XiaoMi-AI文件搜索系统
World File Search System多光谱
生成合成生成对抗网络的基于改善清晰度的多光谱卫星图像
摘要。合成的多光谱卫星图像的产生尚未达到其他领域中可达到的质量水平，例如面部图像的产生和操纵。难度的一部分源于需要在此类图像覆盖的整个电磁频谱上生成一致的数据，该图像的辐射分辨率高于多媒体应用中通常使用的图像。与不同波长相对应的图像带的不同空间分辨率提出了其他问题，其主要效果是相对于原始图像，在合成图像中缺乏空间细节。我们建议通过将样式传输应用于13波段Sentinel-2 Level1-C图像，明确认为基于生成的对抗网络的建筑可以生成合成卫星图像。为避免丢失更细的空间细节并改善生成的图像的清晰度，我们引入了一种类似Pansharpening的方法，从而将输入图像的空间结构转移到了样式转移的图像的情况下，而无需引入可见的文物。我们通过应用所提出的架构将贫瘠的图像转化为植被图像，反之亦然，从而得到的结果（res。冬季）图像进入冬季（res。夏季图像，确认了提出的解决方案的有效性。
多光谱 - 光学分析方法 -
分析化学是一门科学，它开发了物质和材料化学分析的理论基础，并开发了用于识别，检测，分离和确定化学元素及其化合物的实用方法，以及建立化学物质组成的方法。分析通常分为定量和定性。第一个回答“样本由什么组成？”的问题，第二个问题回答：“它的定量组成是什么，其中包含多少或该物质？”分析化学家的任务是开发和改善定量和定性分析的方法。为此，使用了来自各个科学领域的知识，包括使用化学，物理，数学，生物学等的现代科学和技术成就。开发的分析方法旨在解决各种生活问题：确保制成品的质量，提高技术过程，环境保护和医疗诊断的效率。因此，分析化学与实际实践问题的解决方案直接相关。
通过高分辨率同轴多光谱成像在激光粉末床融合
本研究提出了一种对激光粉末融合的原位监测方法。使用标准的激光光学元件，在瞄准前扫描配置中获得了粉末床的同轴高分辨率多光谱图像。可以生成整个114×114 mm粉末床的连续概述图像，检测到直径低至20 µm的物体，最大偏移量为22-49 µm。通过从405 nm到850 nm的6个不同波长捕获图像来获得多光谱信息。与已建立方法的吸光度光谱相比，这允许在线确定粉末床的吸光度，最大偏差为2.5％。对于此方法的资格，已经在粉末表面和20种不同粉末的测试上进行射线追踪模拟。这些包括不同的颗粒大小，年龄和氧化粉末。
Leena Matikainen, Milo š Pand ž ic´, Fashuai Li, Kirsi Karila, Juha Hyyppä, Paula Litkey, Antero Kukko, Matti Lehtomäki, Mika Karjalainen, Eetu Puttonen，“利用多时相多光谱机载激光扫描，Sentinel-2，和移动激光扫描在地图更新中的应用，”J. Appl。遥感. 13 (4), 044504 (2019), doi: 10.1117/1.JRS.13.4.044504。
摘要。遥感技术的快速发展为进一步发展目前主要基于被动航空图像的全国测绘程序提供了有趣的可能性。特别是，我们假设多时相机载激光扫描 (ALS) 在地形测绘方面具有巨大的未被发现的潜力。在本研究中，首次测试了多时相多光谱 ALS 数据的自动变化检测。结果表明，直接比较不同日期的高度和强度数据可以揭示与郊区发展相关的微小变化。未来工作的主要挑战是将变化与地图制作中感兴趣的对象联系起来。为了在未来的测绘中有效利用多源遥感数据，我们还研究了卫星图像和地面数据补充多光谱 ALS 的潜力。开发并测试了一种从 Sentinel-2 卫星图像时间序列中进行连续变化监测的方法。最后，使用地面移动激光扫描获取高密度点云并自动将其分为四类。将结果与 ALS 数据进行比较，并讨论了不同数据源在未来地图更新过程中可能发挥的作用。© 作者。由 SPIE 根据 Creative Commons Attribution 4.0 Unported 许可证发布。全部或部分分发或复制本作品需要完全署名原始出版物，包括其 DOI。[DOI：10.1117/1.JRS.13.4.044504]
Lynred 推出两款多光谱线性阵列红外...
基于 LSTM 和 TRISHNA 太空任务中使用的设计，多光谱线性阵列为整个光谱范围（短波 (SWIR) 到甚长波 (VLWIR)）的红外图像开辟了新的太空商业机会 Lynred 将于 6 月 8 日至 10 日在法国巴黎附近的 Optro 2022 上讨论用于太空应用的多线性和多光谱红外传感器的新发展 法国格勒诺布尔，2022 年 6 月 7 日——Lynred 是一家为航空航天、国防和商业市场提供高质量红外 (IR) 探测器的全球领先供应商，今天宣布推出两款多光谱线性阵列红外探测器，用于一系列地球观测任务。Pega 和 Capyork 旨在集成到成像卫星、用于水循环观察和干旱评估的跟踪和测量仪器以及海陆表面温度监测以及许多其他潜在的商业空间应用中。多光谱红外探测器使用户能够在覆盖从短波到甚长波的红外范围的多个光谱波长带中获得光测量值。它们在卫星上工作，收集沿卫星轨道从同一场景同时拍摄的一系列红外图像数据，检索特定于地球观测应用的科学信息。作为基于 Lynred 为两项太空任务开发的红外探测器的衍生产品：由法国国家空间研究中心 CNES 领导的 TRISHNA（用于高分辨率自然资源评估的热红外成像卫星）和欧洲哥白尼陆地表面温度监测任务 LSTM，Pega 和 Capyork 将使未来的地球观测任务仪器能够：
多线性和多光谱红外的新发展...
LYNRED 是全球领先的航空航天、国防和商业市场高品质红外技术设计和制造公司。得益于其精通的波长可调 MCT 技术，其丰富的红外探测器产品组合覆盖了从近红外到远红外的整个电磁波谱。此外，MCT 技术的空间辐射抗性使 LYNRED 成为欧洲领先的太空红外探测器制造商。最近与太空探测器市场相关的一个显著趋势是，对多线性/多光谱阵列格式的需求增加（从大约 1000 个光电元件增加到 4000 个光电元件），同时对帧速率的需求也更高（帧时间从 100µs 增加到几百 µs）。然而，这些特性通常与目前太空市场现成的窗口式 2D 大型传感器不兼容，尤其是由于 2D 和线性传感器之间的技术操作点不同。因此，LYNRED 已启动特定的最新开发，以更好地适应未来的推扫式（通常基于多个多线性阵列）或扫帚式（通常基于一个多线性阵列）仪器概念。该产品组合扩展的主要挑战之一是设计一条多线性传感器空间产品线，不仅基于经过太空验证的构建模块传统，而且尽可能基于延迟差异化方法。这种设计方向将能够在较短的时间内最佳地满足最广泛的空间仪器需求。
具有紫外和近红外窄带检测能力的波长可调多光谱光电探测器
摘要——开发具有窄带和可调光谱灵敏度的高性能多光谱光电探测器具有重要意义，但迄今为止仍然极具挑战性。本文，我们报道了一种 Si Au/n 型 Si/Au 光电探测器，它不仅在紫外线而且在近红外区域都具有可调窄带灵敏度，这与受控电荷收集变窄 (CCN) 机制有关。此外，当偏压从 0.1 变为 -0.1 V 时，该器件的负响应峰可以从 365 nm 轻松调整到 605 nm，正响应峰可以从 938 nm 调制到 970 nm。特别是，当负响应峰和正响应峰分别接近紫外短波长端和近红外长波长端时，半峰全宽分别小至 92 nm 和 117 nm。器件在紫外-可见光和近红外区域的响应极性相反，使得目前的硅光电探测器在未来的多波段光电系统中具有潜在的重要意义。
从单独和组合机载成像光谱和无人机多光谱数据中进行作物分离
摘要：作物品种分离对于广泛的农业应用至关重要——特别是在需要季节性信息时。通常，遥感可以高精度地提供此类信息，但在小规模结构化的农业区域，需要非常高的空间分辨率数据 (VHR)。我们提出了一项研究，涉及使用无人机 (UAV) 获取的近红外 (NIR) 红绿蓝 (NIR-RGB) 波段数据集以及机载棱镜实验 (APEX) 获取的成像光谱 (IS) 数据集得出的光谱和纹理特征。使用基于随机森林的方法来分析这些数据集的单独使用和组合，以确定作物的可分离性。此外，还分析了基于特征因子加载的不同波段缩减方法。使用 IS 数据集和两个组合数据集获得了最准确的作物分离结果，平均准确度 (AA) >92%。此外，我们得出结论，在 IS 特征数量（即波长）减少的情况下，可以通过使用额外的 NIR-RGB 纹理特征（AA > 90%）来补偿准确度。
确定最适合基于机器学习的多光谱脑 MRI 数据分割的直方图归一化技术
摘要 — 磁共振成像 (MRI) 的主要缺点是缺乏标准强度尺度。所有观察到的数值都是相对的，只能结合其上下文进行解释。在将 MRI 数据体输入监督学习分割程序之前，需要将它们的直方图相互配准，换句话说，它们需要所谓的规范化。用于辅助脑 MRI 分割的最流行的直方图规范化技术是 Ny'ul 等人在 2000 年提出的算法，该算法对齐一批 MRI 体积的直方图，而不注意可能扭曲直方图的局部病变。另外，一些最近的研究应用了基于简单线性变换的直方图规范化，并报告了使用它们实现的略高的准确性。本文提出研究在脑 MRI 图像分割之前分别在没有和存在局部病变的情况下执行直方图规范化的最合适的方法和参数设置。
AI-ForestWatch：基于语义分割的端到端框架，使用多光谱遥感图像进行森林估计和变化检测
摘要。森林变化检测对于可持续森林管理至关重要。由于毁林（例如野火或开发活动引起的伐木）或造林而导致的森林面积变化会改变森林总面积。此外，它还会影响可用于商业目的的可用库存、碳排放引起的气候变化以及森林栖息地估计的生物多样性，这对于灾害管理和政策制定至关重要。近年来，林业人员依靠手工制作的特征或双时间变化检测方法来检测遥感图像中的变化以估计森林面积。由于手动处理步骤，这些方法很脆弱且容易出错，并且可能产生不准确的（即低估或高估）分割结果。与传统方法相比，我们提出了 AI-ForestWatch，这是一个用于森林估计和变化分析的端到端框架。所提出的方法使用基于深度卷积神经网络的语义分割来处理多光谱空间图像，通过自动从数据集中提取特征来定量监测森林覆盖变化模式。我们的分析完全由数据驱动，并使用 2014 年至 2020 年的扩展版（带植被指数）Landsat-8 多光谱影像进行。作为案例研究，我们估算了巴基斯坦 15 个地区的森林面积，并生成了 2014 年至 2020 年的森林变化图，在此期间，这些地区开展了主要的造林活动。我们的批判性分析显示，15 个地区中有 14 个地区的森林覆盖率有所提高。AI-ForestWatch 框架及其相关数据集将在发布后公开，以便其他国家或地区可以采用。© 作者。由 SPIE 根据知识共享署名 4.0 未移植许可证出版。分发或复制本作品的全部或部分内容需要完全署名原始出版物，包括其 DOI。[DOI：10.1117/1.JRS.15.024518]