辐射学, 描述和研究辐射现象运作的学科, 图形学需要用到其描述光线传播的部分. 下面是需要用到的光的一些属性:
本期分享的内容，为一本厚度为235页的学习资料。内容包括高光谱遥感、高分辨率影像处理、计算智能及其在遥感影像处理中的应用、影像处理工程、遥感应用和模式分析与机器学习等。很适合遥感领域的学生学者去学习和加深对遥感领域的理解，资料供分为18章节，每一章都值得研究和学习，章节内容包括研究概述、研究意义、应用、已取得的成、发展前景和入门资料的推荐等。该学习资料本人强烈推荐学习，希望能够本次料能够开阔你的事业并激发你的学习兴趣。（资料为张良培团队（张良培、钟燕飞、沈焕锋、黄昕、罗斌、夏桂松、杜博、张洪艳、袁强强和张乐飞等）在其主页上公布的主要研究方向介绍。）
要系统的了解光源照明，就必须要了解电磁辐射，这里我们回顾一下电磁辐射的相关知识，我们都知道，光是一定波长范围内的电磁辐射。人眼可见的光称为可见光，其波长范围为380~780nm，波长比此短的称为紫外光(UV)。更短的电磁辐射为X射线和伽马射线。波长比可见光更长的光称为红外线(IR)。比红外线更长的波长为微波和无线电波。来重温一下下面的光谱表：
本文来自OSA Publishing，演讲者是郑州大学的Xiaomin Liu，题目是”基于压缩结构光场图像进行多信息融合深度估计“。
ACEPOL 研究扫描偏振计（RSP）遥感数据（ACEPOL_AircraftRemoteSensing_RSP_Data）是在 ACEPOL 期间由 ER-2 上的研究扫描偏振计（RSP）收集的遥感测量数据。为了更好地了解气溶胶对气候和空气质量的影响，测量气溶胶的化学成分、粒度分布、高度剖面和光学特性至关重要。在遥感仪器方面，通过将强度和偏振的被动多角度、多光谱测量与高光谱分辨率激光雷达进行的主动测量相结合，可以获得最广泛的气溶胶属性集合。2017 年秋季，由美国国家航空航天局（NASA）和荷兰空间研究所（SRON）联合发起的 "偏振计和激光雷达气溶胶特征描述（ACEPOL）"活动从 NASA 的高空 ER-2 飞机上对美国上空的气溶胶和云层进行了测量。飞机上部署了六台仪器。其中四台是多角度偏振计：机载超角彩虹偏振计（AirHARP）、机载多角度光谱偏振成像仪（AirMSPI）、机载行星探测光谱仪（SPEX Airborne）和研究扫描偏振计（RSP）。另外两台仪器是激光雷达：高光谱分辨率激光雷达 2（HSRL-2）和云物理激光雷达（CPL）。ACEPOL 的运行基地设在美国宇航局位于加利福尼亚州帕姆代尔的阿姆斯特朗飞行研究中心，从而能够观测各种场景类型，包括城市、沙漠、森林、沿海海洋和农业区，以及晴朗、多云、污染和原始大气条件。ACEPOL 的主要目标是评估不同偏振计检索气溶胶和云层微物理和光学参数的能力，以及它们推算气溶胶层高度的能力（近紫外偏振测量法，O2 A 波段）。ACEPOL 还侧重于开发和评估结合主动（激光雷达）和被动（偏振计）仪器数据的气溶胶检索算法。ACEPOL 数据适用于算法开发和测试、仪器相互比较以及主动和被动仪器数据融合研究，是遥感界准备下一代星载 MAP 和激光雷达任务的宝贵资源。
上集我们一起做了个简短入门： 机器视觉算法(系列一)--机器视觉简短入门 在机器视觉中，照明的目的是使被测物的重要特征显现，而抑制不需要的特征。为了达到此目的，我们需要考虑光源与被测物之间的相互作用。其中一个重要的因素就是光源和被测物的光谱的组成。我们可以用单色光照射彩色物体以增强被测物相应特征的对比度。照明的角度可以增强某些特征等。 因此，我们本文主要介绍以下内容： 电磁辐射简介 光源的类型 光与被测物的相互作用 如何利用照明的光谱 如何利用照明的方向 本文主要从以上五个方面进行系统的介绍图像采集的相关照
遥感技术是从远距离感知目标反射或自身辐射的电磁波、可见光、红外线，对目标进行探测和识别的技术。遥感卫星是搭载了相关遥感传感器，利用遥感器收集地球或大气目标辐射或反射 的电磁波信息，并记录下来，由信启、传输设备发送回地面，通过电磁波转换、识别得到可视图像，即我们常说的卫星图像。
光子网络(Photon)作为光谱区块链上ERC20 token和ERC223 token链下支付网络，具有安全、快速、可扩展和低成本的优点，可以满足多种场景的链下支付需求。为更好的应用光子网络，本文对Photon具体使用场景进行描述，方便用户了解和使用。
在经典物理学中，光波穿过狭缝、小孔或者圆盘之类的障碍物时，不同波长的光会发生不同程度的弯散传播，再通过光栅进行衍射分光，形成一条条谱带。也就是说：空间中的一维信息通过镜头和狭缝后，不同波长的光按照不同程度的弯散传播，这一维图像上的每个点，再通过光栅进行衍射分光，形成一个谱带，照射到探测器上，探测器上的每个像素位置和强度表征光谱和强度。一个点对应一个谱段，一条线就对应一个谱面，因此探测器每次成像是空间一条线上的光谱信息，为了获得空间二维图像再通过机械推扫，完成整个平面的图像和光谱数据采集。
【新智元导读】随着GAN越来越多的应用到实际研究当中，其技术中的缺陷与漏洞也随之出现。从实际角度对GAN的当前状态进行深入挖掘与理解就显得格外重要。来自Google Brain的Karol Kurach等人重现了当前的技术发展水平，探索GAN的景观，并讨论常见的陷阱和可重复性等问题。
俄勒冈州立大学eMapR 实验室的Justin Braaten撰写的文档、应用程序和 API ，由Robert Kennedy 博士指导
【导读】生成对抗网络(GANs) 是一类深度生成模型，旨在以无监督方式来学习目标的分布。虽然这类模型已成功应用并解决很多问题，但由于需要大量超参数微调、神经网络结构的设计及众多训练技巧等原因，导致GANs 的训练一直以来是个很大的挑战。为了解决GANs 的量化标准以及对其失败模式分析等问题，许多研究者提出了一系列损失函数、正则化方法、归一化及不同的网络结构来解决GANs 模型的量化标准问题并试图从其失败模式中找到有效的解决方案。本文中，我们将从实践的角度清醒地认识当前GANs 的研究现状。通过复现一些性能最佳的模型，来探索当前整个 GANs 的研究情况。此外，我们进一步讨论了GANs 模型一些常见的陷阱(pitfall) 及复现问题。最后，我们在GitHub 开源了本文的研究项目，并在TensorFlow Hub 上提供了预训练的模型。
ACEPOL_MetNav_AircraftInSitu_Data是ACEPOL期间在ER-2上收集的现场气象和导航测量数据。为了更好地了解气溶胶对气候和空气质量的影响，测量气溶胶的化学成分、粒度分布、高度剖面和光学特性至关重要。就遥感仪器而言，通过将强度和偏振的被动多角度、多光谱测量与高光谱分辨率激光雷达进行的主动测量相结合，可以获得最广泛的气溶胶属性集合。2017年秋季，由美国国家航空航天局（NASA）和荷兰空间研究所（SRON）联合发起的 "偏振计和激光雷达气溶胶特征描述（ACEPOL）"活动从NASA高空ER-2飞机上对美国上空的气溶胶和云层进行了测量。飞机上部署了六台仪器。其中四台是多角度偏振仪：机载超角彩虹偏振仪（AirHARP）、机载多角度光谱偏振成像仪（AirMSPI）、机载行星探测光谱仪（SPEX Airborne）和研究扫描偏振仪（RSP）。另外两台仪器是激光雷达：高光谱分辨率激光雷达 2（HSRL-2）和云物理激光雷达（CPL）。ACEPOL 的运行基地设在美国宇航局位于加利福尼亚州帕姆代尔的阿姆斯特朗飞行研究中心，从而能够观测各种场景类型，包括城市、沙漠、森林、沿海海洋和农业区，以及晴朗、多云、污染和原始大气条件。ACEPOL 的主要目标是评估不同偏振计检索气溶胶和云层微物理和光学参数的能力，以及它们推算气溶胶层高度的能力（近紫外偏振测量法，O2 A 波段）。ACEPOL 还侧重于开发和评估气溶胶检索算法，将主动（激光雷达）和被动（偏振计）仪器的数据结合起来。ACEPOL 数据适用于算法开发和测试、仪器相互比较以及主动和被动仪器数据融合研究，这使其成为遥感界准备下一代星载 MAP 和激光雷达任务的宝贵资源。
本文介绍基于AvaSpec-ULS2048x64光纤光谱仪测定植被、土壤等地物高光谱曲线的方法。
高分专项启动实施8年来，高分卫星数据已替代进口，自给率达80%，突破了长期依赖国外数据的局面，本期详细介绍下高分系列卫星。
高光谱（HS）成像技术的迅速发展显著增强了人类观察现实世界的能力，细节和深度都得到了提升[1]。与传统摄影仅在有限的几个宽光谱带内获取图像不同，高光谱成像系统通过测量每个像素的能量光谱，前所未有的同时实现了空间和光谱信息的捕获。生成的三维（3-D）高光谱数据立方体包含了每个空间分辨率元素的近乎连续的光谱轮廓，从而使得对成像内容的量化、识别和认定的准确性得到提高。得益于航空航天和仪器技术的最新进展[2]，高光谱成像已逐渐成为遥感（RS）不可或缺的工具。在其广泛的应用中，高光谱图像分类在从环境监测、城市规划到军事科学等众多领域引起了广泛关注，展示了其潜在的普遍性和交叉重要性[3, 4]。
HSV是根据颜色的直观特性由 A. R. Smith 在 1978 年创建的一种颜色空间, 也称六角锥体模型。其中的H、S、V分别代表色调（H）、饱和度（S）和明度（V）。 H参数表示色彩信息，即所处的光谱颜色的位置。该参数用一角度量来表示，红、绿、蓝分别相隔120度。互补色分别相差180度。用角度度量，取值范围为0°～360°，从红色开始按逆时针方向计算，红色为0°，绿色为120°,蓝色为240°。它们的补色是：黄色为60°，青色为180°,紫色为300°； 纯度S为一比例值，范围从0到1，它表示成所选颜色的纯度和该颜色最大的纯度之间的比率。S=0时，只有灰度。饱和度S表示颜色接近光谱色的程度。一种颜色，可以看成是某种光谱色与白色混合的结果。其中光谱色所占的比例愈大，颜色接近光谱色的程度就愈高，颜色的饱和度也就愈高。饱和度高，颜色则深而艳。光谱色的白光成分为0，饱和度达到最高。通常取值范围为0%～100%，值越大，颜色越饱和。 V表示色彩的明亮程度，范围从0到1。有一点要注意：它和光强度之间并没有直接的联系。明度表示颜色明亮的程度，对于光源色，明度值与发光体的光亮度有关；对于物体色，此值和物体的透射比或反射比有关。通常取值范围为0%（黑）到100%（白）。 HSV对用户来说是一种直观的颜色模型。我们可以从一种纯色彩开始，即指定色彩角H，并让V=S=1 ，然后我们可以通过向其中加入黑色和白色来得到我们需要的颜色。增加黑色可以减小V而S不变，同样增加白色可以减小S而V不变。例如，要得到深蓝色，V=0.4 S=1 H=210度。要得到淡蓝色，V=1 S=0.4 H=210度。 一般说来，人眼最大能区分128种不同的色彩，130种色饱和度，23种明暗度。如果我们用16Bit表示HSV的话，可以用7位存放H，4位存放S，5位存放V，即745或者655就可以满足我们的需要了。 由于HSV是一种比较直观的颜色模型，所以在许多图像编辑工具中应用比较广泛，如Photoshop（在Photoshop中叫HSB）等等，但这也决定了它不适合使用在光照模型中，许多光线混合运算、光强运算等都无法直接使用HSV来实现。
GRAY色彩空间通道指的是灰度图像，灰度图像的通常只有1个，值范围是[0, 255]，一共256个灰度级别。其中0表示纯黑色，255表示纯白色。0～255之间的数值表示不同的亮度（即色彩的深浅程度）的深灰色或浅灰色。因此，一副灰度图能展示丰富的细节信息，如图1所示。
在机器视觉系统中照明的目的是增强对比度，图像中对比度代表着图像信号的质量，它反应了两个区域间的差别，比如物体和背景的差别。因此，设计机器视觉光源照明的第一步是确定区域间的不同，然后用光源来突出这些不同之处。今天小编将为您介绍突显不同区域的方法。
中南大学刘韶教授团队通过整合两个不同的分子网络，构建了 IMN4NPD 平台，可用于全面挖掘微量且结构特异性的天然药物药效成分。
与多光谱数据相比，高光谱数据往往可以在地表参数反演等方面获得更高的精度。为此，有必要介绍一下目前全球主要星载高光谱遥感数据或相关平台的一些知识。同时在本文最后，也引入了自己对于国内外高光谱遥感发展的一些思考。
如今，照片逼真的编辑需要仔细处理自然场景中经常出现的颜色混合，这些颜色混合通常通过场景或对象颜色的软选择来建模。因此，为了实现高质量的图像编辑和背景合成，精确表示图像区域之间的这些软过渡至关重要。工业中用于生成此类表示的大多数现有技术严重依赖于熟练视觉艺术家的某种用户交互。因此，创建如此准确的显著性选择成为一项昂贵且繁琐的任务. 为了填补熟练视觉艺术家的空白，我们利用计算机视觉来模拟人类视觉系统，该系统具有有效的注意力机制，可以从视觉场景中确定最显着的信息。这类问题也可以解释为前景提取问题，其中显着对象被视为前景类，其余场景为背景类。计算机视觉和深度学习旨在通过一些选择性研究分支对这种机制进行建模，即图像抠图、显著目标检测、注视检测和软分割。值得注意的是，与计算机视觉不同，深度学习主要是一种数据密集型研究方法。
1 # coding: utf-8 2 3 ''' 4 第13章主要介绍：颜色空间转换 5 ''' 6 7 import cv2 8 import numpy as np 9 10 ''' 11 经常用到的颜色空间转换是: BGR<->Gray 和 BGR<->HSV 12 cv2.cvtColor(input_image , flag),flag是转换类型：cv2.COLOR_BGR2GRAY,cv2.COLOR_BGR2HSV 13 HSV(Hue , Saturation
在图像处理中，最常见的就是RGB色彩模型。在RGB模型中，每种颜色出现在红、绿、蓝的原色光谱分量中。该模型基于笛卡尔坐标系。如图1所示，RGB原色值位于3个角上；二次色青色，深红色和黄色位于另外三个角上，黑色位于原点处，白色位于里原点最远的角上。
上篇笔记里介绍了微环谐振器的一些基础知识点，有些地方表达得不是很准确，被一位读者指出来了(感谢long_rain的指正)，这篇笔记继续查漏补缺。
这篇笔记主要梳理下光芯片中的各类波分复用器件(wavelength division multiplexing )。
发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/119589.html原文链接：https://javaforall.cn
本文介绍我们 NeurIPS 2022 关于 Spectral Compressive Imaging （SCI）重建的工作：《Degradation-Aware Unfolding Half-Shuffle Transformer for Spectral Compressive Imaging》。
色相是用来区别区别颜色的标志，是光由于波长、频率的不同而产生的性质。色相是在光谱上自然分割的结果。
本文介绍我们 NeurIPS 2022 关于 Spectral Compressive Imaging （SCI）重建的工作：
色彩空间也称色彩模型(又称色彩空间或色彩系统）它的用途是在某些标准下用通常可接受的方式对彩色加以说明。本质上，色彩模型是坐标系统和子空间的阐述。位于系统的每种色彩都有单个点表示。采用的大多数色彩模型都是面向硬件或面向应用的。色彩空间从提出到现在已经有上百种，大部分只是局部的改变或专用于某一领域。色彩空间有许多种，常用有RGB，YUV，HSV，HSI等。
HSV（Hue, Saturation, Value）是根据颜色的直观特性由 A. R. Smith 在 1978 年创建的一种颜色空间, 也称六角锥体模型（Hexcone Model）。
在恶性肿瘤的临床治疗中，靶向CTLA-4/PD-1/PD-L1等位点的单克隆抗体表现出了令人欣喜的抑制效果，但同时患者也出现了严重的免疫相关不良反应（immune-related adverse events, irAEs）。这些irAEs轻则引发炎症反应，重则导致身体脏器功能衰竭，据统计在PD-1/CTLA-4抗体治疗患者中约60%病人出现了严重的治疗毒性反应，因此极大地限制了免疫检查点抑制剂抗体的临床使用。
边模抑制比，英文名 Side-Mode Suppression Ratio 。主模强度和边模强度的最大值之比称为边模抑制比，是标志纵模性能的一个重要指标。
通过空间校正，线扫描偏振相机可以探测到双折射、应力、表面粗糙度以及常规成像无法检测到的物理特性。 光有三个基本特性：强度、波长和偏振.今天几乎所有的相机都是为单色或彩色成像而设计的。单色相机用于测量在像素级宽带光谱上的光强，而彩色或多光谱相机则用于检测红、绿、蓝和近红外波段的光强。同样，偏振照相机用于在多偏振状态下捕捉光的强度。
各位朋友大家好，我是CPP课题组的视觉工程师。这个系列的文章主要介绍计算机视觉尤其是OCR在经济类课题数据采集中的应用以及其实现方法。既是小教程又是学习笔记。
由于超表面对入射光的相位、偏振和振幅的极端控制，因此具有革新成像技术的潜力。它们依靠增强的光的局部相互作用来实现所需的相位轮廓。由于光的局部相互作用增强，超表面是高度色散的。这种强分散被认为是实现常规超表面成像的主要限制。在这里，我们认为这种强色散为计算成像的设计自由度增加了一个程度，潜在地打开了新的应用。特别是，我们利用超表面的这种强分散特性，提出了一种紧凑、单镜头、被动的3D成像相机。我们的设备由一个金属工程，聚焦不同的波长在不同的深度和两个深度网络，恢复深度和RGB纹理信息从彩色，散焦图像获得的系统。与其他基于元表面的3D传感器相比，我们的设计可以在更大的视场(FOV)全可见范围内运行，并可能生成复杂3D场景的密集深度图。我们对直径为1毫米的金属的模拟结果表明，它能够捕获0.12到0.6米范围内的3D深度和纹理信息。
Lens Shading指画面四角由于入射光线不足形成的暗角，同时，由于不同频率的光折射率差别，导致 color shading。因此需要镜头影音校正(Lens Shading Correction)。lens shading分为两种 luma shading( 亮度阴影)和 color shading (色彩偏差)。
数码相机拍照的时候会补光、十字路口的摄像头拍照会闪一下也是为了补光，那么在机器视觉领域也需要补光，那就是光源，光源的意义是让物体的特征呈现出来，特征就是我们需要的信息，前景跟背景区分出来，如下图中所示需要检测芯片管脚是否正常缺失，那么左侧没有很好地前景（芯片和管脚）和背景区分开来，右侧就是一个好的图像效果。
TLDR: 本文发现了对比学习引入推荐系统的意外漏洞，并展示了如何通过调整谱值来增强推荐系统中的中毒攻击效果。
1、遥感的概念：在不直接接触的情况下，在地面，高空和外层空间的各种平台上，运用各种传感器获取各种数据，通过传输，变换和处理，提取有用的信息，实现研究地物空间形状、位置、性质、变化及其与环境的关系的一门现代应用技术学科。
涉水光学(Water-related Optics)主要研究光与水的物质相互作用机理及光的跨介质传播机理，解决与涉水光学数据智能获取，信息传输及智能信号处理有关的各种问题，探索光学在涉水领域中应用的科学，是临地安防(Vicinagearth Security, VS)体系中水下安防的重要学科支撑。
选自arXiv 作者：徐迅等人 机器之心编译 参与：路、张倩 许多现实世界的场景不能简单地归类为普通的或者退化的，同时对场景的运动分割也不能简单地划分为基础矩阵方法和单应性矩阵方法。考虑到这些，新加坡国立大学提出了结合多种模型的多视角光谱聚类的框架。实验表明该框架获得最好的运动分割结果。此外，研究者还提出了一个改编自 KITTI 基准的数据集，它包括了许多传统数据集所没有的特征。 许多几何模型被用于运动分割问题，模拟不同种类的相机、场景以及运动。通常情况下，这类问题的基本模型通常是被认为适用于不同场景的，而
中国叶面积指数（LAI）月度合成产品，由航天宏图实验室提供，根据NASA MODIS数据（MCD15A2H.061）通过航天宏图 Smoother计算得到的平滑后LAI产品，解决了影像云雾覆盖、像元异常值等问题。对处理后的覆盖中国区域的影像结果镶嵌，生成了分辨率为500米的月合成产品。前言 – 人工智能教程
视觉工业检测大体分为工件尺寸测量与定位，和表面缺陷检测，及各种Logo标识的检测与识别等。
监督分类，又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。
最近一项研究展示了“数据可听化”是如何改进目前干细胞光谱学分析中的所用到的标准技术。 “数据可听化” “数据可听化”近年来在众多领域得到广泛应用，例如医学、天体物理和人机交互等。它的原理是依赖听觉感
前面几篇博客介绍了基于Landsat这一多光谱遥感图像数据的多种地表温度（LST）反演方法，大家可以参考博客1[1]、博客2[2]、博客3[3]；那么接下来，我们就将基于比多光谱数据可以说是更进一步的高光谱卫星数据——大名鼎鼎的Hyperion数据，进行多种其他地表参数的反演。其中，在此之前可以先了解一下国内外主流的星载高光谱传感器及其平台的相关信息[4]。
光谱分析仪器(简称“光谱仪”)主要用于科学研究和生产过程中的目标光谱成分检测分析，其产品种类多、用途范围广。国外的光谱仪厂商主要有日本的横河公司、安立公司、岛津公司，美国的VIAVI公司、安捷伦公司、 赛默飞公司,加拿大EXFO公司以及德国布鲁克公司等。国内的研发生产公司主要有北京北分瑞利公司、北京普析通用仪器公司、天津港东科技公司和中电科仪器仪表有限公司等。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
腾讯会议
实时音视频
