光谱波段划分

光谱分布、光谱辐射通量密度与不同时间段分布光谱(图示) 1、光谱分布图 2 太阳辐射能量图 3、不同时间段的太阳分布光谱图 4、不同波长的光的能量分布主要区域 5、不同波段的使用场景 阅读详情
AI摘要

本文详细解读了光的电磁波特性,包括可见光与不可见光的波长范围、颜色顺序,以及紫外、可见和红外区域的划分。重点介绍了真空紫外区、近紫外区到红外区的波长范围,并提到了相关技术应用,如光通信和光谱分析。

光是一种电磁波,它的波长区间以几个nm(1nm=10-9m)到1mm左右。这些光并不是都能看得见的,人眼所能看见的只是其中的一部分,这部分光称为可见光。在可见光中,波长最短的是紫光,稍长的是蓝光,以后的顺序是青光、绿光、黄光、橙光和红光,其中红光的波长最长,在不可见光中,波长比紫光短的光称为紫外线,比红光长的光叫做红外线。下表列出紫外可见光和红外区的大致的波长范围。波长小于200nm的光之所以称为真空紫外,是因为这部分光在空气中很快被吸收,因此它只能在真空中传播。

序号

波长范围(nm)

波段名称

  1.  

1~200

真空紫外区

紫外区

  1.  

200~300

远紫外区

  1.  

300~380

近紫外区

  1.  

380~420

紫光

可见光区

  1.  

420~450

蓝光

  1.  

450~490

青光

  1.  

490~560

绿光

  1.  

560~590

黄光

  1.  

590~620

橙光

  1.  

620~780

红光

  1.  

780~1500

近红外区

红外区

  1.  

1500~10000

中红外区

  1.  

10000~1000000

远红外区

Hyperspectral Band Selection via Adaptive Subspace Partition Strategy 本文基本思想:其基本思想是有序地处理高光谱波段,然后自适应地将具有相似光谱特征的波段划分为一个子立方体。在每个子立方体中选取估计噪声最小的带作为代表。 出发点: 近年来,人们提出了许多基于聚类的波段选择方法,但大多数方法只考虑了波段之间的冗余,忽略了所选波段子集的信息量。此外,这些算法从来没有考虑高光谱波段的有序。基于这两个事实,我们提出了一种新的基于自适应子空间划分策略的高光谱波段选择方法。 主要贡献如下: 提出了一种搜索不相关高光谱子立方体的ASPS。基于相邻波段具有高冗余的特点,利用聚类算法将有序的 阅读详情

相关推荐

近红外光谱建模之区间偏最小二乘法python实现(ipls算法)

目录 1 区间偏最小二乘法原理(ipls) 2 ipls的python实现 3 实验结果图 1 区间偏最小二乘法原理(ipls) 区间偏最小二乘法可以用来提取特征波段,它将整个光谱区域划分为多个等宽的子区间, 假设为n个; 在每个子区间上进行偏最小二乘回归,建立待测品质的"局部回归模型",也就是可以得到n个局部回归模型;以均方根无误差MSE值为各模型的精度衡量标准,取精度最高的局...

Joseph__Lagrange的博客 1万+

光学波段分类与频谱分类【光谱波长划分】

可见光:波长380-780nm;红外线:波长780-106nm;紫外光:波长范围大约在10纳米到400纳米之间。

yh的博客 7万+

【论文总结2 水稻种子纯度 高光谱】

第三步是准备培训和测试集。将每种类型的72个纯种子和另外3个杂交种子的光谱特征组合在一起,以模拟种子的纯度,产生13个数据集。结果表明,LLRM方法稳定地选择了关键波段,提高了高光谱数据的信噪比,在水稻种子识别中获得了较好的精度。通过比较所有的LLRM,发现三种预处理方法的准确率分别提高了5.98%,10.55%和9.99%FD处理后,实现100%的识别准确率的概率增加,意味着FD处理比其他方法更适合于LLRM。第一步是数据预处理。在每种情况下,正则化参数λ值不同,λ的值越小,惩罚越小,保留的变量越多。

2501_90324024的博客 990

电磁波中的波段划分:L波段、S波段、C波段、X波段、Ku波段、K波段、Ka波段 等等

===========================第一篇=========================== 旧的无线电波段划分中L、S、C、X、Ku、Ka、W波段频率分为分别是多少? 这种划分方式是雷达业内的通俗叫法,没有一个严格、统一的标准。通常的划分是:L波段 1~2GHz;S波段 2~4GHz;C波段 4~8GHz;X波段 8~12GHz;Ku波段 12~18GHz;K波

彬彬有礼的专栏 38万+

PaviaU数据集预处理避坑指南:为什么你的高光谱分类模型精度上不去?

本文深入解析PaviaU数据集预处理中的关键陷阱,从波段标准化、样本切片策略到类别不平衡处理,提供实用技巧提升高光谱分类模型精度。通过分波段可视化、反射填充和智能欠采样等方法,有效解决常见预处理问题,帮助研究者避开数据泄漏等隐藏陷阱。

weixin_28267011的博客 109

matlab连续投影算法SPA使用示例

连续投影算法(Successive Projections Algorithm,SPA)是一种使矢量空间共线性最小化的前向变量选择算法, 它的优势在于提取全波段的几个特征波长,能够消除原始光谱矩阵中冗余的信息,可用于光谱特征波长的筛选。

PeanutbutterBoh的博客 2万+

【图像处理】多光谱 波长波段划分 主要波段特性 植被遥感原理 典型植被指数

本文记录多光谱波段划分,主要波段特性,植被遥感原理,典型植被指数。

smiekickass的博客 6581

高光谱图像分类实战:从特征降维到深度模型的调参与避坑指南

高光谱图像以数十至数百个连续窄波段记录地物光谱,图谱合一的特性使其在精细地物识别中极具价值,但也带来维数灾难与标注样本稀缺的挑战。掌握波段选择、PCA/MNF降维等特征处理原理,是构建可靠分类流程的基础。在实际应用中,从SAM快速基线、SVM调参与随机森林,到1D/2D/3D CNN的深度模型选型,均需结合精度评估与空间后处理综合权衡。本文围绕高光谱图像分类的完整实验链路,梳理任务定位、指标解读、模型调参和数据划分等工程要点,并给出可复用的代码骨架与避坑清单,帮助研究者和工程师减少重复踩坑。

weixin_30647423的博客 73

全色、多光谱、高光谱和超广谱

波段范围:波长小于可见光,通常分为真空紫外区(小于 200nm)、远紫外区(200 - 300nm)、近紫外区(300 - 380nm)。特性与应用:许多物质在紫外区有特征吸收或发射光谱,可用于物质的定性和定量分析,如有机化合物的结构鉴定、药物分析等。此外,在天文学中,紫外光谱可用于研究高温天体和星际物质。

一丁的博客 7861

【科普】光谱(光学频谱)分布图及波长

光在物理学上指:能发出一定波长范围的电磁波(包括可见光与紫外线、红外线、X射线等不可见光)的物体。

10万+

通信原理 | 波段的划分

在无线电技术中,波段(wave band)这个名词具有两种含义。电磁波频谱的划分,例如长波、短波、超短波等波段。发射机、接收机等设备的工作频率范围的划分。若把工作频率范围分成几个部分,这些部分也称为波段,例如三波段收音机等。

若北辰 4421

通信用光波波段划分与射频电磁波频段划分

光波波段划分 波段名称(Band) 光谱范围(nm) O 1260-1360 E 1360-1460 S 1460-1530 C 1525-1570 L 1565-1625 U 1625-1675 射频电磁波波段划分 频段名称 频带(GHz)start ...

weixin_34396902的博客 1948

光谱波段图像处理与识别:从数据组织到模型落地的工程实践

光谱图像处理与识别是计算机视觉与遥感领域的重要方向,其核心在于将波长维度作为独立信息源进行建模。与普通RGB图像不同,光谱立方体包含连续波段信息,需通过波段筛选、归一化与去噪等预处理步骤,结合卷积神经网络或光谱注意力机制实现物质分类与目标识别。该技术能有效解决同色异谱、材质区分等难题,广泛应用于遥感分类、工业分选、农产品品质检测及生物医学成像等场景。本文围绕光谱波段图像处理与识别,系统梳理从数据读取、波段筛选、patch提取到模型训练与光谱角匹配验证的完整链路,助力算法工程师避开常见陷阱,构建可落地的光谱识

weixin_29039773的博客 132

光谱分辨率单位_A1、光谱及基本单位

应用紫外(UV)100-380真空紫外VUV100-200简称波长(nm)远紫外FUV200-280YAG四倍频266半导体中紫外MiddleUV280-315近紫外NearUV315-380可见(VIS)380-780紫Violet380-424He-Cd946nm倍频441.6473光刻显示蓝Blue424-486蓝绿Bluegreen486-517Ar+H(F线)Ar+488.0486.1...

weixin_36160268的博客 1515

高光谱光谱维建模为何首选1D-CNN

高光谱数据中,每条光谱曲线本质是有序但无因果关系的物理响应序列,既非典型时间序列也非图像空间结构。全连接网络易参数爆炸、RNN强行引入不存在的时间依赖,而1D-CNN凭借滑动卷积天然建模光谱局部连续性(如水吸收带、叶绿素峰),通过多层堆叠捕获跨波段非线性组合特征(如类NDVI比值),兼具参数可控、训练稳定与推理高效优势。在地物分类、生化参数反演、矿物填图等任务中,1D-CNN已成为光谱维特征提取的事实标准。本文聚焦其最小可行落地路径——纯PyTorch实现、单维输入、无需空间信息与复杂模块,直击高光谱工程师

weixin_29054195的博客 190

光谱波段图像处理与识别:从数据预处理到地物分类完整流程

光谱遥感技术通过捕捉地物在多个波段的反射信号,将视觉上难以区分的物质差异转化为可量化的光谱曲线。多光谱与高光谱影像的预处理、波段降维与特征提取,是地物分类与识别任务的核心链路。从辐射定标、坏波段剔除到PCA降维,每一步都直接影响SVM、随机森林等机器学习模型的精度。在农业病虫害识别、矿物填图、水体污染监测等场景中,光谱分类技术可以实现像素级的地物类型判别,为定量分析与工程交付提供可靠依据。本文以完整的数据处理链路为主线,系统解析光谱波段图像识别的关键步骤与常见陷阱,帮助读者快速掌握从数据准备到分类评估的实践

weixin_34337381的博客 210

高光谱图像分类复现不出论文结果?先排查这4个地方

从数据到评价协议,梳理一套高光谱分类复现排查顺序。

2602_96828019的博客 225

雷达截面积建模仿真(RCS)

在目标侧,其形状、材料、尺寸(相对于雷达波长)和相对于雷达观察方向的方向等特征都会影响雷达看到的RCS。严格的数学处理超出了讨论的范围,但入射波和目标之间的相互作用可以定性描述。对于给定的散射方向,可以积分求和物体表面电流的振幅相位,当电流同相时,会出现较大的回波幅度。随着目标方向和雷达视角随时间变化,电流振幅和相位会发生变化,形成看似随机的峰值和零点的散射模式,出现“相长”和“相消”干涉。除了雷达到目标的距离外,雷达截面(RCS)是RRE(雷达距离方程)中唯一与目标相关的参数,因此不在雷达设计者的。

qq_30796447的博客 3140
上一篇: 2020年全球遥感卫星发射市场现状与发展趋势分析:商用遥感卫星占比上升(转载)
下一篇: 嫦娥五号轨道器成为我国首颗进入日地L1点周期轨道航天器并开展拓展试验
空中旋转篮球
空中旋转篮球 新星创作者: python技术领域 新星创作者: python技术领域
博客等级 码龄14年 6105粉丝 270原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值