针对航空复合材料的结冰探测, 该文提出了基于超声导波技术的解决方案, 采用转移矩阵法建立了层状结构波导模型, 绘制了相速度和群速度频散曲线, 分析了超声导波在碳纤维增强复合材料板中的传播特性。在此基础上, 基于现场可编程逻辑门阵列设计了由信号源和接收机组成的硬件电路, 结合恒温箱搭建了结冰探测系统及其实验环境。通过测量回波信号波包相对时延的方式, 验证了超声导波结冰探测方案的可行性, 为飞机结冰探测领域提供了新思路。

高光谱技术由于满足连续性与光谱可分性的要求, 具有能够区别同一种地物不同类别的能力, 且光谱数据获取速度快, 操作简易, 在监测水体分布状况、 水体指标上具有突出成就。 生化需氧量BOD是评价水污染的重要指标, 现行常规的测量方法为五日培养法, 这种方法消耗试剂、 操作复杂、 受干扰因素多、 测定时间长、 不能及时反映水质变化、 无法及时有效地预警突发水污染事件, 鉴于传统方法的缺点, 探索基于高光谱技术的水体BOD含量的估算和反演对水质评定具有重要意义。 以西安地区三处地表水为研究区, 共计60处试验点, 每处试验点重复测定10次光谱与BOD值, 取平均值作为原始光谱, 利用Person相关系数法筛选光谱与BOD值的敏感波段, 并使用主成分分析与最小二乘法消除光谱指标的多重共线性, 建立水质BOD指标的多元线性回归模型与偏最小二乘回归模型。 研究结果如下: (1)BOD敏感波段大体分布于600～900 nm, 共筛选出了35个显著相关的原始光谱指标, 其中758 nm相关系数绝对值最高(0.418); (2)经由主成分分析降维得出的Z1和Z2与BOD指标的多元线性回归模型精度较好(R2=0.565, RMSE=0.007), 且主成分分析中可以明显区分0～0.2与0.4～0.6 mol·L-1 BOD浓度; (3)光谱指标与BOD指标构建偏最小二乘回归模型的精度R2高达0.896, RMSEP=0.746 9(留一交叉法均方根误差); jack.test检验发现628 nm对反演水体BOD含量的影响极其显著, 889与893 nm波段对其影响较为显著; (4)根据模型拟合精度, 筛选的最优的BOD反演模型为偏最小二乘回归模型, 对偏最小二乘模型进行精度检验, 精度较好(R2=0.81)。 基于以上试验结果, 提出了一种基于偏最小二乘法高光谱水质BOD参数的反演方法, 为水质BOD参数动态检测提供了新方法。

草坪色泽是草坪观赏价值的最直接体现。 探索基于高光谱的草坪草叶绿素含量的估算和反演对草坪质量评定具有重要意义。 以3种常用草坪草种——“红象”高羊茅（Festuca arundinacea cv. Hongxiang）、 “百灵鸟”多年生黑麦草（Lolium perenne cv. Bailingniao）和“肯塔基”草地早熟禾（Poa pratensis cv. Kentucky）为试样, 通过盆栽实验, 在草坪草生长旺盛期, 使用SOC710VP成像光谱仪和TYS-A3500叶绿素仪分别测定了草坪草冠层光谱数据和叶绿素相对含量（SPAD）, 并通过Person相关系数分析了原始SPAD, 1/SPAD和log（1/SPAD）与10个植被指数: GI（绿度植被指数）、 ARVI（大气阻抗植被指数）、 VARI（可视化气压阻抗指数）、 NDVI705（归一化植被指数705）、 MSR705（改进红边比值植被指数）、 NDVI670（归一化植被指数670）、 CI（叶绿素指数）、 PSRI（植被衰减指数）、 RGI（相对绿色指数）和EVI（增强植被指数）的相关性, 筛选与叶绿素相关性较高的高光谱波段植被指数, 构建植被指数反演叶绿素含量模型, 最后通过精度检验, 筛选最优草坪草叶绿素估算模型。 研究结果如下: (1）不同草坪草光谱曲线整体趋势相差不大, 但不同种间反射率（REF）还是有所区别。 在730~1 000 nm波段, “百灵鸟”多年生黑麦草与“红象”高羊茅REF差异不大, 但“肯塔基”草地早熟禾REF较高, 光谱特征更为明显; (2）10个植被指数中, VARI, RGI和PSRI与草坪草3个叶绿素指标极显著相关, 相关系数R2绝对值均大于0.65, 可作为首选植被指数进行草坪草叶绿素含量估算; （3）植被指数与叶绿素指标逐步回归分析发现, 单因素回归模型中, 利用VARI, RGI和PSRI估算1/SPAD的模型决定系数R2均在0.6以上, 普遍高于SPAD与log（1/SPAD）的估算模型; 而多元线性回归中, 10个植被指数中, RGI与叶绿素指标1/SPAD所构建的模型决定系数R2同样最高, 为0.817, 说明SPAD倒数形式适用于草坪草叶绿素反演; (4）选择决定系数较高（>0.7）的模型进行精度检验, 筛选的最优的草坪草叶绿素指标反演模型为: y1/SPAD=0.161xRGI+0.007xGI-0.054（R2=0.817, RMSE=0.023）。

研究了利用数字微镜器件生成 Hadamard光调制编码模板的方法, 深入分析了利用该编码模板进行光调制的工作原理及设计中应注意的技术细节。采用原型样机光谱仪对入射激光进行编码成像实验, 光谱反演后提取图像上样本区域内少量像素点的光谱曲线, 发现其光谱峰值恰好在激光波长所在的光谱通道内, 反演后的图像中只有激光波长所在光谱通道的光谱图像有能量分布。实验结果表明运用数字微镜设计的Hadamard编码模板达到了理想的空间光调制效果。

国内外对DMD空间光调制的Hadamard变换成像光谱仪做了大量的理论研究和实验验证, 但这项技术的研究还不够成熟, 很多问题需要进一步的研究。在这种光谱仪中每个像素点色散光谱的编码矩阵互不相同。通过比较激光编码图像灰度值的变化并结合S矩阵元素的变化规律, 提出了一种光谱反演矩阵的标定方法。以七阶左移循环S矩阵为例设计编码模板, 通过两组成像实验对光谱反演结果进行了验证。在第一组实验中, 将一束激光波长为632.8 nm激光导入光谱仪中, 光谱仪的光谱响应范围为550~680 nm, 632.8 nm在第五个波段范围626~644 nm之内理论上只有波段范围为626~644 nm的第五幅光谱图像是明亮的, 其余的图像没有能量分布, 实际的实验结果与理论上的分析相吻合。在第二组实验中, 让光谱仪对一个彩色蝴蝶模型进行成像, 在反演后得到的光谱图像上提取两个测试点的光谱曲线, 与用辐射度计提取的光谱特性曲线进行对比分析, 实验结果表明反演所得的光谱曲线与辐射度提取的光谱特性曲线基本一致。两组光谱反演的实验结果验证了所提出的光谱反演矩阵标定方法的有效性。

提出了一种基于高光谱数据简化的改进非负矩阵分解端元提取方法,通过计算和比较图像的光谱信息熵,划分图像的同质区,只选择同质区中最具代表性的像元参与非负矩阵分解运算,减少了端元提取算法的运算量。实验结果显示,数据简化前后运用非负矩阵分解算法所提取的几种矿物的光谱角均值基本相等,但数据简化后端元提取算法的运行时间减少了4/5,算法的运行效率提高。

高光谱影像是一个三维的海量数据立方体，如果对高光谱图像直接进行分割，那么算法运算量会很大；如果对高光谱影像先进行数据降维再进行分割，则会损失图像的部分细节信息，影响分割效果。本文提出一种基于光谱角空间变换的高光谱图像分割方法，首先计算每个像元与其周围领域像元之间的光谱夹角，并把这些光谱角的值作为坐标值，将像元映射到一个低维空间中，计算低维空间中样本点到原点的距离并将其转换为灰度值，从而生成一幅突出了地物区块边缘信息的灰度图像。然后利用分水岭变换对生成的灰度图像进行分割，提取分割后各区块局部极小值点的光谱矢量，进行对比分析，将具有相似光谱矢量的区块合并，以解决分水岭变换的过分割问题。最后采用美国印第安纳州的 AVIRIS高光谱数据对本文算法进行了验证和分析。实验结果表明，相比 SVM、ECHO、SVMMSF等高光谱图像分割方法，本文方法能够获得更高的图像分割精度。

传统的高光谱遥感影像分类算法侧重于光谱信息的应用。 随着高光谱遥感影像的空间分辨率的增加, 高光谱影像中相同类别的地物在空间分布上呈现聚类特性, 将空间特性有效地应用于高光谱遥感影像分类算法对分类精度的提升非常关键。 但是, 高光谱影像的高分辨率提供空间聚类特性的同时, 在不同地物边缘处表现出的差异性更加明显, 若不对空间邻域像素进行甄选, 直接将邻域光谱信息引入, 设计空谱联合稀疏表示进行图像分割, 则分类误差较大, 收敛速度大大降低。 将光谱角引入空谱联合稀疏表示图像分类理论中, 提出了一种基于邻域分割的空谱联合稀疏表示分类算法。 该算法利用光谱角计算相邻像素的空间相似度, 剥离相似度较低的邻域像素, 将相似度高的邻域像素定义为同类地物, 引入空谱联合稀疏表示模型中, 采用子联合空间追踪算子和联合正交匹配追踪算子对其优化求解, 以最小重构误差为准则进行分类。 选取AVIRIS及ROSIS典型光谱影像数据进行实验仿真, 从中可以看出, 随着光谱角分割阈值的提高, 复杂的高光谱影像分类精度和平滑区域的高光谱影像分类精度均逐步提高, 表明邻域分割在空谱联合稀疏表示分类中的必要性。