束器组成的成像硬件，以捕获对齐的多光谱（RGB颜色+热像仪）图像。 使用此硬件，我们可以在白天和晚上捕获各种常规交通场景，以考虑光照条件的变化。 KAIST多光谱行人数据集包含从车辆中提取的95k色热对（640x480，20Hz）。 手动注释所有对（人，人，骑自行车的人），总计103,128个密集注释和1,182个唯一的行人。 注释包括边界框（如Caltech Pedestrian Dataset）之间的时间对应关系。 更多信息，请参见我们的CVPR 2015 [] [