近期，Wyvern 宣布启动其开放数据计划，免费提供一系列高分辨率可见光和近红外 (VNIR) 高光谱图像。其 Dragonette-001 卫星的图像涵盖 500-800 纳米范围内的 23 个波段，星下点的空间分辨率高达 5.3 米。高光谱成像是推动农业、林业、采矿业、海洋学和安全等众多行业对地观测发展的最有前景的技术之一。这种成像方法与传统的多光谱成像相比具有显著优势，因为它能够探测到土地覆盖中细微的生化和生物物理变化。 

      今天，我们将使用 Metaspectral 独特的云端Fusion平台，探索 Wyvern 在埃及苏伊士运河拍摄的其中一张照片。Fusion 专为处理来自高光谱图像的海量数据而设计，并使用最先进的机器学习和深度学习算法进行处理。让我们深入研究一下！

      Fusion 完全在浏览器中运行，只需拖放图像即可上传到平台。该图像以辐射度 (W/sr⋅m²⋅µm) 为单位，分辨率接近 5000 万像素。它显示了大苦湖的一部分，那里有几艘船只正在航行。

Fusion explorer 显示完整图像

      在标记了一些船舶和农作物后，我们可以看到两种光谱特征之间存在明显的差异。事实上，农作物的光谱特征在红边区域（600至800纳米）呈现出特征性的增加，而船舶的光谱特征则呈现出相反的趋势。

融合浏览器显示选择和光谱

构建数据集和模型

      探索完图像后，接下来需要利用深度学习构建目标检测模型，根据光谱特征识别在苏伊士运河航行的船舶。这在 Fusion 中只需两步即可完成。首先，我们使用图像中标记的区域构建了一个数据集。由于我们关注的是目标检测，因此只创建了两类标签：船舶和背景（任何非船舶的物体）。需要注意的是，数据集也可以直接从光谱库中的单个参考光谱创建。在这种情况下，数据集将由参考光谱生成的合成像素创建。

      如下所示，数据集显示训练集和验证集分别使用了 562 个和 141 个船舶像素，而两者都使用了 200,000 个背景像素。

融合数据集视图

      接下来，我们基于之前创建的数据集，训练一个自定义的船舶检测深度学习模型。如下所示，该模型正确识别了所有船舶像素，误报率仅为 0.000045。

融合展示了船舶检测模型的性能

可视化结果

      回到 Fusion Explorer 视图，可以看到模型推理的可视化效果。结果叠加在原始图像上，并略带透明度。现在，在运河中航行的许多船只，包括最初未标记的最小船只，都可以通过黄绿色调清晰地辨认出来。

	→
融合探索视图，其中模型推理结果叠加在原始图像上		融合探索器视图，其中模型推理结果叠加在原始图像上（放大）

当然，对于具有地理参考的图像，也可以在基础地图上显示相同的图像和结果。

Fusion 平台集成了海量云计算资源，拥有无与伦比的能力，能够以直观且可扩展的方式分析包含数百幅高光谱图像的大型数据集。该平台提供分类、回归、目标检测和光谱分解模型。Fusion 能够高效分析海量数据，并从高光谱图像中提供切实可行的洞察。它非常适合您的遥感和工业高光谱需求。

相关产品：请点击