光谱特征提取对近似矿物光谱差异性影响分析

矿物光谱特征是基于光学遥感数据对矿物进行种类识别及定量反演的理论基础,光谱特征提取是高光谱数据常用的技术手段,但在多光谱数据中较少涉及。近似矿物识别是矿物光谱分类应用中的难点,目前还缺少有效指标来指示近似矿物类别光谱的差异性。光谱特征提取有望提高矿物分类精度,但该处理对近似矿物光谱差异性的影响还缺少相关研究。本文从矿物光谱差异性的原理出发,通过类间和类内光谱角的比值体现不同类别群体差异,并引入样本量因素,提出了类别可分比作为近似矿物光谱差异性的指标。以明矾石和高岭石两种近似矿物为例,对USGS光谱库光谱及Hyperion,ASTER,OLI等传感器的模拟数据进行光谱特征提取处理,通过对比处理前后矿物光谱差异性的变化,分析光谱特征提取对近似矿物光谱差异性的影响。实验结果表明,有效的光谱特征提取可以显著提高近似矿物光谱差异性,并且光谱分辨率越高,近似矿物光谱差异性越大。此外,光谱分辨率及中心波长设置对于包络线去除结果有很大影响,多光谱数据吸收特征提取效果有待进一步提高。该研究为今后近似矿物光谱识别精度的提高奠定了基础,也为未来新型遥感找矿传感器参数设置提供了参考。     

矿物组分快速定量提取模型及其应用

矿物成分快速鉴定是提高遥感矿产勘探、遥感矿物填图以及诸多地学研究等工作效率的关键。由于技术等各方面的限制,国内外针对矿物快速分析的模型和软件较少。20世纪90年代以来近红外光谱仪在技术上的突破和计算机的发展使得近红外光谱技术在矿物快速识别领域的应用变得可行,先后出现了基于吸收位置的反演模型(模型一)和基于波形匹配的反演模型(模型二)。文章提出了特征光谱线性反演模型。经美国地质调查局矿物光谱库(USGS)端元混合实验数据验证,该模型精度接近100%,远优于模型一和二。对新疆包古图地区地表随机所采23个样本分析,该模型平均精度为64.6%,另外两模型分别为：33.8%和8.1%,优于模型一和二。虽精度尚低于传统镜下鉴定方法,该模型具有高效、方便、工作量小、人为误差小等优点,已初步应用于新疆包古图地区遥感矿产勘探工作,有较好的推广前景。     

基于光谱特征拟合的艺术画颜料成分识别研究

高光谱成像技术作为一种高效无损的检测方法,根据不同的物质成分在光谱上表现出不同的光谱信息,可以从图像上方便的鉴定出物质成分组成。本文分别利用可见光高光谱与红外高光谱成像技术对一幅古画进行颜料光谱成像,通过最小噪声分离(MNF)、纯净像元提取(PPI)、光谱特征拟合方法(SFF),与标准波谱库匹配,识别出该幅古画所用颜料成分主要由:朱砂、石青、白云母和金云母等组成,匹配度分别为:0.76,0.57,0.62,0.89。实验表明:利用高光谱成像技术不但可保存图像信息,物质成分波谱信息,还可还原受污染区域,为以后深层次研究提供详实资料。     

基于正交子空间投影的污染气体自适应探测

超光谱成像遥测污染气体的主要目的是对其进行识别分类,进而获得其空间分布信息,确定污染源位置。实际应用中,目标光谱叠加在强背景辐射之上,此外开放路径中的实测光谱还包含大气等干扰物光谱,这些因素制约了对目标光谱的识别分类。在线性模型基础上,利用正交子空间投影方法有效压缩背景及干扰物信息,并基于广义似然比检验原理构建子空间检测器,对所有像元逐个分类识别。以氨气为目标气体进行了野外实验,数据立方体来自扫描成像傅里叶变换红外(FTIR)光谱仪,子空间向量由奇异值分解(SVD)算法得到。结果表明,子空间检测器对所有像元的识别结果优于光谱角度填图(SAM)算法。     

应用区域光谱库及分段滤波方法改进矿物识别精度的研究

针对当前利用高光谱数据进行矿物识别精度较低的问题,根据研究区地质背景建立区域端元光谱库,提出了对原始光谱进行分段滤波的预处理方法。首先应用连续统快速傅里叶变换方法分别去除2 000～2 200 nm,2 250～2 300 nm,2 350 ～2 500 nm范围内的随机噪声,之后利用加入区域端元库的矿物快速定量提取模型提取预处理后光谱中的矿物类型。本方法识别矿物的最高有效率为80%,正确率最高可达67%。与未滤波的光谱识别结果对比,平均正确率提高了17.7%,平均有效率提高了5.1%;与全波段滤波的光谱识别结果对比,平均正确率提高了5.8%,平均有效率提高了39.8%,可保证在尽量多识别出正确矿物的基础上有效减少结果中的错误组分数,改进了矿物识别的精度,对野外快速提取矿物信息等工作有重要意义。     

光谱最小信息熵的高光谱影像端元提取算法

端元提取是混合像元分解的关键,研究其算法在高精度的地物识别、丰度反演和定量遥感等方面具有重要意义。通过研究高光谱遥感影像光谱特征,结合信息熵理论,应用高斯分布函数,建立了一种新的高光谱影像端元提取算法,即光谱最小信息熵(spectral minimum shannon entropy,SMSE)算法。将该算法应用于AVRIRS高光谱影像的端元光谱提取,并经过与美国地质勘探局(United States Geological Survey,USGS)波谱库中的数据匹配,得知其提取端元的精度较高。同时,通过与经典的纯净像元指数(pixel purity index,PPI)和连续最大角凸锥(sequential maximum angle convex cone,SMACC)等端元提取算法进行实验比较和结果综合分析,发现光谱最小信息熵算法提取端元光谱效率更高、精度更好。此外,分别利用SMACC和SMSE提取Hyperion高光谱影像端元,得出SMSE的端元提取效果好于SMACC,从而可认为SMSE算法具有一定普适性。     

基于Top-Hat变换的高光谱吸收特征增强方法

对地物高光谱进行特征分析是高光谱影像用于目标识别和地物分类的基础.基于数学形态学的Top-Hat变换提出了一种光谱吸收峰增强算法.该方法在增强吸收峰的同时还保持了吸收谱带的波形特征.从美国地质调查局USGS光谱数据库选取的11条不同矿物的反射光谱曲线,对其吸收峰增强曲线和原始光谱曲线进行了K-means聚类分析.结果表明:吸收峰增强曲线的聚类结果在波形上和地质背景上都优于原始光谱曲线;且将吸收峰增强曲线的聚类的结果用矿物光谱的ASTER影像采样光谱曲线显示时,能总结出各组矿物的ASTER光谱典型特征.说明吸收峰增强曲线很好地增强了矿物光谱的吸收特征,提高了高光谱的可分性,同时还能为基于多光谱数据的遥感信息提取提供参考,是十分有用的高光谱分析方法.     

一种月壤主要矿物组分含量反演的光谱解混方法

从月壤光谱中挖掘矿物含量信息是月球遥感探测的重要内容之一,矿物光谱混合规律复杂,光谱特征对测试环境、粒度、地形、背景极为敏感是难点。提出并试验了一种基于光谱分解反演矿物含量的方法。在光谱分解前采用光谱连续统去除突出光谱谱形,分解中综合运用了光谱反射峰(介于两个吸收谷之间的光谱曲线向上凸起的部分)与吸收谷,分解后采用Hapke模型修正光谱非线性混合的影响,在混合端元光谱、端元化学成分与粒度未知情况下,实现了对月壤四种主要矿物橄榄石、斜方辉石、单斜辉石、斜长石的43条混合光谱的盲分解与矿物含量反演,反演的残差、误差、线性拟合相关系数(反演含量与真实含量)均值分别为5.0 Vol%,14.4 Vol%,0.92。该方法与反演结果可为月球高光谱矿物识别与填图提供参考与依据。     

基于光谱相似度的恒星大气参数自动测量方法

采用模板匹配方法进行恒星光谱的自动处理时,不需要计算光谱的线指数,而采取对全谱匹配的方法尽可能多的保存有用的信息,可得到比较理想的结果。提出一种基于光谱相似度的恒星大气参数自动测量的方法。首先对恒星光谱进行连续谱归一化,然后通过计算待测光谱和模板光谱之间的相似性来进行模板匹配,从而得到相对准确的恒星大气参数。通过ELODIE实测光谱数据和NGS理论模板库之间的实验表明,本方法可有效进行恒星大气参数的自动测量,并能得到理想的结果。     

一种红外光谱免疫计算的矿物组分定量提取方法

近红外/短波红外光谱的矿物组分快速鉴定技术可以大大提高野外矿产勘查、遥感矿物填图、岩芯矿物组分分析等工作的效率,成为目前高光谱技术研究的热点之一。文章给出了一个基于光谱相似度评价约束的联合目标岩石样品光谱和矿物光谱端元库进行矿物组分光谱反演的统一模型,然后以矿物光谱线性混合模型和光谱夹角相似度评价为例,建立了一个具体的组分反演模型;针对模型求解过程中的组合优化问题,提出了一种人工免疫克隆选择计算的矿物组分光谱(ICSFSLIM)识别方法;利用在中国新疆包古图地区选取的22个野外岩石样品的实测近红外/短波红外光谱进行了矿物组分提取试验,以样品薄片鉴定结果为准,将ICSFSLIM识别结果与组合特征光谱线性反演模型(CFSLIM)识别结果进行了定量的对比分析。结果表明：ICSFSLIM比CFSLIM的识别正确率提高了2.26%,有效率提高了18.6%,并且具有更高的识别稳定性。     

反射光谱特征的土壤分类模型

土壤反射光谱综合反映了土壤的理化性质和内部结构,高光谱遥感已被用于基于土壤反射光谱特性的土壤分类。已有研究一般利用土壤反射光谱一阶微分主成分作为输入量进行光谱分类模型构建,但主成分数据缺乏物理意义,且缺乏对比性、适用范围也有限。与反射率一阶微分数据相比,基于去包络线提取具有明确物理意义的特征参数,能够提高土壤分类的精度,并寻找到一种高精度土壤分类模型。选取吉林省农安县的四种典型土壤（风砂土、草甸土、黑土、黑钙土）,将采集后的土壤样本进行风干、研磨、过2 mm筛处理,采用ASD FiledSpec®3便携式光谱仪对处理后的土壤样本的可见光近红外光谱区进行测试,从而获得土壤样本的光谱数据。对光谱数据进行九点平滑、10 nm重采样处理进行降噪,将处理后的数据分别进行一阶微分主成分以及去包络线处理。利用土壤样本的去包络线提取光谱特征参数。以一阶微分主成分数据和光谱特征参数为输入量分别代入Logistic聚类模型（LR）、人工神经网络聚类模型（ANN）、K-均值聚类模型（K-means）。首先明确了不同土类之间的反射光谱曲线、去包络线的差异大小,以及相同土壤的反射率曲线、去包络线进行土壤分类的优劣,并且在去包络线的基础上提取能够区分不同土类的光谱特征参数;其次,比较一阶微分主成分与光谱特征参数作为输入量时,三种光谱分类模型精度差异并分析不同模型精度差异的原因。结果表明：（1）四种土壤的反射光谱曲线差异较小,去包络线可以极大的增强四种土壤在430～1 210 nm之间的光谱差异,并在去包络线的基础上构建具有明确物理意义的光谱特征参数。（2）将一阶微分主成分和光谱特征参数分别代入三种聚类模型可知,以光谱特征参数为输入量的土壤光谱分类模型均超过了以一阶微分主成分为输入量的模型精度,由于光谱特征参数保留了原数据的物理意义、更准确的体现了不同土壤类型之间的差异性,而一阶微分主成分数据带有一定的模糊性不同范围之间缺乏对比性,在土壤分类中以光谱特征参数作为输入量更具有优势。（3）在三类土壤分类模型中,LR的分类精度最高为76.67%,Kappa系数为0.56;ANN的分类精度中等为72.50%,Kappa系数为0.48;K-means的分类精度最低,只有65.00%,Kappa系数为0.33。研究成果可为土壤精细制图、以及土壤分类仪器的研制提供技术支持。     

热红外光谱的石榴子石亚类识别方法

高光谱技术快速、无损、精确探测矿物,能够清楚的反映矿物化学成分的改变。石榴子石在热红外波段具有诊断性的三峰式特征。反射峰波长与化学成分关系密切,所以可以依据石榴子石在热红外波段的光谱特征开展其亚类分类研究。钙铬榴石和锰铝榴石反射峰位置易于与其他亚类区分,而铁铝榴石和镁铝榴石、钙铁榴石和钙铝榴石的反射峰位置有较大重叠区域,无法直接判别,因此亟需一种基于热红外光谱的快速、准确识别石榴子石亚类的分类方法。基于热红外光谱库中85个不同类型的石榴子石样本数据获取其3个反射峰位置及波长差值信息,利用非线性BP神经网络、聚类分析以及多元线性判别分析3种方法开展石榴子石亚类识别实验,并运用精确率、召回率和F1值进行分类精度评价。结果显示：BP神经网络算法分类的精确率、召回率和F1值均能达到100%,铁铝榴石和镁铝榴石、钙铁榴石和钙铝榴石得到很好地区分;聚类分析和多元线性判别分析分类的精确率、召回率和F1值分别为86.1%、80%和79.2%,84.2%、80%和79.5%,这两种方法对反射峰重叠的铁铝榴石和镁铝榴石、钙铁榴石和钙铝榴石分类效果不好,因此BP神经网络更适合石榴子石亚类识别。本研究利用BP神经网络强大的非线性自动映射能力,找到了石榴子石热红外谱段反射峰位置与亚类类型之间复杂的映射关系,证明了BP神经网络方法与热红外光谱特征结合使用的可行性与优越性,为石榴子石亚类识别提供了快速有效的技术支撑,同时为其他矿物的快速有效识别提供了良好的技术启示。     

一维空洞卷积神经网络的矿物光谱分类

矿物光谱综合反映了岩矿的物理化学特性、组分和内部结构特征,已被应用于岩矿识别研究.传统的矿物光谱分类方法需要先对矿物光谱进行预处理,再采用不同方法分析光谱特征,从而实现分类目的.但同时也会造成部分光谱信息丢失,导致最终分类精度不高且操作过程繁琐、效率低下,难以应对日益增长的大数据处理需求.因此,建立一个准确、高效的矿物...     

岩心光谱扫描仪数据处理应用研究

钻探是地质勘探的重要手段之一,近年来,随着我国地质事业的发展,大量岩心的存放和共享成了亟待解决的问题,研制岩心光谱扫描仪,实现岩心数字化解决了这一问题。然而,岩心光谱数据和图像数据的大量产生,对数据处理又提出了新要求。根据光谱学原理和光谱分析方法,对岩心扫描仪的光谱数据进行光谱分析和蚀变矿物填图,可以为地质科研、矿床分析和外围找矿提供依据。岩心图像也是岩心信息不可缺少的部分,由于岩心扫描仪探测器的局限性、光照条件以及岩心圆柱形的影响,会造成采集到的岩心图像光照不均和辐射畸变。使用非线性的双边滤波法来锐化图像,然后用黑白板定标的方法校正岩心图像,使岩心图像更加接近真实状况。用角点检测法进行特征点检测,完成了图像自动拼接工作,把一张张岩心图像按照岩心钻孔的顺序拼接成岩心柱和岩心盘,使岩心图像显示更直观。矿物的光谱分析是岩心扫描技术的核心,矿物不同,其特征吸收峰的位置也不同。常采用的矿物检索方法是吸收峰位匹配法,该方法适合混合矿物光谱检索。峰位匹配的依据是标准数据库,提出了分类数据库检索法,即根据矿物类型的不同,把标准数据库分为泥化蚀变矿物库、斑岩型蚀变矿物库、绢云母化蚀变矿物库等子数据库,根据样品图像及所处地质环境判断,选择合适的子数据库进行检索分析。文中进行两个实验,分别使用标准数据库和分类数据库分析同一样品,其分析结果表明准确率后者更高;使用标准数据库和分类数据库对同一批样品（141个样品）进行处理,用时分别是231和44 s。实验证明：分类数据库法不仅可以提高检索的准确度,还能大大加快检索速度,是准确、快速检索海量数据的有效方法。该方法是光谱检索中新颖、独特、有效的方法,是本文的创新之处。矿物光谱含有丰富的信息,其特征峰的峰强度、峰强比、峰位移、半高宽和反射率分别反应矿物的相对含量、相对温度、阳离子交换情况、结晶度和颜色等信息,提取同一批矿物的这些信息,对比分析,可获得成矿模型,揭示成矿规律。以安徽宣城一个钻孔为例,对岩心光谱扫描仪的数据进行自动图像拼接、光谱分析和蚀变矿物填图。从蚀变矿物信息提取图分析看出,该地区是酸性、低温的地质环境,低温区岩石颜色较深,在低温区中间也有高岭石、蒙脱石,说明具有良好的储油环境。经实践证明,该方法不仅效率高,能节省大量人工工作量,还能得到高质量的岩心盘拼接图、岩心柱状拼接和蚀变矿物信息提取图,是地质工作者处理岩心数据实用、可靠的方法。     

基于水样类型识别的光谱COD测量方法

基于紫外吸收光谱的COD测量方法,尽管具有快速、实时、免试剂、无污染等优势。但该方法对于组分多变的水样适应性不强,构建的单一计算模型不能适用于所有待测水样类型,导致其在复杂环境下测量准确度较低,从而限制了其应用领域。本研究提出一种基于水样类型识别的测量方法。其过程包括:动态识别水样类型→自动选择相应的"吸光度(Auv)-COD"算法模型→计算COD。该方法有效提高了紫外光谱法COD测量的准确度和适用性。该研究在传统的光谱识别技术的基础上,针对COD实际测量的特点加以改进。选取水样吸光度曲线的形貌特征作为水样类型的表征参数,利用LM-BP神经网络作为识别算法。并引入了"历史数据队列"、"历史识别因子"的概念,在此基础上形成了级联的神经网络结构。该算法实现了COD测量应用中的高准确度的光谱识别,进而提高了复杂环境下COD测量的精度。大量实验测试和结果表明,与传统的光谱识别技术相比,该方法在COD测量应用中具有更好的鲁棒性和准确性。水样类型识别准确率达98%以上。同时算法结构简单,计算量小,适用于资源受限的小型化COD测量仪。当仪器在复杂多变的水环境中进行测量时,采用该算法测量得到的COD精度有显著的提高。该方法的提出为光谱COD测量法在水体组分多变场合的应用及提高其测量精度提供了技术保证,可望解决传统紫外光谱COD测量法难以适应变化和复杂水环境应用的问题。     

基于自组织聚类和改进粒子群算法的语音转换方法

提出一种基于自组织聚类,并且利用改进粒子群算法确定转换模型参数的语音转换方法.该方法首先基于自组织特征映射网络对特征参数进行聚类,再对每个聚类分别建立转换规则,并且利用柯西变异的粒子群算法确定每个转换规则中的模型参数.与传统的单一转换规则相比,聚类后建立的多转换规则以及利用改进粒子群算法确定参数能够提高映射关系的准确度,避免参数陷入局部最优点。以女声转男声为例,主观测试表明该方法得到的转换语音与目标的相似度提高了27.6%,平均主观意见分(Mean Opinion Score,MOS)提高了0.6,客观测试也表明该方法谱失真最小,与目标的包络更接近.      

长波红外高光谱偏振特性的伪装目标识别方法

光谱偏振探测可以综合获得目标的光谱、强度、偏振态等参数，有利于改善对目标的探测和识别能力。本文介绍了基于红外高光谱偏振特性的伪装目标识别方法，搭建了长波红外高光谱偏振测量系统，开展了对两类伪装目标在不同温度下的高光谱偏振成像实验，获取了有效的实验数据并进行处理分析。结果表明：两类伪装目标即使涂覆相同的表面涂料，但受基底材料的热传导率影响, 在相同温度差异下红外偏振特性的提升量明显大于辐射亮度，并有着温差越大偏振特性提升量差异越大的规律，同时显示出波段选择性。利用两类伪装目标偏振特性提升量的差异，有效解决相同温度下伪装目标无法识别的难题。     

基于深度置信网络的红外光谱鉴别汽油掺混

为实现掺混汽油快速无损鉴别,提出一种利用t 分布邻域嵌入结合深度置信网络的鉴别方法,以解决机器学习中高维特征向量间的非线性关系.以92#、95#、98#及定比混合汽油为研究对象,采用多元散射校正算法对原始红外波段投射光谱测量数据进行预处理,利用t-SNE非线性方法进行光谱数据降维处理,分别采用深度置信网络和极限学习机建...     

基于PCA-BP神经网络的光谱消光法颗粒粒径反演算法研究

光谱消光法广泛应用于颗粒粒径测量领域,在利用光谱消光法对颗粒粒径进行反演的过程中,由于颗粒的消光系数存在理论复杂、计算繁琐、收敛速度慢以及求解不稳定等问题,很大程度上影响了整个反演过程的快速性和准确性。且在众多波长的消光数据中,存在较多重复冗余的信息,也很大程度上增加了反演算法的时间。针对光谱消光法粒径反演算法计算繁琐、反演效率低的问题,提出了基于主成分分析（PCA）和BP神经网络的光谱消光颗粒粒径分析方法。基于Mie散射理论对不同粒径、不同波长下的光谱消光值进行了仿真计算,通过对光谱消光数据集的主成分分析及各个波长综合载荷系数的计算,实现了最优特征波长的选取,利用降维后的光谱消光数据训练了PCA-BP神经网络模型,并利用该网络模型计算了粒径颗粒分布。通过仿真计算,比较了PCA-BP神经网络模型与传统的BP神经网络模型的预测精度,并分析了波长数目对两种神经网络模型预测结果的影响。针对训练得到的PCA-BP神经网络模型开展光谱消光法粒径参数反演算法的验证实验,搭建了光谱消光法颗粒粒径参数测量实验系统,测量了粒径范围在0.5～9.7 μm内的6种不同粒径参数的聚苯乙烯标准颗粒。仿真和实验结果表明：基于主成分分析方法可确定各个波长向量之间的相关性,利用综合载荷系数选取最优特征波长对应的消光值对整体的光谱数据具有较好的代表性,可实现光谱数据的降维。相比传统的BP神经网络模型,基于PCA-BP神经网络模型的颗粒粒径分布的分析方法预测精度更高,对于较分散颗粒系的分布参数的预测有更加明显的优势。而且,被选取的波长数较少时,PCA-BP神经网络模型依然有较高的预测精度。利用训练好的PCA-BP神经网络模型对颗粒粒径参数进行实验验证,预测结果可瞬时输出,颗粒粒径分布误差在5%以内,验证了该算法的可行性。