基于信噪比估计的波段选择与高光谱异常检测_王晶
基于光谱特征参数组合的高光谱数据矿物填图方法
第40卷第8期 地球科学 中国地质大学学报V o l .40 N o.8 2015年8月 E a r t hS c i e n c e J o u r n a l o fC h i n aU n i v e r s i t y o fG e o s c i e n c e s A u g . 2015d o i :10.3799/d q k x .2015.130基金项目:国家科技支撑计划课题项目(N o .2012B A H 27B 04). 作者简介:韦晶(1991-),男,硕士,主要从事定量遥感方面研究.E -m a i l :w e i j i n g _r s @163.c o m *通讯作者:明艳芳,E -m a i l :m y f 414@163.c o m 引用格式:韦晶,明艳芳,刘福江,2015.基于光谱特征参数组合的高光谱数据矿物填图方法.地球科学 中国地质大学学报,40(8):1432-1440. 基于光谱特征参数组合的高光谱数据矿物填图方法 韦 晶1,明艳芳1*,刘福江2 1.山东科技大学测绘科学与工程学院,山东青岛266590 2.中国地质大学信息工程学院,湖北武汉430074 摘要:受大气环境等因素的影响,高光谱遥感矿物识别难以达到较高的精度.为解决该问题,根据光谱吸收特征参数在大气变化中能保持相对稳定的特点,提出一种基于光谱特征参数组合的高光谱矿物类型识别方法.文中计算了多种光谱特征参数,通过最佳指数因子(o p t i m u mi n d e x f a c t o r ,O I F )优选特征参数组合,选定最佳特征参数组合,利用模式识别方法实现矿物识别.利用机载可见/红外成像光谱仪(a i r b o r n e v i s i b l e i n f r a r e d i m a g i n g s p e c t r o m e t e r ,A V I R I S )高光谱数据,在美国内华达州C u p r i t e 矿区进行了该方法的应用试验研究,并与前人矿物填图结果做了对比.结果表明:吸收波谷位置-吸收面积-吸收右肩位置(P -A -S 2) 光谱特征参数组合的矿物识别效果最优,整体精度达到74.68%.关键词:光谱吸收特征参数;遥感;矿物填图;机载可见/红外成像光谱仪数据;最佳指数因子;C u p r i t e 矿区.中图分类号:P 575.4;P 237 文章编号:1000-2383(2015)08-1432-09 收稿日期:2015-04-02 H y p e r s p e c t r a lM i n e r a lM a p p i n g M e t h o dB a s e do n S p e c t r a l C h a r a c t e r i s t i cP a r a m e t e rC o m b i n a t i o n W e i J i n g 1,M i n g Y a n f a n g 1*,L i uF u j i a n g 2 1.C o l l e g e o f G e o m a t i c s ,S h a n d o n g U n i v e r s i t y o f S c i e n c e a n dT e c h n o l o g y ,Q i n g d a o 266590,C h i n a 2.F a c u l t y o f I n f o r m a t i o nE n g i n e e r i n g ,C h i n aU n i v e r s i t y o f G e o s c i e n c e s ,W u h a n 430074,C h i n a A b s t r a c t :I n f l u e n c e db y t h ea t m o s p h e r i ce n v i r o n m e n ta n do t h e rf a c t o r s ,t h e m i n e r a l r e c o g n i t i o n w i t h h y p e r s p e c t r a lr e m o t e s e n s i n g i s d i f f i c u l t t o a c h i e v e a h i g h a c c u r a c y .T o i m p r o v e t h e a c c u r a c y o f t h em i n e r a l i d e n t i f i c a t i o nw i t h s u c h t e c h n o l o g y ,a h y -p e r s p e c t r a lm i n e r a l r e c o g n i t i o nm e t h o db a s e do ns p e c t r a l c h a r a c t e r i s t i c p a r a m e t e r c o m b i n a t i o n ,w h i c hc a n m a i n t a i nr e l a t i v e l y s t a b l e c h a r a c t e r i s t i c sw i t ht h ea t m o s p h e r i cc h a n g e s ,i s p r o p o s e d i nt h i s p a p e r .V a r i o u ss p e c t r a l c h a r a c t e r i s t i c p a r a m e t e r sa r e c a l c u l a t e d ,a n dt h eo p t i m a l c o m b i n a t i o no f t h e p a r a m e t e r s i ss e l e c t e dt h r o u g ht h eo p t i m u mi n d e xf a c t o r (O I F ),b a s e do n w h i c h ,m i n e r a l i d e n t i f i c a t i o n i s r e a l i z e dw i t h p a t t e r n r e c o g n i t i o nm e t h o d .B a s e do n t h e a b o v em e t h o d ,m i n e r a l t y p e i d e n t i f i c a -t i o n t e s t i s c a r r i e do u t i nC u p r i t em i n e o fN e v a d a ,w i t h a i r b o r n e v i s i b l e i n f r a r e d i m a g i n g s p e c t r o m e t e r (A V I R I S )h y p e r s p e c t r a l d a t a .T h e r e s u l t s a r e c o m p a r e dw i t h t h ew o r ko f p r e v i o u sm i n e r a lm a p p i n g ,i t s h o w s t h a t t h e c o m b i n a t i o n o f t h e s p e c t r a l c h a r -a c t e r i s t i c p a r a m e t e r s ,P -A -S 2(P i s a b s o r p t i o nw a v e t r o u g h p o s i t i o n ,Ai s a b s o r p t i o n a r e a ,S 2i s a b s o r p t i o n r i g h t s h o u l d e r p o s i -t i o n )c a n g e t t h eh i g h e s t i d e n t i f i c a t i o n p r e c i s i o n ,t h e o v e r a l l a c c u r a c y c a n r e a c h74.68%.K e y w o r d s :s p e c t r a l c h a r a c t e r i s t i c p a r a m e t e r ;r e m o t e s e n s i n g ;m i n e r a lm a p p i n g ;a i r b o r n e v i s i b l e i n f r a r e d i m a g i n g s p e c t r o m e t e r d a t a ;o p t i m u mi n d e x f a c t o r (O I F );C u p r i t em i n i n g a r e a . 利用遥感手段可以从广域空间尺度二 多时相尺度下实现矿物信息的快速识别,缩短矿物填图时间,提高效率.高光谱遥感由于具有波段连续二波谱分辨 率高的特点可以在矿物类型识别中发挥重要作用,且已经在局部区域矿物填图等工作中得到广泛的应用(甘甫平和王润生,2007;王润生等,2010). 然而由
高光谱成像检测技术
高光谱成像检测技术 一、高光谱成像技术的简介 高光谱成像技术是近二十年来发展起来的基于非常多窄波段的影像数据技术，其最突出的应用是遥感探测领域，并在越来越多的民用领域有着更大的应用前景。它集中了光学、光电子学、电子学、信息处理、计算机科学等领域的先进技术，是传统的二维成像技术和光谱技术有机的结合在一起的一门新兴技术。 高光谱成像技术的定义是在多光谱成像的基础上，在从紫外到近红外（200-2500nm）的光谱范围内，利用成像光谱仪，在光谱覆盖范围内的数十或数百条光谱波段对目标物体连续成像。在获得物体空间特征成像的同时，也获得了被测物体的光谱信息。 高光谱成像技术具有超多波段（上百个波段）、高的光谱分辨率（几个nm）、波段窄（≤10-2λ）、光谱范围广（200-2500nm）和图谱合一等特点。优势在于采集到的图像信息量丰富，识别度较高和数据描述模型多。由于物体的反射光谱具有“指纹”效应，不同物不同谱，同物一定同谱的原理来分辨不同的物质信息。 二、高光谱成像系统的组成和成像原理 高光谱成像技术的硬件组成主要包括光源、光谱相机（成像光谱仪+CCD）、装备有图像采集卡的计算机。光谱范围覆盖了200-400nm、400-1000nm、900-1700 nm、1000-2500 nm。 CCD 光源光栅光谱仪成像镜头
光谱相机的主要组成部分有：准直镜、光栅光谱仪、聚焦透镜、面阵CCD。 高光谱成像仪的扫描过程：面阵CCD探测器在光学焦面的垂直方向上做横向排列完成横向扫描（X方向），横向排列的平行光垂直入射到透射光栅上时，形成光栅光谱。这是一列像元经过高光谱成像仪在CCD上得到的数据。它的横向是X方向上的像素点，即扫描的一列像元；它的纵向是各像元所对应的光谱信息。 同时，在检测系统输送带前进的过程中，排列的探测器扫出一条带状轨迹从而完成纵向扫描（Y方向）。
高光谱图像的异常目标检测及亚像元定位研究
硕士学位论文 高光谱图像的异常 目标检测及亚像元定位研究 RESEARCH ON ANOMALY TARGET DETECTION AND SUBPIXEL MAPPING IN HYPERSPECTRAL IMAGERY 朱凤阳 哈尔滨工业大学 2009年6月
国内图书分类号：TN911.73 学校代码：10213 国际图书分类号：621.3 密级：公开 硕士学位论文 高光谱图像的异常 目标检测及亚像元定位研究 硕士研究生：朱凤阳 导 师：张钧萍教授 申请学位：工学硕士 学科：信息与通信工程 所在单位：电子与信息工程学院 答辩日期：2009年6月 授予学位单位：哈尔滨工业大学
Classified Index: TN911.73 U.D.C.: 621.3 Dissertation for the Master Degree in Engineering RESEARCH ON ANOMALY TARGET DETECTION AND SUBPIXEL MAPPING IN HYPERSPECTRAL IMAGERY Candidate:Zhu Fengyang Supervisor:Prof. Zhang Junping Academic Degree Applied for:Master of Engineering Specialty:Information and Communication Engineering Affiliation: School of Electronics and Information Engineering Date of Defence: June, 2009 Degree-Conferring-Institution:Harbin Institute of Technology
高光谱成像检测技术.
高光谱成像检测技术 、高光谱成像技术的简介 高光谱成像技术是近二十年来发展起来的基于非常多窄波段的影像数据技术, 其最突出的应用是遥感探测领域, 并在越来越多的民用领域有着更大的应用前景。 它集中了光学、光电子学、电子学、信息处理、计算机科学等领域的先进传统的二维成像技术和光谱技术有机的结合在一起的一门新兴技术。 技术,是高光谱成像 技术的定义是在多光谱成像的基础上,在从紫外到近红外（200-2500nm 的光谱范围内,利用成像光谱仪,在光谱覆盖范围内的数十或数百条光谱波段对目标物体连续成 像。在获得物体空间特征成像的同时, 也获得了被测物体的光谱信息。 高光谱成像技术具有超多波段（上百个波段、高的光谱分辨率（几个nm 、波 段窄（＜1-2入光谱范围广（200-2500nm和图谱合一等特点。优势在于采集到的图像信息量丰富, 识别度较高和数据描述模型多。由于物体的反射光谱具有“指纹” 效应, 不同物不同谱, 同物一定同谱的原理来分辨不同的物质信息。、高光谱成像系统的组成和成像原理 高光谱成像技术的硬件组成主要包括光源、光谱相机（成像光谱仪+CCD 、装备有图像采集 卡的计算机。光谱范围覆盖了200-400nm 、400-1000nm 、900-1700 nm 、1000-2500 nm。
CC D 朮源「一光栅壯谱以 —a I \、 「维电移台 . 样品 A CCD。 光谱相机的主要组成部分有：准直镜、光栅光谱仪、聚焦透镜、面阵
高光谱成像仪的扫描过程：面阵CCD探测器在光学焦面的垂直方向上做横向排列完成横向扫描（X方向，横向排列的平行光垂直入射到透射光栅上时，形成光栅光谱。这是一列像元经过高光谱成像仪在CCD上得到的数据。它的横向是X方 向上的像素点，即扫描的一列像元；它的纵向是各像元所对应的光谱信息。 同时,在检测系统输送带前进的过程中，排列的探测器扫出一条带状轨迹从而完成纵向扫描（丫方向。 1\ 综合横纵扫描信息就可以得到样品的三维高光谱图像数据。
【CN109949278A】基于对抗自编码网络的高光谱异常检测方法【专利】
(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910166323.0 (22)申请日 2019.03.06 (71)申请人 西安电子科技大学 地址 710071 陕西省西安市太白南路2号 (72)发明人 谢卫莹 刘保珠 李云松 雷杰 阳健 (74)专利代理机构 陕西电子工业专利中心 61205 代理人 王品华 黎汉华 (51)Int.Cl. G06T 7/00(2017.01) G06T 9/00(2006.01) (54)发明名称基于对抗自编码网络的高光谱异常检测方法(57)摘要本发明公开了一种基于对抗自编码网络的高光谱图像异常检测方法，主要解决现有技术中计算复杂及检测精确度不高的问题。其实现方案是：1)利用像素更新方法制作高光谱图像训练数据集；2)将训练数据集输入生成对抗网络训练，提取训练数据集的光谱特征；3)利用波段融合和属性滤波方法处理光谱特征，得到训练数据集的空间特征；4)利用空间特征增强原始高光谱图像中的异常目标；5)利用RX检测器公式计算增强异常目标之后的高光谱图像光谱向量的异常值；6)根据异常值得到检测结果。本发明能获取高光谱图像中更丰富的潜在信息，增加图像中异常目标和复杂背景的差距，具有计算简单、检测精度高的优点，可用于对高光谱图像中异常目标的检 测。权利要求书3页 说明书6页 附图3页CN 109949278 A 2019.06.28 C N 109949278 A
1.一种基于对抗自编码网络的高光谱图像异常检测方法，其特征在于，包括： (1)利用像素更新方法，更新原始高光谱图像中每一个像素点的光谱向量，将更新后所有像素点的光谱向量按照原有的顺序构成新的高光谱图像，得到像素更新后的高光谱图像训练数据集； (2)提取高光谱图像训练数据集的光谱特征： (2a)将生成的高光谱图像训练数据集输入到对抗自编码网络中，训练迭代300次，得到训练好的网络； (2b)从训练好的网络中提取对抗自编码网络中编码器的输出，该输出即为高光谱图像训练数据集的光谱特征； (3)根据提取到的光谱特征得到高光谱图像训练数据集的空间特征： (3a)利用波段融合方法对光谱特征进行融合， 得到一张融合后的图像： 其中，Y表示融合后图像，H i 表示光谱特征第i个波段的值，n表示光谱特征的波段总数；(3b)对融合后的图像Y进行属性滤波，得到闭操作的属性概图E、原操作的属性概图A和开操作的属性概图O； (3c)按照(3b)的结果，得到高光谱图像训练数据集的空间特征S： S＝|O -A|+|C -A|； (4)利用空间特征S增强原始高光谱图像的异常目标： (4a)将三维M o ×N o ×B o 的原始高光谱图像K转换为二维L o ×B o 的矩阵，其中，M o 表示原始高光谱图像的总行数，N o 表示原始高光谱图像的总列数，B o 表示原始高光谱图像中光谱波段的总数，L o 表示原始高光谱图像中每一个波段的像素总数； (4b)将二维M s ×N s 空间特征S转化为L s ×1的矩阵，其中，M s 表示空间特征的总行数，N s 表示空间特征的总列数，L s 表示空间特征的像素总数； (4c)利用下述公式，得到异常目标增强之后的高光谱图像的光谱向量； L i ＝(1-exp(-λS i ))K i 其中，L i 表示异常目标增强之后的高光谱图像的第i个像素对应的光谱向量，λ表示空间特征权值，0＜λ≤1，S i 表示空间特征S中第i个像素对应的数值，K i 表示原始高光谱图像K中第i个像素对应的光谱向量； (5)计算异常目标增强后的高光谱图像的异常值： (5a)将上述求解的异常目标增强之后的高光谱图像的所有光谱向量L i 转换为二维L e ×B e 的矩阵，其中L e 是异常目标增强之后的高光谱图像的像素总数，B e 是光谱向量的波段总数； (5b)求解二维矩阵中每一个像素对应的波段的均值，将均值保存为一个均值矩阵I；(5c)用二维矩阵L e ×B e 减去均值矩阵I，得到去均值矩阵Q； (5d)根据去均值矩阵Q，利用RX检测器公式，计算异常增强后的高光谱图像中第n个光谱向量的异常值F n ，其中n表示光谱向量的序号，n的取值范围为1,2,3,…,B e ； (6)根据异常增强后的高光谱图像中每个光谱向量的异常值F n ，得到异常检测的结果图。 权 利 要 求 书1/3页2CN 109949278 A
高光谱遥感综述
高光谱遥感及其发展与应用综述 摘要：高光谱遥感是20世纪80年代兴起的新型对地观测技术。文中归纳了高光谱遥感技术波段多、波段宽度窄，光谱分辨率高，数据量大、信息冗余，“图谱合一”等特点，具有近似连续的地物光谱信息、地表覆盖的识别能力极大提高、地形要素分类识别方法灵活多样、地形要素的定量或半定量分类识别成为可能等优势，简单介绍了高光谱遥感在国外及国内的发展情况。在此基础上，概述了高光谱遥感在地质矿产、植被生态、大气科学、海洋、农业等领域的应用。 关键词：高光谱遥感；发展；应用 1高光谱遥感 高光谱分辨率遥感是指利用很多很窄的电磁波波段从感兴趣的物体获取有关数据。它的基础是测谱学。测谱学早在20世纪初就被用于识别分子和原子及其结构，20世纪80年代才开始建立成像光谱学。它是在电磁波谱的紫外、可见光、近红外和中红外区域，获取许多非常窄且光谱连续的图像数据的技术。成像光谱仪为每个象元提供数十至数百个窄波段光谱信息，能产生一条完整而连续的光谱曲线。 1.1高光谱遥感的特点 （1）波段多，波段宽度窄。成像光谱仪在可见光和近红外光谱区内有数十甚至数百个波段。与传统的遥感相比，高光谱分辨率的成像光谱仪为每一个成像象元提供很窄的(一般<10nm) 成像波段，波段数与多光谱遥感相比大大增多，在可见光和近红外波段可达几十到几百个，且在某个光谱区间是连续分布的，这不只是简单的数量的增加，而是有关地物光谱空间信息量的增加。 （2）光谱响应范围广，光谱分辨率高。成像光谱仪响应的电磁波长从可见光延伸到近红外，甚至到中红外。成像光谱仪采样的间隔小，光谱分辨率达到纳米级，一般为10nm左右。精细的光谱分辨率反映了地物光谱的细微特征。 （3）可提供空间域信息和光谱域信息，即“谱像合一”，并且由成像光谱仪得到的光谱曲线可以与地面实测的同类地物光谱曲线相类比。在成像高光谱遥感中，以波长为横轴，灰度值为纵轴建立坐标系，可以使高光谱图像中的每一个像元在各通道的灰度值都能产生1 条完整、连续的光谱曲线，即所谓的“谱像合一”。（4）数据量大，信息冗余多。高光谱数据的波段众多，其数据量巨大，而且由于相邻波段的相关性高，信息冗余度增加。 （5）数据描述模型多，分析更加灵活。高光谱影像通常有三种描述模型：图像模型、光谱模型与特征模型。 1.2高光谱的优势 高光谱遥感的光谱分辨率的提高，使地物目标的属性信息探测能力有所增强。因此，较之全色和多光谱遥感，高光谱遥感有以下显著优势: (1)蕴含着近似连续的地物光谱信息。高光谱影像经过光谱反射率重建，能获取地物近似连续的光谱反射率曲线，与地面实测值相匹配，将实验室地物光谱分析模型应用到遥感过程中。 (2)地表覆盖的识别能力极大提高。高光谱数据能够探测具有诊断性光谱吸收特征的物质，能够准确区分地表植被覆盖类型、道路的铺面材料等。
利用高光谱图像技术检测水果轻微损伤
高光谱图像技术检测苹果轻微损伤 摘要 传统的近红外光谱分析法和可见光图像技术应用于水果品质无损检测 中存在的检测区域小、检测时间长、仅能检测表面情况等局限性。提出了 利用高光谱图像技术检测水果轻微损伤的方法。试验以苹果为研究对象, 利 用 500~ 900nm范围内的高光谱图像数据, 通过主成分分析提取 547nm 波长 下的特征图像, 然后设计不均匀二次差分消除了苹果图像亮度分布不均匀 的影响, 最后通过合适的数字图像处理方法提取苹果的轻微损伤。 关键词: 无损检测苹果高光谱图像检测轻微损伤 引言 水果在采摘或运输过程中, 因外力的作用使其表皮受到机械损伤, 损伤处 表皮未破损, 伤面有轻微，色稍变暗, 肉眼难于觉察。受水果色泽的影响, 传统的计算机视觉技术不能对轻微损伤加以检测。但是轻微损伤是水果在线检测的主要指标之一, 随着时间的延长, 轻微损伤部位逐渐褐变, 最终导致整个果实腐 烂并影响其他果实。因此, 水果轻微损伤的快速有效检测是目前研究的难点和热点之一。虽然轻微损伤和正常区域在外部特征上呈现出极大的相似性, 但是损伤区域的内部组织发生一定的变化, 这种变化可以通过特定波长下的光谱表现出来。 当前, 一种能集成光谱检测和图像检测优点的新技术。高光谱图像技术正好能满足水果表面轻微损伤检测的需要。高光谱图像技术是光谱分析和图像处理在最低层面上的融合技术, 可以对研究对象的内外部特征进行可视化分析。在国内, 高光谱图像技术在农畜产品品质检测的应用还没有相关的文献报道; 在国外, 近几年来有部分学者将该技术应用于肉类和果蔬类的品质检测上。 本文采用高光谱图像技术对水果表面轻微损伤检测进行研究, 并通过合适 的数据处理方法寻找到最能准确辨别水果表面损伤的特征波长下的图像, 为实 现高光谱图像技术对水果轻微损伤的在线检测提供依据。 1 高光谱图像基本原理 高光谱图像是在特定波长范围内由一系列波长处的光学图像组成的三维图 像块。图 1 为苹果的高光谱图像三维数据块示意图。图中, x 和y 表示二维平面坐标轴, K表示波长信息坐标轴。可以看出,高光谱图像既具有某个特定波长 下的图像信息,并且针对 xy 平面内某个特定像素又具有不同波长下的光谱n
基于协峭度张量的高光谱图像异常检测
基于协峭度张量的高光谱图像异常检测 孟令博 耿修瑞* (中国科学院空间信息处理与应用系统技术重点实验室 北京 100190) (中国科学院电子学研究所 北京 100190) (中国科学院大学 北京 100049) 摘 要：高光谱图像中的异常像元往往具有在图像中出现的概率低和游离于背景数据云团之外的特点，如何“自动”确定这些异常像元是高光谱遥感图像处理中的一个重要研究方向。经典的高光谱异常检测方法一般从图像的统计特性入手，广泛应用的RXD 异常检测算法通过计算图像的2阶统计特征，可以直接给出异常点的分布情况，算法复杂度低，但缺点是没有考虑到图像的高阶统计信息。基于独立成分分析的异常检测算法虽然考虑了高阶统计量对异常点的敏感性，但需要反复迭代提取异常成分后，再对提取后的成分进行异常检测。该文提出一种基于协峭度张量的异常检测算法，该算法不需要事先提取异常成分，可以直接对观测像元进行逐一检测，从而给出异常点的分布情况。基于模拟数据和真实数据的实验结果表明，该方法能够在检测出异常像元的同时更好地压制背景信息、减小虚警率，从而提高异常检测精度。 关键词：高光谱图像；异常检测；高阶统计；协峭度张量 中图分类号：TP75 文献标识码：A 文章编号：1009-5896(2019)01-0150-06 DOI : 10.11999/JEIT180280A Hyperspectral Imagery Anomaly Detection Algorithm Based on Cokurtosis Tensor MENG Lingbo GENG Xiurui (Key Laboratory of Technology in Geo-spatial Information Processing and Application System , Beijing 100190, China ) (Institute of Electronics , Chinese Academy of Sciences , Beijing 100190, China ) (University of Chinese Academy of Sciences , Beijing 100049, China ) Abstract : The abnormal pixels in hyperspectral images are often have the characteristics of low probability and scattered outside the background data cloud. How to automatically detect these abnormal pixels is an important research direction in hyperspectral imagery processing. Classical hyperspectral anomaly detection methods are usually based on statistical perspective. The RXD algorithm which is widely used can give the anomalies distribution directly through the second order statistical feature of the image, but the disadvantage is that it does not take into account the higher order statistics of the image. Anomaly detection algorithm based on Independent Component Analysis (ICA) considers the sensitivity of higher order statistics to outliers, but it needs iteration process to extract abnormal components first. And then the extracted components is used for anomaly detection. A method based on cokurtosis tensor for anomaly detection is proposed. This method does not need to extract anomaly components first. It can directly detect the observed pixels and give the distribution of abnormal pixels. Experiments results on both simulated and real data show that it can detect abnormal pixels while suppressing the background information better. Therefore, it can reduce false alarm rate and improve detection accuracy. Key words : Hyperspectral imagery; Anomaly detection; Higher-order statistical; Cokurtosis tensor 1 引言 光谱分辨率的提高是遥感对地观测技术的一个重要发展趋势，高光谱遥感将成像技术和光谱技术结合在一起，实现了图像和光谱的融合。近年来，高光谱遥感技术获得了越来越广泛的关注和研究[1–3]。它被广泛地应用于诸如土地资源使用管理、气候环境监测、广域监视等方面[4]。 收稿日期：2018-03-26；改回日期：2018-10-18；网络出版：2018-10-24 *通信作者： 耿修瑞 xrgeng@https://www.sodocs.net/doc/934053801.html, 第41卷第1期 电 子 与 信 息 学 报Vol. 41No. 12019年1月Journal of Electronics & Information Technology Jan. 2019 万方数据
(完整word版)高光谱目标检测文献综述
基于核方法的高光谱图像目标检测技术研究 ----文献选读综述报告 1前言 20 世纪80 年代遥感领域最重要的发展之一就是高光谱遥感的兴起。从20 世纪90 年代开始，高光谱遥感已成为国际遥感技术研究的热门课题和光电遥感的最主要手段。高光谱遥感图像目标检测在民用和军事上都具有重要的理论价值和应用前景，是当前目标识别及遥感信息处理研究领域中的一个热点研究问题。 2 研究目的及意义 高光谱遥感图像是在电磁波谱的紫外、可见光、近红外和中红外区域，利用成像光谱仪获取的许多非常窄且光谱连续的图像数据（如图1.1所示）。成像光谱仪为每个像元提供数十至数百个窄波段（通常波段宽度小于10 nm）的光谱信息，能产生一条完整而连续的光谱曲线。 图1.1 成像光谱仪探测地物目标示意图[1] 高光谱遥感技术主要利用各种地物（例如某种土壤、岩石和作物）对不同的光谱波长具有各不相同的吸收率和反射率的原理，根据每种物质所拥有的独特光
谱反射曲线来进行检测和分类。 利用高光谱遥感技术，能够很好地提取目标的辐射特性参量，使地表目标的定量分析与提取成为可能。然而，高光谱遥感成像机理复杂、影像数据量大，这导致影像的大气纠正、几何纠正、光谱定标、反射率转换等预处理困难。由于成像光谱仪获取的地物光谱特征曲线近乎连续，波段间相关性很高，数据冗余信息很多。在使用传统目标检测方法对高光谱影像中感兴趣目标进行检测时，波段多且相关性高，会导致训练样本相对不足，致使分类模型参数的估计不可靠，检测分类存在维数灾难现象。 因此，高光谱影像给地物分类识别带来了巨大机遇，同时给传统的目标检测方法也带来了挑战。为了充分发挥高光谱遥感技术的优势，必须在影像检测分类基本算法的基础之上，结合高光谱影像分类的特点，研究新的适用于高光谱影像的理论、模型和算法〕。在国内外，许多研究机构在理论和应用上进行了探索，取得了不少成果。 自从上世纪90年代中期核方法在支持向量机分类中得到成功应用以后，人们开始尝试利用核函数将经典的线性特征提取与分类识别方法推广到一般情况，在理论和应用中都有许多成果，引起了继经典统计线性分析、神经网络与决策树非线性分析后第三次模式分析方法的变革，成为机器学习、应用统计、模式识别、数据挖掘等许多学科的研究热点，在人脸识别、语音识别、字符识别、机器故障分类等领域得到成功应用[2]。 基于核方法的非线性特征提取与分类，为高光谱影像分析提供了一条新的途径。 3 核方法理论发展概况 3.1 核理论基础 核的理论比较古老，Mercer定理可追溯到1909年，早在20世纪40年代，A.N.Kolmogorov和N.Aronszajn就已经开展了有关再生核理论的研究。该理论最早被引入机器学习领域是在1964年，M.Aizermann、E.Bravermann和L.Rozoener在势函数方法中应用Mercer定理把核解释为特征空间中的内积。1975年Poggiio首次用到了多项式核函数，然而一直到20世纪90年代中期，B.Boser、I.Guyon和V.N.Vapnik提出支持向量机（SVM）算法后，该理论的实际价值才开始被人们所广泛认识。并且在经过 B.Scholkopf等人后续的工作以后，逐渐形成了如下的“核技巧”：任何一个只依赖于内积的算法都可以被“核化”[3]。 近年来核方法和基于核函数的算法在许多领域都获得了重要的应用。这些应用主要包括图象和计算机视觉(人脸识别、手写体识别等)，文本分类，生物信息
高光谱遥感复习总结
1.高光谱分辨率遥感:用很窄（0.01波长）而连续的光谱通道对地物持续遥感成像的技术。在可见光、近红外、短波红外和热红外波段其光谱分辨率高达纳米(nm)数量级，通常具有波段多的特点，光谱通道数多达数十甚至数百个以上，而且各光谱通道间往往是连续的。 2.高光谱遥感特点：波段多,数据量大；光谱范围窄(高光谱分辨率)；在成像范围内连续成像；信息冗余增加 3. 高光谱遥感的发展趋势（1）遥感信息定量化（2）“定性”、“定位”一体化快速遥感技术 4.光谱特征的产生机理：在绝对温度为0K以上时，所有物体都会发射电磁辐射，也会吸收、反射其他物体发射的辐射。高光谱遥感准确记录电磁波与物质间的这种作用随波长大小的变化，通过反映出的作用差异，提供丰富的地物信息，这种信息是由地物的宏观特性和微观特性共同决定的。宏观特性:分布、粗糙度、混杂微观特性:物质结构 6.典型地物反射：水体的反射主要在蓝绿光波段，其他波段吸收都很强，特别到了近红外波段，吸收就更强，所以水体在遥感影像上常呈黑色。 植被的反射波谱特征：①可见光波段有一个小的反射峰，位置在0.55um处，两侧 0.45um(蓝)和0.67um(红)则有两个吸收带。这一特征是叶绿素的影响。②在近红外波段(0.7-0.8um)有一反射的“陡坡”（被称为“红边”)，至1.1um附近有一“峰值”，形成植被的独有特征。这一特征由于植被结构引起。③在中红外波段(1.3-2.5um) ，反射率大大下降，特别以1.45um和1.95um为中心是水的吸收带，形成低谷。 土壤:由于土壤反射波谱曲线呈比较平滑的特征，所以在不同光谱段的遥感影像上，土壤的亮度区别不明显.自然状态下土壤表面的反射率没有明显的峰值和谷值，一般来讲土质越细反射率越高，有机质含量越高和含水量越高反射率越低，此外土类和肥力也会对反射率产生影响。 6.野外光谱测量的影响因素（1）大气透射率（2）水蒸气3）风（4）观测几何 7.地面光谱的测量方法：实验室测量，野外测量 8.垂直与野外测量的区别:垂直测量：为使所有数据能与航空、航天传感器所获得的数据进行比较，一般情况下测量仪器均用垂直向下测量的方法，以便与多数传感器采集数据的方向一致。由于实地情况非常复杂，测量时常将周围环境的变化忽略，认为实际目标与标准板的测量值之比就是反射率之比。 野外测量（非垂直测量）：在野外更精确的测量是测量不同角度的方向反射比因子。 凝视时间：探测器的瞬时视场角扫过地面分辨单元的时间称为凝视时间（dwell time）。探测器的凝视时间在数值上等于行扫描时间除以每行的像元个数。凝视时间越长，进入探测器的能量越多，光谱响应越强，图像信噪比越高。 光谱图像立方体：空间平面：O-XY平面；线光谱平面：O-XZ，O-YZ平面 9.高光谱遥感图像数据表达：A.光谱图像立方体 B.二维光谱曲线 C. 三维光谱曲面 10.空间成像方式：（1）摆扫型成像光谱仪：定义：它由光机左右摆扫和飞行平台向前运动完成二维空间成像，其线列探测器完成每个瞬时视场像元的光谱维获取。原理：45斜面的扫描镜，电机进行360旋转，旋转水平轴与遥感平台前进方向平行，扫描镜扫描运动方向与遥感平台运动方向垂直，光学分光系统形成色散光源再汇集到探测器上，这样成像光谱仪所获取的图像就具有了两方面的特性：光谱分辨率与空间分辨率。 （2）推扫型成像光谱仪：定义：采用一个面阵探测器，其垂直于运动方向在飞行平台向前运动中完成二维空间扫描；平行于平台运动方向，通过光栅和棱镜分光，完成光谱维扫描。它的空间扫描方向就是遥感平台运动方向。原理：垂直于运动方向完成空间维扫描，平行于运动方向完成光谱维扫描。 （3）两者的优缺点：摆扫型成像光谱仪的优点：A.FOV 大；B.探测元件定标方便，数据稳
高光谱遥感技术的介绍及应用
高光谱遥感技术的介绍及应用在20世纪，人类的一大进步是实现了太空对地观测，即可以从空中和太空对人类赖以生存的地球通过非接触传感器的遥感进行观测。最近几十年，随着空间技术、计算机技术、传感器技术等与遥感密切相关学科技术的飞速发展，遥感正在进入一个以高光谱遥感技术、微波遥感技术为主要标志的时代。本文简要介绍了高光谱遥感技术的特点、发展状况及其在一些领域的应用。 1 高光谱遥感简介 1.1高光谱遥感概念 所谓高光谱遥感，即高光谱分辨率遥感，指利用很多很窄的电磁波波段（通常<10nm）从感兴趣的物体获取有关数据；与之相对的则是传统的宽光谱遥感，通常>100nm，且波段并不连续。高光谱图像是由成像光谱仪获取的，成像光谱仪为每个像元提供数十至数百个窄波段光谱信息，产生一条完整而连续的光谱曲线。它使本来在宽波段遥感中不可探测的物质，在高光谱中能被探测。 高光谱遥感技术是近些年来迅速发展起来的一种全新遥感技术，它是集探测器技术、精密光学机械、微弱信号检测、计算机技术、信息处理技术于一体的综合性技术。在成像过程中，它利用成像光谱仪以纳米级的光谱分辨率，以几十或几百个波段同时对地表地物像，能够获得地物的连续光谱信息，实现了地物空间信息、辐射信息、光谱信息的同步获取，因而在相关领域具有巨大的应用价值和广阔的发展前景。 1.2高光谱遥感数据的特点 同其他常用的遥感手段相比,成像光谱仪获得的数据具有以下特点: 1）、多波段、波段宽度窄、光谱分辨率高。波段宽度< 10 nm ，波段数较多光谱遥感(由几个离散的波段组成)大大增多，在可见光和近红外波段可达几十到几百个。如A VIRIS在0. 4～214 波段范围内提供了224 个波段。研究表明许多地物的吸收特征在吸收峰深度一半处的宽度为20～40 nm。这是传统的多光谱等
高光谱成像技术进展(光电检测技术大作业)
高光谱成像技术进展 By 130405100xx 一．高光谱成像技术的简介 高光谱成像技术的出现是一场革命，尤其是在遥感界。它使本来在宽波段不可探测的物质能够被探测，其重大意义已得到世界公认。高光谱成像技术光谱分辨率远高于多光谱成像技术，因此高光谱成像技术数据的光谱信息更加详细,更加丰富,有利于地物特征分析。有人说得好，如果把多光谱扫描成像的MSS ( multi-spectral scanner) 和TM( thematic mapper) 作为遥感技术发展的第一代和第二代的话, 那么高光谱成像( hyperspectral imagery) 技术则是第三代的成像技术。 高光谱成像技术的具体定义是在多光谱成像的基础上，从紫外到近红外（200-2500nm）的光谱范围内，利用成像光谱仪，在光谱覆盖范围内的数十或数百条光谐波段对目标物体连续成像。在获得物体空间特征成像的同时，也获得了被测物体的光谱信息。 （一）高光谱成像系统的组成和成像原理 而所谓高光谱图像就是在光谱维度上进行了细致的分割，不仅仅是传统所谓的黑、白或者R、G、B的区别，而是在光谱维度上也有N个通道，例如：我们可以把400nm-1000nm分为300个通道。因此，通过高光谱设备获取到的是一个数据立方，不仅有图像的信息，并且在光谱维度上进行展开，结果不仅可以获得图像上每个点的光谱数据，还可以获得任一个谱段的影像信息。 目前高光谱成像技术发展迅速，常见的包括光栅分光、声光可调谐滤波分光、棱镜分光、芯片镀膜等。下面分别介绍下以下几种类别： （1）光栅分光光谱仪 空间中的一维信息通过镜头和狭缝后，不同波长的光按照不同程度的弯散传播，这一维图像上的每个点，再通过光栅进行衍射分光，形成一个谱带，照射到探测器上，探测器上的每个像素位置和强度表征光谱和强度。一个点对应一个谱段，一条线就对应一个谱面，因此探测器每次成像是空间一条线上的光谱信息，为了获得空间二维图像再通过机械推扫，完成整个平面的图像和光谱数据采集。
基于高光谱技术的葡萄糖度无损检测方法研究
基于高光谱技术的葡萄糖度无损检测方法研究 发表时间：2018-11-13T20:07:56.373Z 来源：《电力设备》2018年第20期作者：吕茁源[导读] 摘要：葡萄作为世界十大水果之一，其种植面积和年生产量始终处于世界水果生产前列。 （北京四中） 摘要：葡萄作为世界十大水果之一，其种植面积和年生产量始终处于世界水果生产前列。在2015年，中国以1260万吨的葡萄产量（含鲜食葡萄），成为世界第一大葡萄生产国（占全球总量的 17%），逐渐从原来传统的农业与工业混合型朝着现代农业转型。但与世界发达国家相比，中国葡萄的优质化、标准化生产以及市场运作还处于初级阶段，葡萄浆果的产后处理，品质鉴别检测一直是农产品加工研究的重要课题。目前我国葡萄含糖量测试方法是从每穗摘取1至3粒葡萄，获得葡萄汁再进行糖度的测量，这样的方法耗时耗力，还会对葡萄造成损伤，并且不能满足现代农业生产的需求。本课题采用可见——近红外光谱技术，实现葡萄的无损糖度测量。 关键词：特征光谱，光谱鉴别，糖度分析 一、引言 国外非常重视水果产后的商品化处理，所有果品上市前必须经过分选包装线，根据超市要求，对果品进行严格分选和包装，常年满足超市的供货需求。在澳大利亚太平洋世纪集团的一个农场里所出的水果，无论是葡萄、柑橘、柠檬，还是荔枝等等，百分之百都经过水果加工的生产线进行预冷、清洗、挑选、杀虫、杀菌、打蜡、分选、包装冷藏后再推向市场，因而他们的葡萄在市场上可以卖到300至600元/箱，而新疆的“红地球葡萄”在市面上也只能卖至70至150元/箱，其价格相差5至6倍[1]。 葡萄浆果的含糖量是葡萄品质评定的重要指标,尤其在作为酿酒原料时，由于要适应葡萄酒的种类及其酿造工艺，对葡萄浆果的含糖量要严格控制。传统的葡萄浆果含糖量的检测方法是从每穗摘取1至3粒葡萄，取一定数量的浆果以获得250mL左右的葡萄汁再进行含糖量的测定，这样的测量方式耗时费力，对葡萄进行损伤，易造成样本变质，人为误差较大。利用近红外光谱分析技术具有快速、非破坏性、无需前期处理以及多组分类同时定量分析、测试等优势。可充分利用全谱或多谱长下的光谱数据进行定性和定量分析[2-3]。另外，快速无损的糖度检测方法给工业化、无人化农业生产提供了可能。果农可通过数据实时监测水果的成熟情况，从而科学地种植、采摘甚至运输，大幅度地降低生产、运输损耗，提高生产效率，降低生产成本。 二、近红外光谱分析技术发展现状 无损检测技术是在不损坏被检测对象的性质和使用效果的前提下，以光学、化学、声学、电学、物理、图像视觉等方法为手段，借助先进的技术和设备[3]，对物体表面与内部的结构、性质、状态进行检查或测试的一种检测手段，经过国内外研究人员不断地深入研究，无损检测技术正逐步与高精度化、低辐射化、智能化、信息化接轨[1]。近年来，现代光纤通讯技术飞速发展，带动小型化的半导体激光器LD，发光二极管LED等新型光源器件不断涌现，为开发小型化的专用水果糖度检测仪器提供了技术支持[2]。通过可见光近红外光谱技术对水果的检测也在不断地发展和拓展，在越来越多种的水果种植中提供生产信息[4]。 三、可见光——近红外光谱技术对葡萄的检测方法 （一）选定实验器材。实验中选用钨灯作为光源，将波长量程在390-1100nm左右的光谱仪和折光糖度仪作为实验仪器使用。 （二）选定实验材料。考虑到季节因素，所测试时间为冬季，选用市场上的的四种提子，表皮颜色不同，分别为青提、黑提、红提和小红提。将新鲜的样品储存在冰箱中，实验前两小时取出，洗净，分离果粒，并选择分别从四种提子中选取各1至3粒颗粒饱满的果粒待测。 （三）预实验。首先需要控制测试温度、测试湿度、测试光线等变量，找到适合本实验的测试方法以提高实验数据的准确性，然后通过测试剔除异常样本。因为正常葡萄表面都会有“白霜”，属于葡萄在生长过程中合成的天然物质。为保证实验结果的准确性，试验时选取葡萄样本上最接近原本表皮颜色的区域上一点作为测试点。 （四）实验。第一步，打开光谱仪与光源并进行预热三十分钟，保持设备的稳定性。第二步，打开光谱仪软件，将待测葡萄置于白板上，分别测量并保存三种葡萄的光谱数据。第三步，将葡萄样本分别转入带有标记的纸杯中，准备下一步糖度测量。第四步，室温下，用滴管吸取少量蒸馏水，滴加在折光仪上，待显示折光仪示数为0可以开始实验。第五步，挤压果粒，将汁液覆盖折射仪镜面并直接读取数值，重复取样测量 3 次，计算平均值作为该串葡萄样本的最终 SSC 值。每次平行测定之间只需纸巾擦去汁液，两个样品之间需用蒸馏水冲洗镜面擦干后再进行测定，并做好相关记录。 四、实验数据处理与模型建立 （一）葡萄籽粒提取可溶性固形物样本的选取。在建立葡萄可溶固形物定量模型时，我们进行了异常样本的剔除，选用了39个葡萄样本。 建模样本与检测样本的合理选择直接影响葡萄可溶固形物数学模型的建立和预测效果的好坏。通常建模样本的性质需要具有广泛代表性及一定数量，所建立的数学模型才具有通用性，也才能对未知的葡萄样本做出比较好的预测结果。因此，对于每个品种均从中随机选取67%作为校正集，其余33%作为验证集。表1为提子可溶固形物模型建立的建模样本和检测样本的选取情况。 表1 建模样本与检测样本的选取 （二）葡萄籽粒可溶性固形物含量PLS模型的建立与检验。按照 GB-12295《水果、蔬菜制品可溶性固形物含量的测定》中规定的方法来测定葡萄可溶性固形物的含量，用数字式糖度折射仪，仪器的精度为0.1°Brix，测量范围为 0~45°Brix。以穗为单位，去除代表该穗葡萄的 12 颗葡萄样本非可食部分，将可食部分压榨后用滤纸过滤获得葡萄汁混匀。测试前，需用蒸馏水进行零点校正，将汁液覆盖折射仪镜面并直接读取数值，重复取样测量 3 次，计算平均值作为该串葡萄样本的最终 SSC 值。每次平行测定之间只需纸巾擦去汁液，两个样品之间需用蒸馏水冲洗镜面擦干后再进行测定，并做好相关记录。