受红外焦平面阵列生产工艺及材料本身特性影响, 红外焦平面阵列不可避免地存在盲元, 严重困扰红外数据的处理与应用。光栅分光推扫式热红外高光谱成像仪一般以红外焦平面阵列的其中的一维作为光谱维进行推扫式成像, 空间维只剩一维, 与一般的热像仪具有二维空间维的成像机制有很大区别。常规的实验室定标法和开窗处理的场景检测方法不能满足该成像方式的盲元检测需求。以热红外高光谱成像仪中的盲元检测为目标, 有针对性地提出了基于光谱匹配的盲元检测算法。该方法从光谱维角度出发, 以不同温度实验室黑体定标数据生成温升光谱数据, 在数据规则化处理的基础上, 自动提取有效像元目标的伪光谱曲线, 采用光谱角匹配的方式实现盲元的自动检测。以典型的热红外高光谱成像仪获取数据并开展盲元检测实验, 结果表明该方法充分利用了热红外高光谱成像仪的光谱维信息, 检测精度较高, 盲元补偿后的数据可满足热红外高光谱数据的行业应用。

赤霉病是小麦的一种主要病害, 它会导致小麦减产甚至绝收, 严重影响小麦种子质量, 此外小麦受侵染分泌的真菌毒素危害人类身体健康。 因此, 小麦赤霉病籽粒的识别具有非常重要的意义。 起初普遍采用色谱法和酶联免疫法进行赤霉病检测, 这些方法设备昂贵、 检测速度慢、 准确性低。 近年来, 高光谱成像技术被广泛应用于农作物的识别与检测中, 但是在小麦赤霉病检测的应用研究中, 大多采用抽样检测的方法, 图像采集完成后需要通过ENVI软件手动选取感兴趣区域。 前期准备工作冗杂, 而且容易发生漏检, 漏检的小麦籽粒在存储运输过程中向周边籽粒快速侵染, 难以保障小麦安全健康。 鉴于此, 利用高光谱成像系统结合机器学习提出了一种用于对大量小麦赤霉病籽粒样本快速可视化识别的算法, 以降低漏检率并提升检测效率。 实验分别采集健康小麦和染病小麦469～1 082 nm波段的高光谱图像, 通过直方图线性拉伸结合图像分割的方法获取小麦样本的掩膜图像信息。 利用Savitzky-Golay平滑去噪法与标准正态变量变换法(SNV)进行数据预处理, 通过主成分分析法(PCA)和连续投影法(SPA)进行特征变量提取, 筛选特征变量个数分别为4个和8个。 在掩膜图像位置采集健康小麦样本与染病小麦样本各400份, 其中75%用于建模集, 25%用于测试集。 采用十折交叉验证法结合线性判别分析法(LDA) 、 K-近邻算法(KNN)、 支持向量机(SVM)分别建立分类模型, 测试集准确率都达到90%以上。 随后比较了网格法(GRID)、 粒子群算法(PSO)、 遗传算法(GA)三种核参数寻优方法对SVM模型的影响, 其中, SG-SPA-SVM(PSO)模型分类效果最优, 建模集准确率为95.5%, 均方根误差为0.212 1, 测试集准确率为98%, 均方根误差为0.141 4。 基于样本点预测的基础之上, 对掩膜获得所有小麦样本的光谱曲线进行预测并将识别结果反馈回掩膜中再进行伪彩色显示, 实现染病籽粒可视化识别。 结果表明, 高光谱成像结合SG-SPA-SVM(PSO)算法建立的分类模型可以高效快速、 准确无损、 可视化的实现小麦赤霉病籽粒识别, 为研制小麦赤霉病自动识别设备提供了算法基础。

城市地表水是城市生态环境的重要组成部分, 地表水环境高光谱遥感是高光谱遥感的重要应用方向, 水体提取是地表水环境高光谱遥感的第一步, 其主要任务是从高光谱遥感数据中提取地表水水体轮廓。 基于光谱指数的水体提取方法充分利用光谱信息, 计算简单, 实现容易, 提取效果优异。 归一化植被指数(NDVI)、 归一化水体指数(NDWI)、 高光谱差异化水体指数(HDWI)和基于指数的水体指数(IWI)等光谱指数已经广泛应用于湖泊、 大江大河等开阔水体提取。 近些年来, 随着成像光谱技术的发展, 高光谱遥感数据的获取能力也突飞猛进, 空间分辨率和光谱分辨率不断提高。 与江河湖基本在流域内沿地形分布不同, 城市地表水一般细小, 纵横交错, 形成河网。 在高光谱遥感数据用于城市体表水提取时, 其面临的图像空间分辨率、 地物类型和地物复杂等, 与江河湖水体提取有很大不同。 因此, 需要对这些常用的光谱指数在城市地表水提取中的适宜性进行评价。 以此做为出发点和目标, 以河网密布的江南水乡中国浙江省嘉兴市为研究对象, 以应用型航空成像光谱仪(Airborne imaging spectrometer for applications, AISA)获取的高空间分辨率机载高光谱遥感数据为数据源, 通过Youden指数确定最佳阈值, 将总体分类精度、 错分误差、 漏分误差、 Kappa系数作为衡量指标, 分析评价了NDVI, NDWI, HDWI和IWI 4种光谱指数在城市河网提取中的适宜性。 结果表明, 阴影与水体光谱变化趋势类似, 是造成水体提取过程中高错分误差的主要因素。 四种指数都可以准确抑制落在植被中的阴影, 但无法有效抑制落在建筑物中的阴影。 HDWI虽然可以在一定程度上抑制建筑物中的阴影, 但是无法有效地抑制亮建筑物背景。 通过对不同类型水体和阴影(笼罩下地物)光谱的进一步分析, 虽然水体和阴影光谱曲线变化趋势相似, 均在560～600 nm附近存在波峰, 但是水体和阴影波峰高度存在差异, 水体波峰值较大而阴影波峰值较低。 因此, 通过充分挖掘水体和阴影在560～600 nm处光谱反射信息, 有望进一步抑制建筑物阴影, 提高城市河网水体提取精度。

由于探测单元之间响应不一致、电子增益和偏置发生变化、焦平面污染和损伤等因素，推扫式热红外成像光谱仪获取的图像常常表现为图像列之间不均匀，条带噪声严重，影响了热红外高光谱遥感图像的后续处理和应用。结合推扫式成像光谱仪非均匀性的来源和成因，以相邻地物的相关性为理论基础，提出了适用于热红外高光谱遥感图像的非均匀性校正方法。该方法的步骤是，首先逐波段对原始热红外高光谱遥感图像进行标准矩匹配校正，得到标准矩匹配校正图像；然后，以标准矩匹配校正图像为基础，选择相邻两列像元中相同的地物像元；最后，用两列中相同的地物像元，通过线性回归得到后一列的校正系数，并对其进行校正，顺次遍历一个波段的所有列，完成一个波段图像的非均匀性校正。按照此过程，遍历一幅热红外高光谱遥感图像的所有波段，完成一幅热红外高光谱遥感图像的非均匀性校正。将该方法应用于推扫式热红外光谱成像仪实际获取图像的非均匀性校正中。结果表明，相比矩匹配方法，在保证非均匀性校正效果的情况下，本文方法的各列均值和标准差更符合实际情况。

传感器每个波段的中心波长和半高全宽(Full Width at Half Maximum, FWHM)随成像环境变化会发生较大的系统性漂移。这种漂移最终会影响发射率和温度的反演精度, 尤其是在大气吸收波段附近的发射率反演精度。选择水汽在11.73 μm处的吸收通道作为参考波段, 提出了适用于热红外高光谱数据的光谱定标技术流程。模拟实验表明: 光谱分辨率为50 nm, 中心波长偏移在-50~50 nm、FWHM变化在-25~25 nm时, 大气水汽含量对光谱定标误差的影响最大。同时, 对误差分布曲面进行拟合得到描述误差分布模型, 用于误差的估计。当大气水汽含量足够大时, 光谱中心波长偏移估算误差可达到1 nm以内。最后, 将所提方法应用于机载热红外高光谱数据光谱定标。结果显示, 热红外高光谱成像仪中心波长偏移为28.4 nm, FWHM变化为-18.5 nm。