高光谱RX异常检测的多DSP并行化处理技术

为达到高光谱图像数据RX异常检测处理的高速、实时、海量存储等要求,本文提出了一种基于 CPCI Express 标准总线架构的多DSP高光谱图像并行处理系统的解决方案。系统采用4片DSP共享数据总线和存储器的紧耦合与Link口互联相结合的硬件拓扑架构。在该硬件平台上,针对光谱RX异常检测算法以及光谱图像三维数据的特点,分配各DSP并行处理任务,提出了一种利用图像空间分块计算并求整个图像的均值矩阵与协方差矩阵的4DSP并行处理技术。结果表明,在保证同等探测效果的条件下,采用本文的RX异常检测算法4DSP并行处理技术,可以达到单DSP处理4倍的时间效率,解决了DSP内存容量对大数据量图像处理的限制,并较好的完成了光谱数据的实时处理要求。     

竞争性自适应重加权算法和相关系数法提取特征波长检测番茄叶片真菌病害

基于竞争性自适应重加权算法(CARS)和相关系数法(CA)特征波长选择方法,提出了利用可见-近红外高光谱成像技术检测番茄叶片灰霉病的方法。首先获取380～1 023 nm波段范围内80个染病和80个健康番茄叶片的高光谱图像,然后提取染病和健康叶片感兴趣区域(ROI)的光谱反射率值,作为番茄叶片灰霉病鉴别模型的输入来建立支持向量机(SVM)鉴别模型,训练集和验证集的鉴别率都是100%。研究进一步通过CARS和CA提取特征波长,分别得到5个(554, 694, 696, 738和880 nm)和4个(527, 555, 571和633 nm)特征波长,然后分别建立CARS-SVM和CA-SVM鉴别模型。结果显示,CARS-SVM模型中训练集和验证集的鉴别率都是100%,CA-SVM模型中训练集和验证集的鉴别率分别是91.59%和92.45%。以上结果说明了从可见-近红外高光谱图像中提取的光谱反射率值用于检测番茄叶片的灰霉病是可行的。     

3S一体化及其在土地利用中的应用

在总结ＲＳ,ＧＩＳ和ＧＰＳ系统及其特点的基础上,分析了３Ｓ一体化的必要性和技术支持,讨论了３Ｓ一体化技术的模式,并提出了基于３Ｓ一体化的土地利用动态管理信息系统的模型     

路桥多媒体收费监视与管理系统的设计与实现

描述了一种集电视、语音与计算机通信和管理于一体的用于路桥收费站的多媒体网络系统,给出了系统结构原理与主要的设计思路及通信协议等．该系统在现场半年多的使用过程中未发现误传数据的现象,说明系统的设计合理,具有很好的推广应用前景．     

USB接口技术在水下流浪潮综合测量技术中的应用

简述了采用ＵＳＢ传输的数据采集设备的系统构成,重点说明在国家“八六三”项目“水下流浪潮综合测量技术”中用ＵＳＢ技术解决了采用Ａ/Ｄ卡以及422,485等总线板卡的安装麻烦,受机箱内环境干扰,受主板插槽数量和地址、中断资源限制的问题,从而实现了低成本、高可靠性、多点海洋要素数据的采集通讯。在采集现场,将传感器采集到的模拟量数字化以后,利用ＲＳ 485协议将数据上传到数据采集处理器,采集处理器接收485的数据并通过ＡＴ98Ｃ51单片机处理,再通过ＵＳＢ接口传输至ＰＣ机进行分析处理及表征;而主机向设备发送数据的过程正好机反:主机向ＵＳＢ口发送数据,数据采集处理器转换为485协议向远端输送,从而完成了通过水下海洋要素对海洋流浪潮的综合测量。     

综合RS与GIS方法的海南生态环境研究

以1987年海南植被类型图,1988年海南省土壤侵蚀图和1987年与1998年的TM遥感资料为信息源,综合应用ERDAS和ARC／INFO软件分析了海南建省前后生态环境的变化情况,并对生态环境现状进行了评价．结果表明,作为本区自然生态环境质量标志的季雨林、雨林面积变化不大,自然生态环境质量由中部山区向外依次降低．人类活动对自然生态环境的影响明显,人工植被大幅度增加,但天然植被面积呈现减少趋势．     

GIS,RS和GPS支持下的精确施肥理论技术及展望

以精确农业为背景，在分析了“土壤-作物-养分”间的复杂关系的基础上，概括了信息技术(RS，GIS，GPS)、生物技术、机械技术和化工技术支持下的精确施肥模型。详细阐述了以遥感(RS)技术支持为主体的土壤数据和作物营养实时数据采集技术；全球定位系统(GPS)支持下的空间数据采集和控制施肥技术；地理信息系统支持下的施肥综合决策系统。探讨了当前精确施肥技术理论的进步与不足，并为结合中国国情发展精确施肥作了探索。     

高分辨率遥感影像在抗震救灾中的应用

对绵阳地区地震灾害前后的影像进行了几何校正、图像融合等处理,通过目视解译对绵阳地区的建筑物损坏及塌方和泥石流等受灾情况进行了评估,介绍了快鸟影像在绵阳地区抗震救灾中的应用.     

Maize kernel hardness classification by near infrared (NIR) hyperspectral imaging and multivariate data analysis

The use of near infrared (NIR) hyperspectral imaging and hyperspectral image analysis for distinguishing between hard, intermediate and soft maize kernels from inbred lines was evaluated. NIR hyperspectral images of two sets (12 and 24 kernels) of whole maize kernels were acquired using a Spectral Dimensions MatrixNIR camera with a spectral range of 960-1662 nm and a sisuChema SWIR (short wave infrared) hyperspectral pushbroom imaging system with a spectral range of 1000-2498 nm. Exploratory principal component analysis (PCA) was used on absorbance images to remove background, bad pixels and shading. On the cleaned images, PCA could be used effectively to find histological classes including glassy (hard) and floury (soft) endosperm. PCA illustrated a distinct difference between glassy and floury endosperm along principal component (PC) three on the MatrixNIR and PC two on the sisuChema with two distinguishable clusters. Subsequently partial least squares discriminant analysis (PLS-DA) was applied to build a classification model. The PLS-DA model from the MatrixNIR image (12 kernels) resulted in root mean square error of prediction (RMSEP) value of 0.18. This was repeated on the MatrixNIR image of the 24 kernels which resulted in RMSEP of 0.18. The sisuChema image yielded RMSEP value of 0.29. The reproducible results obtained with the different data sets indicate that the method proposed in this paper has a real potential for future classification uses.