Imaging multispettrale: Sbloccare lo spettro: progressi nella visione artificiale
Di Fouad Sabry
()
Info su questo ebook
Che cos'è l'imaging multispettrale
L'imaging multispettrale cattura i dati dell'immagine entro specifici intervalli di lunghezze d'onda attraverso lo spettro elettromagnetico. Le lunghezze d'onda possono essere separate da filtri o rilevate con l'uso di strumenti sensibili a particolari lunghezze d'onda, inclusa la luce proveniente da frequenze oltre la gamma della luce visibile, cioè infrarossi e ultravioletti. Può consentire l'estrazione di informazioni aggiuntive che l'occhio umano non riesce a catturare con i suoi recettori visibili per il rosso, il verde e il blu. È stato originariamente sviluppato per l'identificazione e la ricognizione di obiettivi militari. Le prime piattaforme di imaging spaziali incorporavano la tecnologia di imaging multispettrale per mappare i dettagli della Terra relativi ai confini costieri, alla vegetazione e alle morfologie. L'imaging multispettrale ha trovato utilizzo anche nell'analisi di documenti e dipinti.
Come trarrai beneficio
(I) Approfondimenti e convalide sui seguenti argomenti:
Capitolo 1: Imaging multispettrale
Capitolo 2: Infrarossi
Capitolo 3: Telerilevamento
Capitolo 4: Telecamera termografica
Capitolo 5: Immagini satellitari
Capitolo 6: Firma spettrale
Capitolo 7: Imaging spettrale
Capitolo 8: Imaging iperspettrale
Capitolo 9: Imaging chimico
Capitolo 10: Indice di vegetazione differenziale normalizzato
(II) Rispondere alle principali domande del pubblico sull'imaging multispettrale.
(III) Esempi reali per l'utilizzo dell'imaging multispettrale in molti campi.
A chi è rivolto questo libro
Professionisti, studenti universitari e laureati, appassionati, hobbisti e coloro che vogliono andare oltre le conoscenze o le informazioni di base per qualsiasi tipo di imaging multispettrale.
Leggi altro di Fouad Sabry
Tecnologie Emergenti In Optoelettronica [Italian]
Correlato a Imaging multispettrale
Titoli di questa serie (100)
Mappatura dei toni: Mappatura dei toni: prospettive illuminanti nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniVisione artificiale subacquea: Esplorando le profondità della visione artificiale sotto le onde Valutazione: 0 su 5 stelle0 valutazioniModello a colori: Comprendere lo spettro della visione artificiale: esplorare i modelli di colore Valutazione: 0 su 5 stelle0 valutazioniOmografia: Omografia: trasformazioni nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniVisione computerizzata: Esplorare le profondità della visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRidipintura: Colmare le lacune nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniSpazio colore: Esplorare lo spettro della visione artificiale Valutazione: 0 su 5 stelle0 valutazioniEqualizzazione dell'istogramma: Miglioramento del contrasto dell'immagine per una migliore percezione visiva Valutazione: 0 su 5 stelle0 valutazioniRiduzione del rumore: Miglioramento della chiarezza, tecniche avanzate per la riduzione del rumore nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniIstogramma dell'immagine: Svelare intuizioni visive, esplorare le profondità degli istogrammi delle immagini nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniContorno attivo: Avanzamento della visione artificiale con tecniche di contorno attivo Valutazione: 0 su 5 stelle0 valutazioniDiffusione anisotropa: Miglioramento dell'analisi delle immagini attraverso la diffusione anisotropa Valutazione: 0 su 5 stelle0 valutazioniVisione stereoscopica del computer: Esplorare la percezione della profondità nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniMinimi quadrati: Tecniche di ottimizzazione per la visione artificiale: metodi dei minimi quadrati Valutazione: 0 su 5 stelle0 valutazioniModello di aspetto del colore: Comprendere la percezione e la rappresentazione nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniStima della posa del corpo articolato: Sbloccare il movimento umano nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniTrasformazione affine: Sbloccare le prospettive visive: esplorare la trasformazione affine nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRetinex: Svelare i segreti della visione computazionale con Retinex Valutazione: 0 su 5 stelle0 valutazioniTrasformazione di Hough: Svelare la magia della trasformazione di Hough nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniTrasformata di Hadamard: Svelare il potere della trasformazione Hadamard nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniIstogramma dei gradienti orientati: Svelare il regno visivo: esplorare l'istogramma dei gradienti orientati nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniTrasformata del radon: Svelare modelli nascosti nei dati visivi Valutazione: 0 su 5 stelle0 valutazioniCompressione delle immagini: Tecniche efficienti per l'ottimizzazione dei dati visivi Valutazione: 0 su 5 stelle0 valutazioniBanca filtri: Approfondimenti sulle tecniche del banco di filtri di Computer Vision Valutazione: 0 su 5 stelle0 valutazioniCampo di movimento: Esplorando le dinamiche della visione artificiale: svelato il campo del movimento Valutazione: 0 su 5 stelle0 valutazioniModello del sistema visivo umano: Comprendere la percezione e l'elaborazione Valutazione: 0 su 5 stelle0 valutazioniCorrezione gamma: Migliorare la chiarezza visiva nella visione artificiale: la tecnica di correzione gamma Valutazione: 0 su 5 stelle0 valutazioniFiltro adattivo: Migliorare la visione artificiale attraverso il filtraggio adattivo Valutazione: 0 su 5 stelle0 valutazioniRilevatore di bordi astuto: Svelare l'arte della percezione visiva Valutazione: 0 su 5 stelle0 valutazioniPercezione visiva: Approfondimenti sull'elaborazione visiva computazionale Valutazione: 0 su 5 stelle0 valutazioni
Ebook correlati
Rilevamento remoto: Progressi e applicazioni nella visione artificiale per il telerilevamento Valutazione: 0 su 5 stelle0 valutazioniRiconoscimento automatico del bersaglio: Progressi nelle tecniche di visione artificiale per il riconoscimento del bersaglio Valutazione: 0 su 5 stelle0 valutazioniRete di sensori visivi: Esplorare la potenza delle reti di sensori visivi nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniVisione stereoscopica del computer: Esplorare la percezione della profondità nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniLe tecniche di microfonazione stereofonica: Un vademecum per il fonico in erba Valutazione: 0 su 5 stelle0 valutazioniTecnologia 5G? No, Grazie Valutazione: 0 su 5 stelle0 valutazioniGrafica di ray-tracing: Esplorazione del rendering fotorealistico nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniVisione artificiale subacquea: Esplorando le profondità della visione artificiale sotto le onde Valutazione: 0 su 5 stelle0 valutazioniMappatura dei toni: Mappatura dei toni: prospettive illuminanti nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniTelerilevamento dell'acqua: Progressi nelle tecniche di visione artificiale per il telerilevamento dell'acqua Valutazione: 0 su 5 stelle0 valutazioniOTDR: Manuale Pratico di Base Valutazione: 0 su 5 stelle0 valutazioniOTDR: Basic Practical Handbook Valutazione: 0 su 5 stelle0 valutazioniFisica: ottica Valutazione: 0 su 5 stelle0 valutazioniRetinex: Svelare i segreti della visione computazionale con Retinex Valutazione: 0 su 5 stelle0 valutazioniProspettiva cilindrica: Esplorazione della percezione visiva nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniOmbreggiatura: Esplorazione dell'ombreggiatura delle immagini nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRiconoscimento ottico del Braille: Potenziare l'accessibilità attraverso l'intelligenza visiva Valutazione: 0 su 5 stelle0 valutazioniAppunti di un fotografo amatoriale Valutazione: 0 su 5 stelle0 valutazioniRilevatore di bordi astuto: Svelare l'arte della percezione visiva Valutazione: 0 su 5 stelle0 valutazioniVisualizza la sintesi: Esplorare le prospettive nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniFotografia Digitale: Dalle Compatte alle Reflex: Nuova Edizione Valutazione: 5 su 5 stelle5/5Rilevamento oggetti: Progressi, applicazioni e algoritmi Valutazione: 0 su 5 stelle0 valutazioniComputer grafica della radiosità: Avanzamento della visualizzazione attraverso la radiosità nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniFlusso ottico: Esplorazione di modelli visivi dinamici nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniCivil Drones: Tactical Imagery Intelligence per la Sicurezza e la Difesa Valutazione: 0 su 5 stelle0 valutazioniRobot automatizzato per l'ispezione a raggi X: Migliorare il controllo di qualità attraverso la visione artificiale Valutazione: 0 su 5 stelle0 valutazioniNebbia a distanza: Esplorare la frontiera visiva: approfondimenti sulla nebbia a distanza della visione artificiale Valutazione: 0 su 5 stelle0 valutazioniVisione computerizzata: Esplorare le profondità della visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRendering di grafica computerizzata: Esplorare il realismo visivo: approfondimenti sulla computer grafica Valutazione: 0 su 5 stelle0 valutazioniFunzione di corrispondenza dei colori: Comprendere la sensibilità spettrale nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioni
Intelligenza artificiale e semantica per voi
Guida Intelligenza Artificiale Valutazione: 0 su 5 stelle0 valutazioniANonniMus: Vecchi rivoluzionari contro giovani robot Valutazione: 0 su 5 stelle0 valutazioniIl Terzo Like Valutazione: 0 su 5 stelle0 valutazioniSelf-Publishing del Futuro per Scrittori 2.0: Self-Publishing Facile Valutazione: 0 su 5 stelle0 valutazioni
Recensioni su Imaging multispettrale
0 valutazioni0 recensioni
Anteprima del libro
Imaging multispettrale - Fouad Sabry
Capitolo 1: Imaging multispettrale
L'imaging multispettrale è una tecnica che scatta immagini a varie lunghezze d'onda diverse. La luce con frequenze al di fuori della gamma della luce visibile, come l'infrarosso e l'ultravioletto, può essere separata da filtri o rilevata utilizzando dispositivi sensibili a particolari lunghezze d'onda. Ha il potenziale per consentire l'estrazione di informazioni aggiuntive che i recettori visivi rosso, verde e blu dell'occhio umano non vedono. Il suo scopo originale era la ricognizione militare e l'identificazione del bersaglio. L'imaging multispettrale è stato utilizzato per la prima volta nei primi dispositivi di imaging spaziali.
La luce viene spesso misurata in un intervallo da 3 a 15 diverse bande spettrali quando si utilizza l'imaging multispettrale. Quando centinaia di bande spettrali adiacenti sono accessibili, come di solito lo sono nell'imaging iperspettrale, l'immagine risultante può rivelare sottili differenze tra gli oggetti.
L'esercito impiega spesso la fotografia multispettrale per rilevare o tracciare i bersagli misurando le loro emissioni luminose. Nel 2003 la Federal Laboratory Collaborative Technology Alliance e lo United States Army Research Laboratory hanno segnalato un array di immagini multispettrali a doppia banda. (FPA). Con questo FPA, gli scienziati sono stati in grado di esaminare simultaneamente due piani infrarossi (IR). Grazie alla sua capacità di rilevare il calore senza una fonte di luce ausiliaria, la termografia è un altro nome per le tecnologie a infrarossi a onde medie e lunghe (MWIR).
L'emissività e la temperatura di un oggetto determinano la vividezza dell'immagine prodotta da una termocamera.
L'imaging termico ha superato l'imaging multispettrale a banda singola per il rilevamento di bersagli di notte. Una migliore visibilità notturna è stata ottenuta con le tecnologie MWIR e LWIR dual band rispetto al solo MWIR. Citazione Citazione. L'esercito degli Stati Uniti afferma che il suo LPA a doppia banda LWIR/MWIR, che traccia i veicoli durante il giorno e la notte, fornisce una migliore visualizzazione dei veicoli tattici rispetto al solo MWIR.
L'imaging multispettrale può localizzare i missili nascosti misurando la loro emissività sul terreno. L'analisi spettrale può rivelare le differenze fisiche e chimiche tra suolo superficiale e sotterraneo.
Per intercettare con successo un ICBM durante la sua fase di spinta, è necessario acquisire un'immagine sia del corpo rigido del missile che dei pennacchi del razzo. L'LWIR produce emissioni dal materiale del corpo del missile, mentre l'MWIR presenta un forte segnale da oggetti altamente riscaldati come i pennacchi dei razzi. Il Laboratorio di Ricerca dell'Esercito degli Stati Uniti ha dichiarato che il suo sistema MWIR/LWIR a doppia banda ha rilevato sia il corpo del missile che il piumaggio durante il monitoraggio dei veicoli di lancio consumabili evoluti Atlas 5. Questi razzi sono strutturalmente paragonabili ai missili balistici intercontinentali.
La maggior parte dei radiometri di telerilevamento (RS) sono in grado di acquisire immagini multispettrali. L'imaging multispettrale è l'esatto opposto dell'imaging pancromatico, che cattura semplicemente l'intensità complessiva della radiazione che colpisce ciascun pixel, dividendo lo spettro in diverse bande. In genere, ci sono tre o più radiometri sui satelliti per l'osservazione della Terra. Ognuno di essi raccoglie una singola immagine digitale (nota come scena
nella terminologia del telerilevamento) in un intervallo di lunghezze d'onda ristretto. In base agli obiettivi dei ricercatori e alla fonte della luce, lo spettro è stato suddiviso in regioni di lunghezza d'onda distinte, o bande
.
Le immagini catturate dai satelliti meteorologici odierni possono essere trovate in un'ampia gamma di lunghezze d'onda.
L'imaging multispettrale utilizza un'unica configurazione ottica per acquisire dati da molte bande di imaging spettrale a banda stretta.
Un sistema multispettrale di solito fornisce una combinazione di visibile (da 0,4 a 0,7 μm), NIR o vicino infrarosso; da 0,7 a 1 μm), SWIR o infrarosso a onde corte; da 1 a 1,7 μm), MWIR o infrarossi a onde medie; da 3,5 a 5 μm) o infrarossi a onde lunghe (LWIR; da 8 a 12 μm) in un unico sistema.
L'autrice, Valerie C.
Coffey
Un'immagine multispettrale di un satellite Landsat può includere fino a undici bande separate con nomi diversi. I termini iperspettrale
e ultraspettrale
sono usati per descrivere tipi di imaging spettrale che hanno una maggiore risoluzione radiometrica (con centinaia o migliaia di bande) o una risoluzione spettrale più fine (che coinvolge bande più piccole) o una copertura spettrale più ampia.
Dipinti e altre opere d'arte possono essere studiati con l'imaging multispettrale.
Le lunghezze d'onda sono solo approssimazioni, con i valori reali che dipendono dalle specifiche apparecchiature utilizzate (come le proprietà dei sensori del satellite per l'osservazione della Terra, o i parametri dell'illuminazione e dei sensori per l'analisi dei documenti):
Lo spettro blu (450-515..520 nm) è utile per l'imaging dell'atmosfera e delle acque profonde; In acque pulite, può penetrare fino a una profondità di 150 piedi (50 m).
La luce verde (515..520-590..600 nm) può vedere fino a 90 piedi (30 m) di profondità in acque limpide, rendendola utile per l'imaging della vegetazione e delle strutture di acque profonde.
Le immagini di oggetti artificiali, sporcizia e flora a profondità fino a 30 piedi (9 metri) possono essere catturate nell'intervallo rosso di 600..630-680..690 nm.
L'intervallo NIR da 750-900 nm viene utilizzato principalmente per l'imaging delle piante.
Le telecamere nel medio infrarosso (MIR) catturano immagini della vegetazione, del contenuto di umidità del suolo e di alcuni incendi boschivi a lunghezze d'onda comprese tra 1550 e 1750 nanometri.
Il suolo, l'umidità, le strutture geologiche, i silicati, le argille e gli incendi possono essere ripresi utilizzando il lontano infrarosso (FIR) da 2080 a 2350 nm.
Le caratteristiche geologiche, i cambiamenti termici nelle correnti d'acqua, gli incendi e gli studi notturni possono essere ripresi utilizzando l'infrarosso termico (10400-12500 nm), che si basa sulla radiazione emessa piuttosto che riflessa.
È possibile rilevare e mappare le caratteristiche del terreno con l'uso del radar e delle tecnologie correlate.
Varie miscele di bande spettrali possono essere impiegate per vari motivi. Rosso, verde e blu sono i colori standard utilizzati per rappresentarli. L'uso previsto dell'immagine e le preferenze dell'analista determineranno il modo in cui le bande vengono mappate ai colori. A causa della sua bassa risoluzione spaziale, l'infrarosso termico viene raramente preso in considerazione.
Solo i canali di colore RGB (rosso, verde e blu) vengono utilizzati nei colori reali. L'analisi degli oggetti artificiali è resa semplice da questa semplice istantanea a colori, rendendola accessibile agli analisti alle prime armi.
Per la vegetazione, che è estremamente riflettente nel vicino infrarosso, viene utilizzato lo spazio colore verde-rosso-infrarosso, con il canale blu sostituito dal vicino infrarosso. Questo è un metodo comune per localizzare oggetti nascosti e vegetazione.
Blu-NIR-MIR visualizza il blu visibile, il NIR verde (in modo che la vegetazione mantenga il suo colore verde) e il MIR rosso. Immagini come questa consentono di vedere contemporaneamente gli incendi, i livelli dell'acqua, la copertura vegetale e l'umidità del suolo.
Sono in uso anche varie altre permutazioni. Poiché il NIR è tipicamente raffigurato in rosso, anche tutte le regioni con piante al suo interno sembreranno rosse.
Queste immagini multispettrali, a differenza di altri sforzi di interpretazione delle immagini aeree e satellitari, non rendono semplice determinare direttamente il tipo di caratteristica attraverso l'ispezione visiva. Pertanto, è necessario prima categorizzare i dati di telerilevamento, prima di sottoporli a elaborazione utilizzando varie tecniche di miglioramento dei dati per aiutare l'utente a dare un senso alle caratteristiche visibili nell'immagine.
Per tale attività di classificazione può essere necessaria una convalida completa dei campioni di addestramento, a seconda dell'algoritmo di classificazione scelto. I metodi si dividono essenzialmente in due categorie:.
Tecniche di classificazione supervisionata
Tecniche di classificazione non supervisionate
Gli esempi di training vengono usati nella categorizzazione supervisionata. Le verità di base, o campioni di addestramento, sono luoghi in cui è noto lo stato effettivo