中国科学技术大学量子信息重点实验室, 安徽 合肥 230026
光学显微镜的出现为细胞等微观结构的研究打开了新的大门，然而衍射极限的限制使得更加精细的结构难以探测。近年来，一些充满创造性的方法突破了衍射极限，达到纳米级分辨率。氮-空位（NV）色心是金刚石中一种常见的发光缺陷，由于其具有明亮而稳定的发光性质和较长的电子自旋相干时间而被广泛应用于量子计算与量子测量中；同时，NV色心在超分辨成像技术中也发挥着巨大作用，通过与各种超分辨成像显微镜的结合，实现了对NV色心的纳米级分辨率成像，而且进一步实现高空间分辨率的量子传感。本文简单介绍了NV色心的结构与性质，以及各类成像技术的基本原理；对NV色心与超分辨成像结合的各项技术实验成果进行了归纳与比较，并对其应用进行了总结与展望。
成像系统 超分辨成像 衍射极限 NV色心 荧光显微镜 激光与光电子学进展
2017, 54(3): 030003
1 武汉大学测绘遥感信息工程国家重点实验室, 武汉 430079
2 武汉大学计算机学院, 武汉 430079
针对传统融合空间和光谱特征方法仅使用单一空间特征, 并未充分利用其双高分辨率的特点, 提出了一种基于纹理特征和形态学特征融合的高光谱影像分类方法.首先利用传统主成份分析变换降低高光谱影像的维数, 消除空间相关性, 然后对每一主成分采用灰度共生矩阵提取纹理特征, 获得扩展纹理特征, 最后结合形态学特征和部分光谱特征进行高光谱影像的分类.实验证明, 本文提出的方法能更好地克服传统光谱特征分类的局限性, 提高高光谱影像的分类准确度.
主成分分析 形态学特征 纹理特征 高光谱 灰度共生矩阵 Principle component analysis Extend morphological profile Texture feature Hyperspectral Gray level co-occurrence matrix
1 武汉大学测绘遥感信息工程国家重点实验室
2 武汉大学计算机学院，武汉 430079
传统高光谱异常探测器的背景统计信息易受异常目标干扰，鲁棒性较差，且难以探测非线性混合的异常目标.针对此问题，运用核特征投影理论，在异常探测器的背景信息构建中引入鲁棒性分析方法，提出了一种在核特征空间中具有鲁棒性的异常探测方法.该方法可以在不需要确定具体的非线性映射函数下，将高光谱数据从低维空间映射到高维特征空间，背景和目标在特征空间中可以用线性模型表示，并在特征空间中构造鲁棒性的探测器.该方法揭示了地物光谱间的高阶特性，可以较好地反映地物分布复杂的目标光谱特性.通过高光谱真实影像和模拟数据的实验证明：1)本文提出的异常探测方法具有更优的受试者工作特征曲线和曲线下面积统计值，目标和背景的分离度更大；2)在核特征空间内，排除异常目标对背景统计信息的干扰，有助于进一步提高探测准确度；3)特征提取可以更好地利用目标和背景的光谱区分性，是异常探测的重要步骤.
异常探测 核空间理论 鲁棒分析 高光谱图像 Anomaly detection Kernel feature space theory Robust analysis Hyperspectral imagery
1 武汉大学 计算机学院, 武汉 430072
2 武汉大学 测绘遥感信息工程国家重点实验室, 武汉 430072
本文提出了一种高光谱图像降维的判别流形学习方法.针对获取的大量遥感对地观测数据存在大量冗余信息的特点, 引入改进的流形学习方法对高光谱遥感数据进行降维处理, 以提高遥感图像自动分类的总体准确度.该方法充分利用遥感图像自动分类中训练样本的判别信息, 将输入样本的类别信息加入到常规流形学习方法的框架中, 从本质上提高输出的特征在低维空间中的判别力.同时, 引入线性化模型以解决流形学习方法中常见的小样本问题.对高光谱遥感图像自动分类的实验表明, 基于判别流形学习的高光谱遥感图像自动分类方法能够显著地提高图像分类准确度.
流形学习 高光谱降维 分类 Manifold learning Hyperspectral dimensional reduction Classification
