高光谱遥感技术通过成像光谱仪记录带有地物光谱信息的辐射信号, 获得包含光谱信息和空间信息的三维高光谱图像, 在光谱解混、 图像分类、 目标检测等方面取得了广泛的应用。 近年来, 随着遥感技术的发展及人们对获取目标准确位置的需求逐渐加大, 目标检测取得了较快的发展。 根据是否提前掌握目标光谱作为先验信息, 目标检测分为光谱匹配检测和异常检测。 光谱匹配检测需要目标光谱作为先验信息, 通常检测精度较高、 效果较好。 而异常检测不需要先验信息, 应用范围更广, 但是检测精度通常低于光谱匹配检测。 由于实际应用中缺少完备且实用的光谱库, 先验信息的获取较为困难, 不需要先验信息的异常检测成为研究的热点。 针对异常检测与光谱匹配检测相比精度较低的问题, 提出一种基于近似后验信息的高光谱异常检测算法。 首先利用矩阵分解算法对原始高光谱图像数据进行矩阵分解, 得到纯净的背景矩阵与包含噪声的异常矩阵。 舍弃异常矩阵, 将得到的背景矩阵作为近似背景信息。 然后计算图像所有像元光谱向量与背景矩阵中均值向量的马氏距离对图像进行初始异常检测, 得到初始异常像元, 将初始异常像元光谱取均值作为近似目标信息。 最后将近似背景信息与近似目标信息作为先验信息, 进行正交子空间投影得到最终的异常检测算法。 将本算法作用于图像中所有像元, 得到对整幅图像的异常检测结果。 为证明本算法的优良效果, 采用一组仿真数据和一组AVIRIS真实高光谱数据进行实验, 并与RX, LRX和LSMAD算法进行对比。 实验表明, 无论是从定性的角度还是定量的角度来看, 该算法能够有效抑制噪声, 在信噪比较低的情况下仍然可以有效地检测出图像中的异常目标, 检测精度较高并且对检测效率的影响不大, 取得了较好的检测效果。

针对低秩稀疏矩阵分解的高光谱异常目标检测算法忽略了图像的空间信息, 导致检测精度低的问题, 提出了一种联合空间信息的改进低秩稀疏矩阵分解的高光谱异常目标检测算法。算法综合利用了高光谱图像的光谱信号与空间信号, 并与图像自身的稀疏性相结合, 对经典的基于低秩稀疏矩阵分解的目标检测算法进行改进, 该算法以待测像元为中心构建一定大小的空间窗, 计算中心像元与邻域内其他像元的空间相似度权值和光谱相似度权值, 通过计算邻域内其他像元对中心像元的比例权值得到了中心像元的重构光谱值并作差得到两者的残差矩阵; 最后基于低秩稀疏矩阵分解的高光谱异常目标检测算法得到图像的稀疏矩阵, 将代表异常目标信息的稀疏矩阵和残差矩阵相加并求解矩阵行向量之间的欧式距离得到像元的异常度, 设置阈值, 得到检测结果。为验证所提算法的检测性能, 采用了真实的高光谱数据进行仿真实验, 并与现有算法进行对比, 结果表明该算法能够得到更高的检测精度。

为了解决传统N-FINDR算法降维时破坏像元光谱曲线的物理意义这个问题, 采用波段选择方法中的最佳指数法代替特征提取, 改进N-FINDR算法的降维方式; 利用模拟和真实高光谱数据进行实验, 分别用改进的N-FINDR算法与其它两种算法提取端元, 并用全约束最小二乘法解混。结果表明, 改进的N-FINDR算法的解混精度更高, 用时更少。用波段选择代替特征提取改进降维方式, 保留了光谱曲线的物理意义, 在N-FINDR算法中是可行的。

传统的伪装目标探测识别大部分是依靠人眼通过光学仪器进行简单的放大观测, 但是通常探测效果不佳。高光谱仪能采集一定波长范围的光谱图像, 从而得到物体连续的光谱曲线, 一般来说, 不同物体间的光谱曲线存在差异。利用在可见光及近红外波段下获取的高光谱图像, 分析伪装目标在不同背景下的伪装效果。通过光谱幅值及光谱形状变化趋势, 评价伪装目标与背景光谱曲线的差异。根据实验结果综合评价, 伪装目标在真实草地中的伪装效果相对塑料假草皮来说更好, 符合实际需要, 能为**行动提供良好的伪装。同时, 实验也表明, 在可见光波段下, 不同物体光谱曲线变化趋势不同, 在近红外波段下, 物体间的光谱反射灰度值差异较大, 但是光谱变化率差异较小。在伪装目标探测时, 若仅从某一方面来评价, 可能得到错误的结果。所以在探测识别时, 需要从各方面综合考虑。

基于小型化多波长选择输出的Nd∶YVO4固体自拉曼激光器, 理论分析了其激光晶体内的热应力分布, 得出热破裂易发生的位置, 与实验结果吻合。搭建实验平台研究了激光晶体热破裂对激光器各个波长激光输出功率的影响。实验结果表明, 热裂前后1064nm基频光阈值及输出功率变化不大, 而532、559及588nm激光阈值分别由0.2W升至0.43W、0.3W升至1.5W和0.3W升至1.5W, 最大输出功率分别由560mW降至131mW、600mW降至50mW及200mW降至26mW。

高光谱数据具有光谱波段多、维度高、数据量庞大的特点, 为了提高高光谱数据的处理速度, 需要进行降维处理, 而波段选择是高光谱降维的基本方法之一。综合考虑, 提出基于高光谱波段选择相关性、信息量及类间可分性的方法。通过虚拟维度确定高光谱图像的本征维数, 并根据波段间的相关系数进行子空间划分; 提出利用基于信息量的离散波段指数, 在各个子空间中计算出最大的波段指数构成子集; 根据类间可分性准则在子空间中选出可分性因子最大的合适波段。利用光谱角匹配选出最适合分类的波段, 组成最后的波段子集, 从而实现波段选择的降维处理。通过实验验证,所提方法与传统的最佳指数和自适应波段选择方法相比, 在一定程度上提高了高光谱图像的分类精度。

高光谱图像的空间分辨率较低, 导致大量混合像元存在于高光谱图像中。混合像元的存在是使高光谱图像目标分类准确率降低的主要原因之一。高光谱像元解混在高光谱遥感图像处理中具有非常重要的意义。高光谱像元解混主要分为线性和非线性光谱解混两种方法,研究最广泛的是线性光谱解混。归纳了线性光谱解混的两个步骤: (1)提取纯净像元中地物的光谱信号, 即提取端元,这是关键步骤; (2)利用端元的加权线性组合对混合像元进行光谱解混, 即丰度反演。简述了端元提取及丰度反演研究的主要进展,介绍了端元提取的几种典型算法。通过归纳、对比和分析, 总结了不同端元提取方法的特点, 并对高光谱解混的研究前景进行了展望。

为求解高光谱图像中各物质的分布及含量, 将高光谱分类引入端元提取, 提出了一种新的端元提取方法。首先利用虚拟维度评估端元数目; 然后引入高光谱分类的思想, 通过K-means聚类算法对高光谱图像进行非监督分类, 对各类物质进行大致分类; 在每类物质中提取出光谱值最大的像元, 用这些像元构成端元候选集; 最后, 依据单形体理论, 将高光谱图像的像元点在高维空间中构成单形体, 体积最大的单形体的顶点即为端元。模拟和真实高光谱数据证明, 此端元提取方法相对于传统方法具有高效、准确的优点。

激光无线能量传输技术具有广阔的应用前景,而光伏电池的激光辐照特性是设计激光无线能量传输系统的重要依据。针对该问题,研究了激光功率与温度对光伏电池的影响,搭建了光伏电池激光辐照特性的实验测试平台,测量并分析了光伏电池输出特性随激光强度和电池温度的变化规律。结果表明,激光辐照条件下,激光强度一定时,短路电流随温度升高而降低;温度一定时,转换效率与填充因子随激光强度的增大呈现先增大后减小的趋势。该研究可为激光无线能量传输条件下的系统设计仿真以及激光辐照下光电电池的输出特性研究提供参考。