反射式转镜干涉光谱仪光程差计算

高分辨率反射式转镜干涉光谱仪是一种新型傅里叶变换光谱仪,它利用倾斜旋转镜的转动产生非线性的光程差(OPD).光程差的研究对于干涉光谱仪的性能指标分析、设计和研制具有重要意义.在介绍反射式转镜干涉光谱仪的原理基础上,描述了利用基于马吕斯定律的光线追迹法和基于镜面成像原理的像点法分析其光程差的方法.利用光线追迹法导出了任意...     

反射转镜式干涉光谱仪光程差非线性修正方法比较

介绍了反射转镜式干涉光谱仪的原理。转镜的转动会导致光程差存在非线性问题,是转镜式干涉光谱仪普遍存在的问题。由于光程差的非线性会导致反演光谱的严重失真,因此需要对其进行修正处理。对非线性修正问题,目前常用的有光程差替换法、干涉图二次采样法和NUFFT法。实验结果证明,NUFFT法和光程差替换法运算精度较高,相对偏差优于0.13%,NUFFT法精度又略高于光程差替换法;在运行效率上,NUFFT法运行速度最快,其次为光程差替换法。由于干涉图本身是一个剧变信号(特别是在零光程差附近),不适合进行多项式拟合,所以干涉图二次采样法运算精度最低,另外,由于干涉图二次采样法需要做分段拟合运算,所以运行效率也最低,从而可以认为NUFFT方法是目前最适用于反射转镜式干涉光谱仪非线性采样误差修正的方法。     

高光谱图像运动误差实时校正处理平台设计与实现

高光谱图像数据由星上压缩打包至地面,再对其进行处理,这种处理方式对实时应用场合显得过于迟缓。同时,图像数据量大,处理步骤多,反演算法复杂,因此,迫切需要搭建精确快速的数据处理平台来进行实时处理,目前,用硬件进行实时复原和进行误差校正的平台比较少,能够成功应用的平台也由于处理速度不高,精度不够,灵活性差,不能升级和配置等缺点,也会直接影响到目标探测和识别的效果。本系统以空间调制型光谱仪下传数据作为研究目标,设计并实现了一种基于Xilinx Virtex-5FPGA的数据处理平台,通过可配置的、高精度、接口灵活的IP软核资源,实现了光谱数据处理的关键环节,并给出相关试验验证,为光谱仪图像反演及误差校正探索了一种新途径。     

适用于楔形滤光片型光谱成像仪的快速无损数据压缩方法

楔形滤光片型光谱成像仪具有无运动部件、低光机复杂度等优点，是低成本微型化光谱成像仪的一个重要发展方向。不同于传统色散型光谱成像仪，楔形滤光片型光谱成像仪获取的数据是光谱-空间混合调制的图像。针对直接应用CCSDS123进行楔形滤光片型光谱成像仪数据压缩时压缩比较低的问题，结合楔形滤光片型光谱成像仪“谱像混合”、“推扫成谱”的特点，通过定义新的局部差向量，构建了一种低运算复杂度适合硬件实现的快速无损压缩方法WCCSDS123。新的局部差向量中参与计算的像元集合代表的是同一被观测点的光谱信息。WCCSDS123方法首先利用局部和与改进的局部差向量对采样点的值进行预测，再利用预测值与真实值计算预测残差并对其进行整数映射，最后采用采样自适应熵编码对映射预测残差进行编码完成压缩。在6组楔形滤光片型光谱成像仪数据上分别采用WCCSDS123和CCSDS123进行了压缩实验。实验结果表明，与CCSDS123相比，WCCSDS123的压缩比提高了约21.62%，压缩耗时没有明显差异。因此，该方法在提高压缩比同时，继承了CCSDS123复杂度低，易于硬件实现的优点。该方法WCCSDS123具有较低的计算复杂度，能够更加有效地利用空间光谱冗余信息，获得更好的压缩效果，是针对楔形滤光片型光谱成像仪的一种良好的快速无损数据压缩方法。     

深度神经网络在红外光谱定量分析VOCs中的应用

鉴于浅层人工神经网络(ANN)需要依靠先验知识进行人工提取特征,同时较浅的网络结构限制了神经网络学习复杂非线性关系的能力,将深度神经网络(DNN)应用于利用傅里叶变换红外光谱(FTIR)对多组分易挥发性有机物(VOCs)进行的浓度反演研究,并利用仿真实验验证了算法的有效性。从美国环境保护署(EPA)的数据库中选取了包括苯、甲苯、 1,3-丁二烯、乙苯、苯乙烯、邻二甲苯、间二甲苯、对二甲苯在内的八种VOCs气体在8~12μm波长范围内的吸光度谱,每种气体有四种不同浓度下的谱线,依据Beer-Lambert定律从每种VOCs气体中选择一种浓度下的吸光度谱进行混合,得到65 536种不同的VOCs混合气体吸光度谱样本。随机选择5 000组混合气体的吸光度谱,其中4 000组作为训练样本, 1 000组作为预测样本。通过积分提取和主成分提取对光谱矩阵进行降维预处理,将光谱维度从3 457维降到30维。将光谱矩阵经过预处理后得到的新矩阵作为网络输入,对应八种VOCs的浓度矩阵作为输出,建立了30-25-15-10-8的深度神经网络回归预测模型来实现多组分VOCs浓度反演,反演得到样本的均方根误差为0.002 7×10-6,相比于前人利用非线性偏最小二乘拟合、人工神经网络等方法拟合的精度有了明显的提高。每种VOCs气体的均方根误差均不超过0.005×10-6,每个样本的均方根误差均不超过0.006×10-6,证明了深度神经网络预测模型具有良好的非线性拟合能力和良好的稳定性。当训练样本不足(典型值:小于500)时,深度神经网络无法充分地学习,网络误差较大,精度低于单隐藏层的人工神经网络,但随着训练样本数量的增加,深度神经网络的精度不断提高,当训练样本数充足时,相比浅层的人工神经网络,深度神经网络具有更强的非线性关系学习能力,预测精度更高,模型更为稳定。同时,由于训练前对光谱矩阵进行了降维处理,大大降低了算法的复杂度,有效提高了反演效率。分析表明,深度神经网络预测模型具有良好的非线性拟合能力和良好的稳定性,无需人工提取特征就能够充分学习数据特征,同时对多组分VOCs进行浓度反演并达到较高精度。     

空间调制干涉型阿达玛变换光谱成像仪

简要叙述了色散型阿达玛变换光谱成像仪的原理及仪器构成,指出其存在空间信息与光谱信息的错位和光谱分辨率受阿达玛编码模板码元宽度制约的缺陷.提出空间调制干涉型阿达玛变换光谱成像技术原理及仪器,利用横向剪切干涉仪获得所有阿达玛编码光信息在不同光程差处的干涉信号,对干涉谱进行傅哩叶变换和阿达玛变换得到目标的光谱.理论分析表明,干涉图的调制度不受阿达玛模板形状、大小等因素的影响,光谱分辨率与阿达玛模板的尺寸无关,不但避免了色散型阿达玛变换光谱成像仪中空间信息和光谱信息的错位,而且高能量通过率、高空间分辨率和高光谱分辨率成像容易同时实现.     

基于OP/FTIR和反射转镜式干涉光谱仪的大气CO2浓度测量

对地球大气温室气体进行高精度的探测,是当今数值天气预报和气候与大气环境变化监测的发展需求。利用OP/FTIR测量法,将一台国内率先自行研制的中波红外反射转镜式干涉光谱仪,首次成功地用于地表大气CO2红外吸收光谱的测量。该反射转镜式干涉光谱仪的工作谱段为2 100~3 150cm-1,光谱分辨率为2cm-1。设计了大气成分探测方法,建立了大气浓度参数反演数理依据和定量分析算法。采用基于比尔定律的直接法和基于HITRAN数据库及仪器函数的仿真拟合法,建立了反演模型,并对CO2分子的浓度进行了反演。根据观测和模型分析,CO2的浓度反演结果在300~370ppm,呈现出随自然环境变化先缓慢降低再快速升高的趋势,并在下午至傍晚之间达到低值;同时,随时间的变化,用直接法计算的CO2浓度和用拟合法的仿真值表现出了良好的一致性,所有测量数据之间的相关性高达99.79%,相对误差不超过2.00%,达到了较高的反演精度。结果表明,在遥感测量大气成分方面,基于红外反射转镜式干涉光谱仪的OP/FTIR法是可行且有效的技术手段,直接法或拟合法皆可实现高精度的浓度反演。     

基于LCTF与LCVR的偏振高光谱成像系统设计

提出一种基于液晶可调滤光片(LCTF)与两片液晶可调相位延迟器(LCVR)构成的偏振高光谱成像系统,相对于传统LCTF具有转动部件以及无法获取全部偏振态的特点,本系统能够静态凝视成像并且测量目标完整的Stokes参量。通过对两片LCVR取四组不同延迟组合,构造了一个4×4复原矩阵来获取目标的原始全偏振信息。使用干涉光强法,对两片LCVR分别进行了延迟-电压特性的精确测量;在633nm下验证了全偏振复原算法,通过对误差分析,得到了较好的反演Stokes参数和相应的DoLP与Orient计算值,验证了复原算法的可靠性,可以为全偏振态高光谱遥感成像提供有效的数据。     

高光谱干涉图像动态追踪补偿方法研究

结合基于位置姿态测量系统的目标动态追踪补偿校正和非等间隔快速傅里叶变换谱提取,提出一种机载遥感的高准确度校正方法.该方法通过位置姿态组合系统在承载平台稳定性较差的成像条件下进行实时姿态测量、主动校正、反馈补偿获取干涉图,再对校正后的干涉图进行空间变换和非均匀性谱提取,获得融合图像和目标光谱曲线.机载飞行实验表明:多谱段伪彩色融合图像效果良好,光谱反演准确度与传统校正方法相比有大幅提升.基于该方法的位置组合测量系统具有良好的机载环境适应性,可应用于稳定性较差的平台以及非干涉型原理的光谱成像探测系统,为机载高光谱图像运动误差一体化处理平台的研究提供了一条新途径.     

全保偏双飞秒光纤光频梳系统的频率联动特性

采用跟踪反馈控制法,实现了双飞秒光频梳系统的频率联动,研究了主动光频梳自动扫频和手动扫频情况下,双光梳间的频率联动特性.结果显示,对主动光频梳进行自动扫频或手动扫频时,从动光频梳的频率跟随变化,且双光梳频率间的相关系数最大可达0.99,说明双光梳的频率间保持了较好的联动特性.最后,将频率联动的全保偏双光梳系统用于测距实验中,测量距离为1.332m,时间间隔为0.2s,连续进行16次测量,测得数据的标准差为0.35μm,测量精度可达亚微米量级.