基于实测高光谱数据的矿物含量提取方法研究

针对利用线性模型提取矿物含量精度较低的问题,以波长范围为350～2 500 nm的岩石光谱为数据源,基于光谱匹配方法进行矿物识别,应用简化的Hapke模型将岩石样品反射率转换为单次反照率,利用线性模型分解单次反照率进行含量提取,并通过分段滤波及建立区域光谱库的方法提高识别精度,建立了一种基于实测光谱数据的矿物含量提取方法。通过对包古图V号岩体光谱数据的分析,与X射线衍射结果相比,该方法对长石类矿物的识别精度为100%,含量提取精度为80.5%;对粘土类蚀变矿物的识别精度为92.2%,含量提取的精度为92.36%。该方法将矿物学共生关系加入到矿物识别方法中,保证了结果的可靠性;提出了分段滤波的预处理思路,避免了滤波算法对光谱波形及吸收特征的影响,并且据有较好的去噪效果;应用Hapke模型进行实测的岩石光谱解混,能避免复杂的光谱非线性分解计算,从理论上提高矿物含量提取的精度和计算的效率。该方法对快速分析蚀变信息等工作具有一定的指导意义。     

苹果轻微机械损伤高光谱图像无损检测

无损检测是高光谱遥感应用研究热点之一。苹果在采摘、运输过程中易发生轻微机械损伤而影响其品质。使用高光谱成像系统分别采集54个轻微损伤的“黄香蕉”与“烟台富士”苹果可见-近红外波段(400~1 000 nm)的图像,提取苹果损伤区域的均值波谱曲线,对其进行最小噪声分离变换和基于几何顶点端元原理提取端元波谱,计算损伤区域波谱和端元波谱的光谱角,构建了端元提取光谱角苹果轻微机械损伤检测模型。通过设定光谱角阈值分别检测“黄香蕉”与“烟台富士”苹果轻微机械损伤,并与MNF变换、PCA方法检测精度进行对比分析,结果表明EESA模型检测苹果轻微机械损伤的精度最高,检测正确率分别达到94.44%和90.07%。     

基于近红外光谱与误差反向传播神经网络技术的三种人工林木材识别研究

利用近红外光谱结合误差反向传播神经网络(BP)对三种人工林木材(尾叶桉、马尾松、南方无性系I-72杨)进行识别,探讨隐含层神经元个数、光谱预处理方法、光谱范围对BP网络模型的影响,并与SIMCA法所建模型做比较。结果表明：(1)BP网络结合全波段(780～2 500 nm)近红外光谱数据建模,识别正确率达到97.78%,并确定隐含层神经元数为13;(2)全波段光谱建模比短波段(780～1 100 nm)和长波段(1 100～2 500 nm)光谱建模识别效果好,其识别正确率分别为97.78%, 95.56%和96.67%,用一阶导数和二阶导数对全波段光谱进行预处理后,BP网络模型识别正确率分别为93.33%和71.11%;用多元散射校正(MSC)对全波段光谱进行预处理后,BP网络模型识别正确率为98.89%,(3)在三种波段(780～2 500,780～1 100和1 100～2 500 nm)光谱建模的情况下,BP网络建模识别正确率分别为95.56%, 96.67%和97.78%,SIMCA模型识别正确率分别为76.67%, 81.11%和82.22%,BP网络建模比SIMCA法建模对三种人工林木材的识别正确率高。     

基于Geoeye-1影像光谱特性的红树林冠层种类识别

基于Geoeye-1高空间分辨率影像与冠层实测高光谱数据,以广西北部湾五种红树群落为研究对象,分析影像光谱用于冠层种类识别的能力。首先研究红树林冠层光谱响应特征,再针对影像采用高光谱分析方法提取端元,结合实测训练样本进行不同方法的识别对比。结果表明：350～1 100 nm谱段内以435,469,523,677,751和761 nm为中心波段的红树群落冠层光谱表现最佳;木榄端元应用识别精度高于实测训练样本应用结果;光谱角制图法能够克服多光谱波段对全色波段分辨率的影响,并有效获取冠层轮廓。利用Geoeye-1影像光谱信息可有效识别三种红树植被,种类最高识别精度达93.03%。研究证实高空间分辨率影像光谱信息的重要性,从机理和应用角度为面向对象红树林种类识别提供了依据和参考。     

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。     

近红外光谱技术快速识别针叶材和阔叶材的研究

对一种针叶材和一种阔叶材的横切面采集波长范围为780～2 500 nm的近红外漫反射光谱,结合偏最小二乘判别分析法(PLS-DA)对针叶材杉木和阔叶材桉树快速识别的可行性进行了研究,结果表明：(1)利用近红外光谱结合PLS-DA法建立的识别模型对建模样品的识别正确率达到100%,识别模型预测的分类变量值与实际值之间相关系数r达到0.99,SEC为0.07;(2)即使采用短波区域780～1 100 nm的近红外光谱也可以获得理想的识别结果(识别正确率为100%),识别模型的r也达到0.99,SEC为0.07;(3)利用近红外光谱建立的识别模型对未知样本的识别正确率都为100%,说明近红外光谱技术可以快速、准确识别针叶材和阔叶材,这为木材识别提供了一种新方法和技术,也为开发低成本的近红外光谱识别仪器提供了科学依据。     

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。     

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。     

基于流形学习和空间信息的改进N-FINDR端元提取算法

光谱端元提取是对高光谱数据进一步分析的重要前提。由于双向反射分布函数(BRDF),像元内的多重散射和亚像元成分的异质性等因素,高光谱图像中的混合像元实际上是非线性光谱混合。传统的端元提取算法是以线性光谱混合模型为基础,因此提取的端元精度不高。在光谱非线性混合的基础上,提出一种将流形学习与空间信息结合的改进N-FINDR端元提取算法。首先通过自适应的局部切空间排列算法寻找嵌入在高维非线性数据空间的本质的低维结构,将原始高光谱数据非线性降维到低维空间。接着利用地物分布具有连续性的特点,通过增大空间同质区域的像元的权重进行空间预处理。最后通过寻找最大单形体体积进行端元提取。提出算法很好的解决了高光谱遥感数据非线性结构,并利用了空间信息,提高了端元提取的精度。模拟数据实验和真实高光谱遥感数据实验结果均表明,采用该算法得到的结果优于顶点成分分析(VCA) 算法、基于测地线距离的最大单形体体积(GSVM)算法和空间预处理的N-FINDR(SPPNFINDR)算法。     

基于激光诱导荧光技术的煤矿水源识别研究

快速准确的识别煤矿含水层水源对于煤矿突水预警及灾后救援意义重大,针对传统水源识别耗时较长,不适宜构建在线式预警系统,提出使用激光诱导荧光技术用于煤矿水源类型识别的方法。利用激光激发待测水样,获取其荧光光谱,结合模式识别对水源进行快速辨识。实验采集了淮南矿区谢桥煤矿的两种纯水样本-老空水与砂岩水,并根据不同混合比配成5种混合水样进行实验。首先针对获取的水源荧光光谱中可能会存在的各种噪声及干扰信息,采用SG、 Normalize、 Gapsegment求导、 Detrend和MSC 5种常用的光谱预处理算法对光谱数据进行处理。其次针对荧光光谱数据量过大,对数据进行PCA降维,作为对比6种预处理方式(含原始光谱)主成分数皆取3,结果显示SG预处理累计贡献度最大,为97.26%;其次是原始光谱,为92.38%, Normalize与Detrend累计贡献度相差不大,分别为88.04%和87.59%, MSC为66.41%, Gapsegment最差,为22.65%。最后分别对PCA降维后的数据使用线性LDA以及非线性RBF-SVM模型进行识别对比。使用LDA进行建模, SG-PCA-LDA正确率最高,达到了98.86%,依据建立的LDA模型,对验证集数据进行识别, SG-PCA-LDA的正确率依然最高,为100%。使用RBF-SVM进行建模, Original-PCA-RBF-SVM, SG-PCA-RBF-SVM, Normalize-PCA-RBF-SVM正确率最高,皆为97.14%,依据建立的RBF-SVM模型,对验证集数据进行识别, Original-PCA-RBF-SVM和SG-PCA-RBF-SVM正确率依然最高,为97.14%。对比两类模型可以发现, LDA验证集正确率较建模集有一定的提升,而RBF-SVM验证集正确率较建模集有小幅度降低,说明LDA模型对于此煤矿水源荧光光谱数据的泛化能力较好,且成功率较高。结果表明, SG-PCA-LDA模型结合激光诱导荧光技术是一种较佳的应用于本地煤矿水源识别的方法,且验证了对老空水、砂岩水的纯水样和混合水样识别的可能性,可以推广到煤矿其他混合水源的识别中。     

核磁共振技术测量生物骨密度的设备及方法

诊断骨质疏松症多采用双能X射线吸收方法测得的骨密度数据作为依据,但是该方法存在一定量的辐射,且准确性不高.该文设计并改进了一套核磁共振装置,通过在发射和接收线圈之间增加快速切换开关(Q-switch),使得核磁共振自旋回波的回波时间缩短至80μs的超短回波时间范围,实现了对T_2弛豫时间很短的骨组织核磁共振自旋回波信号的采集;将T_2弛豫时间谱和双能X射线方法测量的骨密度数据进行了对比研究,发现核磁共振T_2弛豫时间谱上300~500μs之间的峰值与骨密度之间具有良好的线性关系,随着骨密度的增大,相应的T_2弛豫时间峰值缩短;利用核磁共振T_2弛豫时间谱技术,结合双能X射线吸收方法,提出了一种测量生物离体骨骼样本骨密度的方法.该测量方案具有测量速度快、对人体完全无害、跨时期比较性强等优点,很好的弥补了现有测量方法的不足,在骨质疏松症的诊断和疗效评估中有着良好的应用前景.     

基于多类型光谱特征参数匹配的矿物信息遥感识别方法

传统的与光谱反射率匹配的矿物填图方法受图像质量、大气及环境背景等因素影响较为明显,矿物识别效果较差。针对上述问题提出一种基于多类型光谱特征参数匹配的矿物信息识别方法,综合利用多种光谱特征参数在大气及环境背景变化中的相对稳定性特点,实现矿物信息的高精度识别。选取美国内华达州Cuprite矿区AVIRIS机载可见-红外光谱成像仪高光谱数据,以USGS美国地质调查局波谱库中的矿物波数为参照光谱,分别计算AVIRIS影像和USGS波谱库中典型矿物的光谱特征参数,在对多种光谱特征参数综合分析的基础上,构建Cuprite矿区矿物识别模型,进行矿物填图实验。最后使用Clark等在该地区的矿物填图结果数据,对实验结果进行了验证,结果表明：该方法矿物识别结果与Clark等的填图结果吻合度高,整体矿物识别精度达到78.96%。     

不同部位矿质元素与红外光谱数据融合对美味牛肝菌产地溯源研究

野生食用菌产地溯源研究中,采用单一有机成分或矿质元素指纹存在一定局限性。利用不同指纹分析技术的互补性与协同性,将不同部位与类型的化学信息进行融合,探讨此方法对野生食用菌产地溯源的可行性,以期为野生食用菌溯源提供新的思路与科学依据。通过测定云南7个产地、124个美味牛肝菌(菌柄、菌盖)中15种矿质元素的含量,以及子实体傅里叶变换红外光谱(FTIR)。标准正态变换(SNV)、二阶导数(2D)等算法对原始光谱进行预处理。基于低级与中级数据融合策略,将预处理后的FTIR光谱与菌柄、菌盖矿质元素数据进行融合,结合支持向量机(SVM)分别建立菌柄、菌盖、FTIR、低级数据融合(菌柄+菌盖,菌柄+菌盖+FTIR)与中级数据融合(菌柄+菌盖+FTIR)判别模型;分析比较模型参数,确定快速甄别美味牛肝菌产地的可靠方法。结果显示：(1)菌盖中Cd,Cr,Cu,Li,Mg,Na,P和Zn元素平均含量高于菌柄,Ba,Ca,Co,Ni,Rb,Sr和V元素在菌柄中平均含量高于菌盖。美味牛肝菌中人体必需矿质元素Ca,Cu,Mg,P和Zn平均含量远高于小麦、水稻干品和新鲜蔬菜,与动物干制品含量相似;(2)FTIR光谱数据最佳预处理方法为3D+SNV,其Q2和R2Y分别为76.64%,88.91%;(3)菌柄、菌盖、FTIR、低级数据融合与中级数据融合SVM模型,c值分别为8 192,4 096,1.414 2,11.313 7,1和0.7071 1,菌柄和菌盖模型c值较大,表明采用单一菌柄或菌盖矿质元素含量数据,SVM训练存在过拟合风险,判别效果较差;(4)FTIR、低级数据融合和中级数据融合SVM模型,样品分类错误总数分别为7,9,7和0,中级数据融合(菌柄+菌盖+FTIR)模型样品分类正确率最高。表明基于中级融合策略将不同部位矿物元素和子实体FTIR光谱数据融合,可作为野生食用菌产地溯源的一种有效方法。     

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.     

一种基于荧光信号的海面厚油膜评估方法

油膜厚度是海面溢油污染评估分析的一个重要指标,激光诱导荧光(LIF)技术是目前最有效的海面溢油探测技术之一,基于LIF探测技术的油膜厚度反演算法当下仅有适用于薄油膜(≤10~20 μm)的评估方法,而对于较厚油膜(>20 μm)的评估目前尚无有效的反演算法。鉴于此,提出一种基于LIF技术适用于较厚油膜的反演算法,该算法采用油膜荧光信号反演油膜厚度,推导了油膜厚度反演公式,并给出了基于该反演算法的油膜厚度评估方法。首先采用最大类间方差算法(Otsu)选取合适的荧光光谱波段,然后根据选取波段内每个波长的光谱数据反演油膜厚度,最后采用反演油膜厚度的平均值作为油膜厚度评估结果。研究了该算法的适用范围,给出了该算法有效评估范围最大值与测量相对误差的关系,并结合消光系数给出了在多种测量误差条件下不同消光系数油品有效评估范围的最大值。通过实验对本文方法进行了验证,选用原油和白油的混合油(1∶50)作为实验油品,以波长为405 nm的激光作为激发光源,采集波长范围为420～750 nm,采集了海水背景荧光和拉曼散射光光谱、实验油品的荧光特征光谱和多种不同厚度的较厚油膜的荧光光谱。采用Otsu算法选取420～476 nm波段评估油膜厚度,在实验油品油膜厚度≤800 μm时,该算法对油膜厚度的评估具有较高的精度,平均误差为10.5%;在油膜厚度>800 μm时,平均误差为28.8%,评估误差较大且随油膜厚度的增加快速变大,该实验结果与利用测量相对误差和消光系数的分析结果一致。实验结果表明,该方法可以实现对海面较厚油膜厚度的有效评估,并可以根据测量相对误差和消光系数判断评估结果的有效性。     

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。     

结合高光谱成像和机器学习的棉种年份鉴别

棉花精量播种技术目前已经在新疆兵团全面推广,该技术能精确实现一穴一粒的农艺技术指标,但是也对高质量棉种的筛选提出了更高的要求。为了避免播种往年活力不足的棉种而导致发芽率降低的问题,结合机器学习和近红外（NIR）高光谱成像技术（HSI）进行棉种年份精确鉴别,实现棉种的快速无损筛选。采集2016年—2019年近四年外观无明显差异的棉种各360粒,共1 440粒棉种（按照3∶1∶1划分训练集、验证集和测试集）作为样本,按照每批60粒采集915~1 698 nm范围的棉种高光谱图像,去除首尾两端噪声大的光谱,保留1 002~1 602 nm范围的光谱为原始数据。利用Savitzky-Golay（SG）平滑算法对光谱进行预处理,采用主成分载荷方法（PCA-loading）选取13个特征波段,基于全部光谱数据和特征波段（±10 nm）数据建立逻辑回归（LR）、偏最小二乘判别分析（PLS-DA）、支持向量机（SVM）、循环神经网络（RNN）、长短记忆网络（LSTM）和卷积神经网络（CNN）六种分类模型。使用全光谱数据建模时,六种分类模型在测试集上的鉴别准确率分别为96.27%,98.98%,99.32%,96.95%,97.63%和100%,其中CNN和SVM模型取得了较好的结果;使用特征光谱数据建模时,六种分类模型在测试集上的鉴别精度分别为93.56%,97.29%,98.30%,95.25%,94.24%和99.66%,其中CNN和SVM模型仍有较好的分类结果。结果表明,使用全光谱数据建模时,六种分类模型都可以实现较高精度的棉种年份鉴别,使用特征光谱数据建模时CNN和SVM模型的鉴别精度仍可达到98%;其中深度学习方法优于传统机器学习方法,但是传统机器学习方法仍能保持较好的鉴别准确率。因此,结合近红外高光谱成像技术和机器学习方法能够实现棉种年份的高精度鉴别,为棉花精量播种过程中的优质棉种选种技术提供理论依据和方法。     

近红外散射光谱的组织热毁损程度实时鉴别

提出了利用近红外散射光谱对生物组织热毁损程度进行实时鉴别的一种新方法。实验首先分别用功率3.5,5,6.5和8 W的808nm脉冲激光对新鲜离体猪肝进行热毁损,在距离毁损中心10mm处实时采集近红外散射光谱和温度,以最小二乘法拟合得到波长830~900nm处的光谱斜率(S830~900),将其不同上升幅度为条件结束加热。其次,对光谱采集点附近的组织作病理切片,根据组织学特征进行评分,采用3级评分制(3分为完全毁损,2分为部分毁损,1分为无效毁损)评估毁损程度。最后,分析加热期S830~900最大上升幅度、降温后S830~900最终稳定值与病理分析的毁损程度之间的关联。结果表明,一般情况下,若加热期S830~900上升至初值的4倍以上、降温后最终稳定于3.5倍以上,对应组织为完全毁损;若S830~900加热期上升2~5倍,降温后最终稳定于1~1.5倍,对应组织为无效毁损;其余为部分毁损。根据分析结果,首次建立了光谱因子与热毁损程度的关联,利用加热期S830~900的最大上升幅度与降温后的最终稳定值来鉴别组织毁损程度,可以很好的降低实验对象个体差异性对判断结果的影响,具有很好的鉴别效果,其准确率达到90%以上,实现了组织热毁损程度实时、准确的鉴别,为组织热毁损实时监控提供了一种新思路。