一种八谱段滤光片成像系统设计

针对多光谱滤光片阵列成像采样率低,原始(Raw)数据稀疏所导致的重建图像模糊,高频信息丢失等问题,提出了一种新八谱段滤光片阵列分布方案,利用基于邻域梯度延伸方法对光谱Raw图像进行重建.首先基于二叉树生成法,在重复排列的4×4阵列中设计了一种等空间概率比的八谱段滤光片分布方案;然后针对传感器直接获取的稀疏Raw图像,计算各谱段采样点的梯度信息,在保持图像结构特征和纹理信息的基础上,利用邻域采样点的像素值和梯度值对未采样点进行重建,从而获得完整的光谱图像信息;最后,基于已重建的八谱段光谱图像,采用伪逆矩阵法重构各像素位置的31波段光谱值.结果表明,相对于主流图像重建方法,本文算法提高了重建八谱段光谱图像的峰值信噪比、复合峰值信噪比,降低了光谱均方差,更好地保留了图像的纹理和边缘,有效降低了多光谱滤光片阵列成像中的颜色伪影和图像模糊等现象.     

基于非线性光谱字典学习的单幅RGB图像光谱重建方法研究

针对单幅RGB图像重建光谱图像中的病态问题,提出一种基于非线性光谱字典学习的非线性重建方法。为了适应线性和非线性数据,该方法首先改进了基于自联想神经网络模型的非线性主成分分析算法,并利用其从训练光谱集中学习低维光谱字典,用于光谱重建的求逆方程中,以缓解病态状况。再在此光谱字典基础上,利用阻尼高斯牛顿法结合截断奇异值分解的正则化方法,进一步缓解该非线性反演的病态问题,实现单幅RGB图像重建光谱图像。在实验中,采用Munsell以及Munsell+Pantone两个光谱训练集学习光谱字典,同时利用CAVE和UEA光谱图像库进行光谱重建测试。该方法测试结果与现有方法比较发现,该方法在不同光谱训练集下重建CAVE和UEA两库光谱图像的均方根差的平均值最低,分别为0.212 4, 0.255 4, 0.229 4和0.294 9,均方根差的标准偏差接近最好方法的效果,分别为0.068 5, 0.084 7, 0.066 8和0.087 0。此结果表明该方法针对单幅RGB图像重建光谱图像在重建精度和稳定性上均存在优势。     

铁质破片的高光谱图像识别研究

高光谱成像凭借高的光谱分辨率、图谱合一、波段多的特点,能够为待分类目标提供多维的参考信息,从而提高分类精度。爆炸破片的识别回收能够为爆炸威力的评估和防爆措施的设计提供参考。针对当前破片检测中多采用可见光波段或红外波段等单个波段进行检测,忽略了破片目标与背景对不同波长的光有着不同的吸收程度,没有将多波段破片特征充分利用,为此结合高光谱检测手段,提出了一种空间分割结合光谱信息的爆炸破片识别方法。在实验室环境下,首先采集铁质破片、石头、树叶的高光谱图像,对采集的样本图像数据做预处理,包括去噪声以及黑白校正反演反射率信息等,感兴趣区域随机提取三类样本像素点共750个,随机选取600个点作为训练集其余作为测试集,通过训练后得到预测准确度分别为88%、 88%、 94%的决策树模型。其次模拟了铁质破片散落在含有石头树叶的沙土中的场景并采集其高光谱数据,通过前后级联的空谱融合方法,在空域经过图像增强和去噪等预处理之后,采用边缘检测结合区域生长以及形态学处理的方法对空间图像进行分割,得到沙土上有形态的目标,空间分割的交并比(IOU)达到93.5%,真阳率(TPR)达到97.4%;然后结合光谱域训练得到...     

基于快速三因子分解和组稀疏正则化的高光谱图像去噪

为了有效去除高光谱图像中噪声带来的干扰,提升图像质量,在局部低秩和全局组稀疏结合的框架内提出了一种基于快速三因子分解和组稀疏正则化的去噪模型。首先,将高光谱图像分解成若干三维重叠图块并将其逐波段列化成矩阵,在快速三因子分解的框架下将这些矩阵分解为两个正交因子矩阵和一个核心矩阵,对核心矩阵添加L2,1范数最小化约束;其次,对高光谱图像空间和光谱方向的梯度张量分别添加组稀疏正则化约束;最后,将低秩矩阵的三因子分解和全局组稀疏正则化结合,可以充分挖掘图像的局部低秩和稀疏的先验信息,并去除各种混合噪声。在三个数据集上与五种经典模型相比,该模型的各项评价指标更高,去噪图像保留了更多细节信息,去噪效果更好。     

微分算法的艾比湖湿地自然保护区土壤有机质多光谱建模

针对以往利用高光谱数据来来反演土壤有机质（SOM）的可行性与可靠性,结合微分处理对光谱数据信息提取的高效性,提出了直接对多光谱遥感影像进行微分处理就可得出SOM建模研究,旨在为今后SOM速测提供参考。采用Landsat 8_OLI 多光谱遥感影像数据,对多光谱遥感影像进行辐射定标、几何校正、大气校正、镶嵌和裁剪,运用IDL软件对影像进行一阶微分处理和二阶微分处理,发现一阶微分图像能够更好地表达地物的真实情况,更好地区别水体与土壤。原始遥感影像包含大量的信息其中还包括噪声,通过微分处理后的遥感影像剔出了原始影像中反射率值突兀变化的部分。在研究区采用五点法采集土壤样品。室内实验用重铬酸钾氧化-容量法测得SOM数据。多光谱数据结合地面实测SOM数据,分析SOM与多光谱数据反射率的关系,发现一阶微分处理后的遥感数据与SOM含量的相关性存在敏感波段,说明一阶微分处理可以将原始遥感图像数据在多光谱范围内的一些隐含的土壤有机质信息释放出来。选取相关性高的数据建立基于原始遥感数据、一阶微分数据、二阶微分数据的单波段多光谱线性模型和多波段多光谱线性模型,选取最优模型来估算和反演土壤有机质含量。结论如下：（1）通过对原始影像进行微分处理发现,微分处理后的影像变化明显,一阶微分处理的影像噪声降低,更加突出了影像中土壤有机质隐藏的信息。二阶微分处理的影像抑制了土壤有机质信息。（2）原始遥感影像各波段数据对土壤有机质含量的相关性较低,一阶微分处理后的遥感影像数据反映出土壤有机质敏感波段即部分波段数据相关性明显高于原始数据,二阶微分处理后的遥感影像各波段数据对土壤有机质含量的相关性较弱。（3）多波段建模效果要优于单波段建模;一阶微分多波段模型预测精度最优,其模型的决定系数和模型拟合的决定系数分别为0.898和0.854,该模型对估算研究区内的SOM含量效果较好;综合比较了单波段模型和多波段模型的拟合精度,发现无论在单波段模型还是多波段模型一阶微分处理后的模型都具有更好的预测能力。（4）基于一阶微分多波段模型对研究区SOM进行反演,反演结果与实际情况相符合,对干旱区SOM含量制图提供了切实可行的方法和参考。     

大豆冠层多光谱图像提取方法

为解决大豆冠层在近地端的多光谱图像边缘灰度不均,目标与背景之间灰度差别小,难以准确高效地获取大豆冠层目标区域的难题,将多光谱成像处理技术与经典图像分割方法有机融合,提出基于多光谱图像处理技术的大豆冠层提取方法。以东北大豆为对象,通过Sequoia多光谱相机采集绿光、近红外、红光、红边和可见光五类大豆多光谱图像,采用高斯平滑滤波法对原始大豆多光谱图像进行预处理,分析多光谱图像中大豆冠层和背景的灰度直方图分布特性,在此基础上利用迭代法、Otsu法和局部阈值法提取原大豆多光谱图像中冠层区域,并以图像形态学开运算处理细化和扩张背景,避免图像区域内干扰噪声对大豆冠层识别效果的影响,同时以有效分割率、过分割率、欠分割率、信息熵以及运行时间等为监督指标,对大豆冠层多光谱图像识别模型进行效果评价。大豆冠层识别模型中迭代法可以有效分割近红外和可见光大豆冠层图像,有效分割率分别为97.81%和87.99%,对绿光、红光和红边大豆冠层图像分割效果较差,有效分割率低于70%;Otsu法和局部阈值法可以有效分割除红光波段的其余四种多光谱大豆冠层图像,且有效分割率均在82%以上;三种算法对红光大豆冠层图像的有效分割率均低于20%,未达到较好效果。在原始多光谱图像中应用迭代法、Otsu法和局部阈值法提取大豆冠层图像与标准图像的信息熵平均值波动幅度分别为：0.120 1,0.054 7和0.059 8,其中Otsu法和局部阈值法较小,表明了对于大豆冠层多光谱图像识别中两种算法的有效性。该算法中Otsu法和局部阈值法均可以有效提取绿光、近红外、红边和可见光等多光谱的大豆冠层图像,二者较为完整地保留了大豆冠层信息,其中Otsu法实时性能较局部阈值法更好。该成果为提取农作物冠层多光谱图像提供理论依据和技术借鉴。     

基于波段调制的HOSVD多光谱人脸识别

通过分析影响多光谱人脸识别的两个重要因子:皮肤的物理特性和传感器的系统响应特性,提出了基于波段调制的高阶奇异值分解多光谱人脸识别算法.该算法考虑到各波段上数据信息的差异性,用加权融合方法对多光谱图像光谱维进行单独处理,保留了光谱维更多的信息量.仿真结果表明,基于波段调制的高阶奇异值分解方法可应用于多光谱人脸识别,与未考虑波段特性的单波段积融合高阶奇异值分解、单波段和融合高阶奇异值分解相比有较高的识别结果.     

基于冠层辐射传输模型的地表反射率光谱重建方法

针对基于多光谱数据有限光谱信息重建地表反射率光谱的病态求解难题,提出一种基于冠层辐射传输物理机理并充分考虑像元异质性的地表反射率光谱重建方法,该方法假设混合像元由植被和土壤两种地物类型组成,利用冠层辐射传输模型构造端元光谱查找表,进而通过组分比例因子估算实现基于多光谱图像的高光谱地表反射率模拟。以Landsat ETM+多光谱图像为例的地表反射率超光谱重建验证实验结果表明,模拟的反射率光谱能够较好的反映不同地物特征信息。进一步地,利用模拟的地表反射率拟合Landsat ETM+图像和MODIS图像,各波段模拟图像与实际观测图像之间具有较高的相关系数(Landsat: 0.90~0.99, MODIS: 0.74~0.85),进一步验证了该方法的可行性。     

基于成像系统物理特性的多光谱图像与全色波段图像融合

提出了一种基于成像系统物理特性的多光谱图像与全色波段图像融合算法。该算法采用àtrous小波变换提取全色波段图像的空间细节信息,并将提取的空间信息按照一定的注入模型调整后添加到各波段多光谱图像中去,得到具有高空间分辨力的多光谱图像。注入模型充分考虑了各波段成像传感器的相对光谱响应函数、地表物体对各波段的光谱反射率以及各波段的辐射调整系数等成像系统的物理特性,使融合后的多光谱图像在显著提高空间质量的同时,最大可能地保留了原始多光谱图像的光谱特性。对IKONOS卫星遥感影像的融合实验结果表明,该算法在光谱保留和空间质量提高方面较其它基于小波变换的融合算法都具有更高的性能。     

基于非负矩阵分解的中红外地表特性光谱重建方法

在中红外遥感领域,高光谱地表反射率/发射率等地表特性具有极高的应用价值和应用需求,但利用卫星遥感手段难以获取吸收波段的高光谱地表反射/发射特性,且通过光谱重建获取全波段的地表特性方法仍存在很多问题。为解决中红外全波段地表特性光谱重建所面临的难题,基于约翰霍普金斯大学(Johns Hopkins University, JHU)地物波谱库和中分辨率成像光谱仪(MODIS)短波红外和中红外地表多光谱卫星产品,提出了一种利用非负矩阵分解(NMF)重建高光谱地表反射率的方法,对2.5～5.0μm中红外光谱范围内的地表反射/发射率进行光谱重建,重建后的光谱分辨率可达10 nm。首先基于JHU地物波谱库选取4种典型地物类型(土壤、植被、人造材料和岩石),建立地物光谱库样本信息,再利用MODIS传感器光谱响应函数,根据等效计算公式将2.0～5.0μm波段范围反射率结果重采样到10 nm光谱间隔、共301个波段,得到JHU地表反射率光谱数据集。对光谱数据集进行非负矩阵分解处理,提取4条端元向量光谱曲线,结合MODIS短波红外和中红外4个波段(2.13、 3.75、 3.96和4.05μm)的全球月均地...     

一种波段聚类和多尺度结构特征融合的高光谱图像分类模型

高光谱图像包含丰富的地物信息,在农业、工业和军事等领域应用广泛。因此,高光谱图像的识别与分类是一项重要的研究课题。然而,高光谱图像存在光谱维度高、噪声大、标记样本有限等问题,并未取得很好的分类效果。针对以上问题,提出一种波段聚类和多尺度结构特征融合的高光谱图像分类模型(ASPS-MRTV)。该方法主要包括以下几个步骤,首先,对高光谱数据进行归一化处理,将归一化后的三维图像按光谱维等分为n个子空间;其次,采用粗细划分策略构造自适应子空间光谱特征提取框架,将每个空间波段拉伸为一维向量后用信息散度构造波段的相似性矩阵,按照聚类的思想对n个子空间进行自适应;然后,将每个自适应子空间的光谱波段平均值进行叠加,形成光谱特征;最后,对所得到的光谱特征数据利用多尺度相对全变分技术提取结构特征。为了增强样本的线性可分性,在数据堆叠之后进行核主成分分析,最终形成空谱特征。对比实验中统一使用惩罚参数C和核参数σ都为24.5的SVM进行分类。经测试,ASPS-MRTV网络模型在Indian Pines、 University of Pavia两个数据集上分别以5%, 1%的训练样本达到了97.06%、 98....     

基于分层引导滤波与最近邻正则化子空间的高光谱图像分类

针对高光谱图像中同质异谱现象造成的分类精度较低以及边缘像元在联合空间光谱信息分类时特征易混淆的问题,提出了基于分层引导滤波与最近邻正则化子空间的分类方法.利用主成分分析获得高光谱图像的第一主成分.以第一主成分为引导图像对高光谱图像执行分层引导滤波操作,引导滤波的边缘保护特性,有效阻隔了边缘处类间光谱信息的混淆,并减小了局部区域类内光谱的差异,最后将预处理后的高光谱图像送至最近邻正则化子空间分类器进行分类识别.在Indian Pines,Salinas以及GRSS_DFC_2013高光谱数据集上与现有的方法进行对比实验.结果表明,本文提出的方法在三个数据集上分别取得了98.63%,99.13%与99.42%的总体分类准确率,有着更优的分类精度与可视化效果.     

基于改进Swin transformer的遥感图像融合方法

针对现有基于transformer的方法未能充分融合遥感图像多尺度特征的问题,提出一种多光谱-全色融合网络。在融合网络中嵌入一个基于改进Swin transformer的多尺度窗口自注意力模块,在关注全局空间特征的同时,充分融合不同尺寸的特征信息,从而最大程度地保留光谱和空间结构信息。通过不同层级特征的跳跃连接,解码网络预测出原始多光谱图像缺失的纹理部分,最终使用细节注入模型恢复出目标图像。为了提升融合效果,在损失函数中加入了光谱损失和空间结构损失。与其他方法相比,本文提出的方法在WorldView-4、QuickBird和WorldView-2三种卫星数据集的主观视觉效果最好,相比于性能第二的方法,本文方法在三种数据集的相对全局误差指标分别减小了11.99%、0.4%和3.43%。     

基于多尺度方向引导滤波和卷积稀疏表示的红外与可见光图像融合

基于引导滤波和非下采样方向滤波器,提出了一种多尺度方向引导滤波图像融合方法,该方法兼具边缘保持特性和方向信息提取能力,能够有效提取源图像的有用信息。所提方法对源图像进行多尺度方向引导滤波,得到了包含低频近似部分和强边缘部分的低频分量,而后通过高斯低通滤波将其进行有效分离,分别应用基于卷积稀疏表示和区域能量自适应加权平均的融合规则;对高频细节方向分量应用显著性与引导滤波相结合的融合规则,以保持空间一致性,得到了相应的高频细节融合分量。结果表明,所提方法能更好地提取源图像的目标特征信息,保留丰富的背景信息,客观评价指标优于现有方法,融合结果具有更好的主观视觉效果。     

基于高光谱技术融合图像信息的脱绒棉种品种分类检测研究

开展种子品种的识别研究是保证种子质量的重要手段。利用高光谱图像技术融合图像特征信息对脱绒棉种的品种进行判别分析。采集4个品种共240粒脱绒棉种样本的高光谱图像数据(400～1 000 nm),提取样本的光谱信息及长、宽、面积、圆形度、等12个形态特征。采用连续投影算法(SPA)选出11个特征波段作为输入结合偏最小二乘判别分析法(PLS-DA)、软独立模式识别法(SIMCA)、最邻近节点算法(KNN)、主成分分析结合线性判别(PCA-LDA)及二次判别(PCA-QDA)进行建模分析,得出PLS-DA建模集和预测集的总体识别率分别为93%和90%。利用图像信息进行建模分析,模型整体的识别率均不高,说明单独使用高光谱图像的形态特征进行分类效果不佳。将特征波段的光谱和形态特征信息进行融合作为输入,建立基于PLS-DA,SIMCA,KNN,PCA-LDA及PCA-QDA的信息融合模型,其精度均比基于光谱或形态信息模型高,其中PLS-DA模型识别效果最好,建模集和预测集总体识别率分别为98%和97%。表明融合高光谱图像的光谱与图像信息可以在少量波段情况下有效的提高脱绒棉种品种的分类检测精度。     

基于非采样Contourlet变换的遥感图像融合算法

为了使融合后的多光谱图像在尽可能保持原始多光谱图像光谱特性的同时,显著提高空间分辨力,提出了一种基于非采样Contourlet变换(NSCT)的遥感图像融合算法。算法首先对全色波段图像进行非采样Contourlet变换,得到全色波段图像的低频子带系数和各带通方向子带系数;然后针对多光谱图像的每一个波段,将其进行双线性插值后作为融合后多光谱图像的低频子带系数,对全色波段图像的各带通方向子带系数采用基于成像系统物理特性的注入模型(调整系数)进行局部调整后,作为融合后多光谱图像的各带通方向子带系数,从而得到融合后多光谱图像的非采样Contourlet变换系数;最后再经非采样Contourlet逆变换得到该波段具有高空间分辨力的多光谱图像。采用IKONOS卫星遥感图像进行了仿真实验,实验结果表明,该算法在光谱保留和空间质量提高方面优于其它传统的遥感图像融合算法。     

光谱重构油菜叶绿素含量快速检测方法及设备研制

为了实现油菜叶片中叶绿素含量的快速无损检测,开发了手持式多光谱成像系统用于采集油菜叶片在460,520,660,740,840和940 nm 六个波段的光谱图像。将一台能够采集可见光/近红外（380～1 023 nm）512个波段光谱图像但是价格高昂且体积大的室内高光谱成像系统作为参考仪器,将手持式多光谱成像系统作为目标仪器后,采用伪逆法（pseudo-inverse method）求得高光谱成像系统和多光谱成像系统两台仪器之间的转换矩阵F,从而实现6个波段的多光谱图像向512个波段的高光谱图像的重构,提高了手持式设备的光谱分辨率。运用偏最小二乘回归算法（PLSR）建立了重构的光谱与油菜叶片的叶绿素含量之间的关系模型。结果表明,重构的可见光范围内的光谱反射率与叶绿素浓度之间具有很强的相关性,PLSR回归模型建模集的决定系数R2_c为0.82,建模集均方根误差RMESC为1.98,预测集的决定系数R2_p为0.78,预测集均方根误差RMESP为1.50,RPD为2.14。虽然应用本文开发的手持式成像系统结合PLSR模型实现油菜叶绿素含量快速无损预测的精度低于基于室内高光谱成像系统获得的高光谱图像建立的PLSR模型（R2_c,RMESC,R2_p,RMESP和RPD分别为0.90,1.41,0.82,1.36和2.37）,但是明显优于基于原始多光谱成像系统4个波段（460,520,660和740 nm）反射率建立的PLSR模型得到的结果（R2_c,RMESC,R2_p,RMESP和RPD分别为0.78,2.06,0.72,1.85和1.88）。表明光谱重构技术可提高多光谱成像预测油菜叶绿素含量的精度,并且与室内高光谱成像系统相比,开发的手持式设备具有体积小、成本低廉和操作简便等优点,可为田间油菜叶片的生理状态和养分检测及可视化表达提供技术支持。     

基于多尺度分解的超光谱图像异常检测

提出了一种基于多尺度分解的超光谱图像异常检测算法。在目标和背景均未知的前提下,利用光谱和空间两种信息完成对异常目标信号的定位,从而实现超光谱遥感数据中异常目标检测。首先利用非下采样塔式变换对超光谱图像进行分解,将其划分为不同尺度子块;然后依据超光谱图像同一波段不同尺度空间内相邻系数的相关性,采用不同波段各个尺度空间的反锐化掩模方法优化背景数据分布,从而抑制异常数据对背景的干扰;最后利用设计的核RX算子得到异常目标检测结果。为验证方法的有效性,利用真实和模拟的AVIRIS数据进行了实验,并与经典RX算法相比较,实验结果表明,基于非下采样塔式分解的异常检测方法具有更好的检测性能和较低的虚警。     

暗通道与交叉通道多先验联合多光谱超分辨率算法

针对多光谱遥感图像超分辨率重建易受噪声和色差影响的问题,提出了暗通道与交叉通道多先验联合的多光谱超分辨率算法。首先,在传统全变分先验的基础上,引入了暗通道先验与交叉通道先验。然后,基于最大后验概率估计理论,建立了多先验联合的多光谱超分辨率重建算法。所提算法可实现图像边缘信息恢复、图像纹理信息恢复、噪声抑制、阶梯效应抑制和色差抑制,进而综合提升了重建图像的质量。最后,开展了实验验证,结果表明,在不同信噪比(10～40 dB)和色差干扰下,相比已有算法,所提算法的重建效果显著提升。     

基于多引导滤波的图像增强算法

图像增强技术可以有效地突出图像中的有用信息,已广泛应用于多个领域.现有的图像增强算法往往无法应对自然图像中复杂的梯度分布,难以准确保持图像中前景与背景的边缘信息.为了改善输出图像的边界过平滑问题,本文提出了一个基于多引导滤波的图像增强算法.首先,设计了一个以滤波核为变量的通用图像优化模型,现有的联合滤波器可视为该模型的解;然后,依据集成学习的思想,将联合滤波器中的单幅引导图像扩展到多幅,以更好地利用引导图中的结构信息进而获得更好的输出结果,并给出了一个多幅引导图的来源途径;最后,对多幅输出图像进行平滑,在图像优化模型中加入正则化项,以确保由多引导滤波得到的不同滤波输出保持一致.实验结果表明,本文算法在抑制图像噪声的同时,可以更好地保留物体的边界信息,从而使图像的信噪比进一步提升.