高光谱信息的农林植被种类区分

为了能够更加快速、准确对粮食主产区的作物与树木进行种类区分,以黄淮海地区三种主要植被(玉米、小麦和杨树)为研究对象,获取该三种植被原始反射率光谱,并对原始光谱进行特征点提取、一阶微分变换、二阶微分变换以及植被指数计算四种方法的分析处理,提取三种植被各自的光谱特征点、特征波段、蓝黄红边微分值和、位置、振幅以及面积四个特征指标以及植被指数的数值区间。基于特征值在不同植被种类间数值重叠范围越小区分精度越高的原理,比较分析植被光谱在不同处理方法下的植被区分精度,并且最终选取重叠范围最小的特征指标作为区分不同植被的识别指标。结果显示：相较于原始光谱特征点提取、二阶微分变换以及植被指数计算,一阶微分变换对于玉米、小麦和杨树的识别分类具有较高的精度,其中黄边振幅、黄边面积以及黄边微分值和具有较高的识别精度,黄边振幅的识别精度达到97.5%,黄边面积以及黄边微分值识别精度达98.1%,用另外167组数据对该结果进行验证,显示黄边振幅的识别精度达96.4%,黄边面积以及黄边微分值和的识别精度达97.6%。该结果与用平均光谱曲线区分单种植被不同生长状态选取的特征值结果不同,这种方法能有效的保留个体光谱反射曲线的差异,从结果可见通过一阶微分变换提取黄边参数的方法能有效的用于树木和粮食作物共同种植区域的植被区分, 并且黄边面积以及黄边微分值和的识别精度最高。     

Target oriented dimensionality reduction of hyperspectral data by Kernel Fukunaga–Koontz Transform

Principal component analysis (PCA) is a popular technique in remote sensing for dimensionality reduction. While PCA is suitable for data compression, it is not necessarily an optimal technique for feature extraction, particularly when the features are exploited in supervised learning applications (Cheriyadat and Bruce, 2003) [1]. Preserving features belonging to the target is very crucial to the performance of target detection/recognition techniques. Fukunaga–Koontz Transform (FKT) based supervised band reduction technique can be used to provide this requirement. FKT achieves feature selection by transforming into a new space in where feature classes have complimentary eigenvectors. Analysis of these eigenvectors under two classes, target and background clutter, can be utilized for target oriented band reduction since each basis functions best represent target class while carrying least information of the background class. By selecting few eigenvectors which are the most relevant to the target class, dimension of hyperspectral data can be reduced and thus, it presents significant advantages for near real time target detection applications. The nonlinear properties of the data can be extracted by kernel approach which provides better target features. Thus, we propose constructing kernel FKT (KFKT) to present target oriented band reduction. The performance of the proposed KFKT based target oriented dimensionality reduction algorithm has been tested employing two real-world hyperspectral data and results have been reported consequently.     

几种常见树种叶片光谱秋季变化特征分析

叶片随着时间生长产生变化,其光谱特征也会发生变化。研究相同树种叶片不同时间条件下的光谱变化规律以及不同树种叶片相同时间条件下的光谱特征,不仅为植被叶片光谱随时间变化的规律研究提供理论基础,也是高光谱遥感精确识别植被信息的关键。选取北京市10种常见树种,利用地物光谱仪观测各树种不同时间叶片光谱,同时将观测的光谱进行一阶微分处理和典型波段分析,对比相同时间不同树种叶片光谱的差异,分析相同树种不同时间的光谱变化规律,探索不同时相条件下高光谱遥感识别树种的有效波段。结果表明：不同树种叶片光谱均随时间的改变而产生显著变化,但差异规律各不相同;不同树种相同时间叶片光谱在部分波段存在显著差异,为高精度树种识别提供了理论依据和叶片基础光谱数据。     

星载高光谱成像光谱仪狭缝函数测试方法的研究

为了满足大气微量成分高精度测量需求,需要能准确描述星载高光谱大气微量成份探测仪的仪器狭缝函数。针对高光谱大气微量成份探测仪视场大、波段宽、空间分辨率和光谱分辨率高等特点,研制了狭缝函数测量仪。介绍了狭缝函数测量仪的工作原理及基本结构,并利用狭缝函数测量仪可同时实现高分辨率、宽谱段测量的特点,通过搭建定标装置,对高光谱大气微量成份探测仪进行全视场的狭缝函数测试,得出了仪器狭缝函数的数学表达式,给出仪器狭缝函数的特性分布,并对结果进行分析。测试结果表明：高光谱大气微量成份探测仪全视场光谱分辨率在0.423～0.597 nm之间,其狭缝函数特性曲线近似满足高斯分布规律。由于星载大视场成像光谱仪存在光谱弯曲现象,从而导致边缘视场分辨能力略低于中心视场分辨能力。狭缝函数测量仪是基于中阶梯衍射光栅设计,可同时输出多条高分辨率谱线,且分布均匀,不仅可以测量高光谱成像光谱仪的仪器狭缝函数,也可对星载高光谱仪器光谱定标,为后续研究提供了参考依据和方法。     

基于高光谱的脱绒棉种电导率快速检测研究

为了寻求一种快速、无损检测脱绒棉种活力的方法,提出基于高光谱技术预测脱绒棉种电导率。采集了新陆早50、新陆早57、新陆早62三个品种且不同老化程度下共810粒脱绒棉种高光谱图像(400~1 000 nm),通过组合不同预处理方法,采用chauvenet检测方法剔除异常值后建立了偏最小二乘法(PLS)、逐步多元线性回归(SMLR)、主成分回归(PCR)模型。结果表明,采用变量标准化(SNV)、卷积平滑(Savitzky-Golay)、一阶微分(First derivative)和norris微分平滑组合的预处理方法,波段范围为480~530,650~980 nm下建立的PLS模型效果最佳;其中PLS模型得到新陆早50、新陆早57、新陆早62的预测集相关系数和校正集相关系数分别为0.88,0.90,0.92,0.91,0.89,0.90;预测集均方根误差(RMSEP)和校正集均方根误差(RMSEC)分别为44.3,38.4,37.8,46.5,43.5和40.8 μS·cm-1。研究结果表明,采用高光谱技术预测脱绒棉种电导率具有一定的可行性,也为其他种子的活力检测奠定了良好的基础。     

可见-近红外高光谱成像结合化学计量学分辨人面部信息

人的面部信息与指纹和虹膜一样可以用于人的身份鉴别,并且相比之下更容易实现远距离的分辨和识别。利用高光谱成像技术可以应用到人脸识别领域并获取丰富的信息和庞大的成像数据量,需要采用化学计量学方法才能充分提取其中包含的有效信息,并为计算机识别奠定基础。研究了可见-近红外高光谱成像技术对人的面部信息进行分析的可行性。结果表明,多元曲线分辨-交替最小二乘方法不同于主成分分析,能够通过主成分纯光谱和相对浓度等具有具体物理化学意义的数据表征人的面部信息,而且可以方便地根据成像数据的特点施加运算中的约束。另外,采用偏最小二乘判别分析的方法实现了对不同肤色的皮肤信号光谱进行分类。白种人和黄种人的面部高光谱信息特征相似,分类难度高于深色皮肤人种。     

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。     

高光谱成像技术在彩绘文物分析中的研究综述

彩绘文物是文化遗产研究的重要内容之一。目前,许多的化学、光谱以及数字成像等分析技术应用于彩绘文物研究中,其中,高光谱成像技术集光谱分析与成像技术为一体,具有无损、快速成像以及"图谱合一"的特点。其技术特点使得高光谱成像技术在非接触、无样本的条件下对彩绘文物进行无损研究,既可以获得彩绘文物的整体形貌特征,还可以深入分析彩绘文物的光谱特征,是高光谱成像技术相比于其他彩绘文物研究方法的独特优势。利用高光谱成像技术研究彩绘文物分为数据采集、数据分析以及数据应用三步,其中数据分析与数据应用是研究的主要内容。通过对高光谱成像技术在彩绘文物中的相关研究成果进行总结归纳,其数据处理方法主要包括高光谱数据降维、光谱特征参量化、光谱解混合以及分类方法四个方面,并分别描述了四类处理方法的主要功能、常用方法和已有案例。从具体应用方向上,可归纳为视觉增强、隐含信息挖掘、保护监测和颜料分析四类,具体描述了四类应用方向所涵盖的内容以及所解决的问题。最后对相关研究中存在的挑战和发展前景进行了总结和展望。     

基于不同植被指数的植被-土壤混合像元高光谱偏振信息与模型研究

高光谱遥感被越来越多的应用于确定混合像元的地物组分和比例。将不同面积比例的植被-土壤混合像元作为研究对象,使用偏振装置和 ASD FieldSpec3 光谱仪得到植被-土壤组成的混合像元的偏振反射光谱曲线,计算得到八种植被指数值,讨论不同面积比例,不同偏振角度下植被-土壤混合像元的高光谱偏振特性。研究发现,随着叶片占混合像元面积比例的增大,植被-土壤光谱曲线越来越明显地表现出植被光谱“五谷四峰”的特性,且峰值与谷底的位置与植被光谱基本相同。偏振角越大,混合像元的光谱偏振反射比越大;混合像元条件下,植被所占混合像元的面积比例越大,光谱受偏振角的影响越大。各植被指数与混合像元中植被面积大小呈线性关系,其中植被衰减指数和改进红边归一化植被指数的相关系数最大,可以达到98%左右,适合用于建立植被指数与植被占混合像元面积比例之间的相关模型。在植被面积发生变化时,改进红边比值植被指数的灵敏性更好。在利用光谱吸收特征参数进行植被指数估算时,发现吸收谷深度与光化学植被指数的二次函数模型拟合度最强,决定系数R2为0.963 3;光谱吸收指数与光化学植被指数的二次函数模型拟合度最强,决定系数R2为0.960 5。     

高光谱成像的油菜和杂草分类方法

利用高光谱成像技术结合化学计量学方法对油菜中的杂草进行分类识别。采用近红外高光谱技术,通过正态变量变换(SNV)、去趋势化(De-trending)、多元散射校正(MSC)、移动平均平滑法(MA)、多项式卷积平滑法(SG)、基线校正(baseline)及归一化(normalize)算法对光谱数据进行预处理,采用主成分载荷(PCA loadings)、载荷系数法(x-LW)、回归系数法(RC)、连续投影算法(SPA)分别进行特征波长提取,采用偏最小二乘判别分析(PLS-DA)、极限学习机(ELM)和支持向量机(SVM)建立分类模型。结果表明,基于De-trending 预处理,通过PCA loadings,x-loading weights及SPA特征波长提取方法,基于极限学习机ELM算法建立的模型取得了最优的分类效果,建模集和预测集的分类精度均达到100%,另引入平均分类精度的指标,发现不同试验时间下,模型分类精度变化不大,表明应用近红外高光谱成像技术对油菜和杂草进行分类是可行的。