OUC软工第18小组-第5次作业：项目选题

第5次作业：项目选题

第18小组

一、前言

项目名称：

高光谱图像分类

项目简介：

光谱分辨率在 10nm 数量级范围内的光谱图像称为 高光谱图像(Hyperspectral Image)。

通过搭载在不同空间平台上的高光谱遥感传感器，在电磁波谱的紫外、可见光、近红外和中红外区域，以数十至数百个连续且细分的光谱波段对目标区域同时成像。

由于不同成分对光谱吸收不同，在某个特定波长下图像对某个缺陷会有较显著的反映，而光谱信息能充分反映样品内部的物理结构、化学成分的差异。这些特点决定了高光谱图像技术在农产品内外部品质的检测方面的独特优势。所以在获得地表图像信息的同时，获得其光谱信息。可以实现高精度的地物分类。

项目将通过WEB对高光谱图像进行分类，为用户提供高效高准确率的图像分类结果。

二、NABCD模型分析

1. N（Need)

高光谱成像技术融合了传统的成像和光谱技术的优点，可以同时获取被检测物体的空间信息和光谱信息，它具有光谱和成像的双重功能。而现在航天高光谱成像仪将进入新一轮发展，将能更加满足农业、林业、矿业、军事侦察、环境监测、地质勘探和深空探测领域等方面等应用需求。

而当前，相关从业人员对于所获得的高光谱图像进行分析时，对于其实时图像或者已有图像较难进行迅速有效地进行精准全面的分析，有可能遗漏一些有用的图像信息。如果能够借助图像识别技术，通过图像识别来帮助从业人员进行高光谱图像分类，就可以为他们提供更快更有效更准确全面的分析方案。目前市面上对于高光谱图像进行自动分类的应用软件较少，没有特别适合使用的软件，所以存在较大的市场需求。

2. A（Approach）

为了便于用户使用，将把软件分为前端与后端，并在WEB上发布软件。用户可以通过打开网页并上传图片，然后服务器后端部署好的训练模型将会对图片中的信息进行识别，并进行地物分类。

技术可行性：

小组成员拥有自己的服务器及网站域名，同时熟悉基于Ubuntu系统的服务器部署网站及服务的基本操作，有许多的部署经验，可以尝试将模型临时部署到云服务器。

小组成员正在学习WEB相关课程，以及.NET的可视化设计，对界面设计及WEB开发具有一定的经验。

通过对深度学习的不断加深学习了解，有一定的基础知识了解，同时也可以寻求一些开源项目的经验来解决一些遇到的问题。

3. B（Benefit）

目前实现高光谱图像分类的应用在国内并不多，该项目可以对各个领域的高光谱图像分类的从业人员提供帮助与支持。

项目可以为用户提供更快速的、更便捷的使用界面。用户仅需通过网页端进行图像的上传，就可以快速得到对高光谱图像分类的结果，无需其他繁琐的步骤。

项目可以为用户提供更准确的、更全面的图像分类。项目将会部署更准确的训练模型，对高光谱图像进行更精确的分类。

4. C（Competitors）

项目的主要竞争对手主要来自各个对高光谱图像分类的研究团队及其所开发的应用，其主要来自各科研机构以及各大高校的研究团队。但是基于高光谱图像识别技术的图像分类在目前国内仍处于正在不断发展的阶段，其投入市场使用的应用并不多，许多相关从业人员对于该类专业软件有一定的需求。项目将提供更便捷美观的网页界面配合更准确的图像分类能力进行竞争力的提高。

5. D（Delivery ， Data）

Delivery：

项目将通过CSDN、Github、Gitee等技术平台进行产品交付，为用户提供进入产品的使用的地址，发布后一周预计用户量将在100人左右。同时在开发测试期间，就开始通过各社交平台(QQ、Wechat等)进行产品的宣发，将产品通过互联网交付到目标用户手中，无论是普通人士或是地信爱好者、上至高光谱图像技术从业人员均是项目的目标用户。

Data：

在用户进行使用时，可以对应用进行反馈与建议，项目将通过反馈界面为用户提供快速的反馈方式。用户可以对包括但不限于时间、准确度、分类等方面进行反馈与建议。项目将会对反馈与建议进行分析，对应用进行进一步的完善。

三、电梯演说

项目将帮助高光谱相关从业人员更便捷地对高光谱图像分类，为他们提供更准确可靠的图像分类信息。无论是普通个人用户、地信学习与爱好者或是专业人员，均可以通过项目进行便捷的高光谱图像分类。项目致力于通过更简洁易用的界面来实现用户的交互，通过更准确的深度学习模型来为用户实现高光谱图像分类。由于现在仍然未有对此类项目的广泛应用，所以我们项目将为各领域各人员提供更好的帮助。