1 中国科学院合肥物质科学研究院安徽光学精密机械研究所，安徽 合肥 230031
2 中国科学技术大学研究生院科学岛分院，安徽 合肥 230026
3 合肥师范学院化学与制药工程学院，安徽 合肥 230601
植被日光诱导叶绿素荧光是一种可以表征植被光合生产力的重要衡量指标。为了实现对植被日光诱导叶绿素荧光的广域精准探测，设计并研制了一种叶绿素荧光高光谱成像探测仪。该成像探测仪使用了基于棱镜-体相位全息透射光栅的全透射式光学系统，在高数值孔径（0.25）的基础上实现了高光学性能：可在20°视场和670~780 nm（可扩展至650~800 nm）工作波段实现1 mrad的空间角分辨率、0.3 nm的光谱分辨率和优于100的信噪比。由系统设计结果、样机测试结果和应用数据分析结果可知，样机完全满足设计要求。本仪器可为农林监测和碳循环观测提供重要的科学数据，并可作为陆地植被光合作用中有效的新型观测手段。
植被观测 日光诱导叶绿素荧光 高光谱成像 体相位全息透射光栅 激光与光电子学进展
2024, 61(2): 0211016
1 山东科技大学测绘与空间信息学院，山东 青岛 266590
2 中国科学院空天信息创新研究院遥感科学国家重点实验室，北京 100101
云的存在影响着遥感影像的广泛应用。基于高光谱观测卫星全谱段光谱成像仪的空间分辨率高和波段范围广的特点，提出一种适用于全谱段光谱成像仪数据的改进多通道阈值云检测算法。首先，根据云层在可见光到热红外通道的变化特征分离潜在云像素和清晰像素；然后，将温度概率、变异概率和亮度概率相结合，分别生成陆地和水体的云概率掩模；在此基础上，利用潜在云像素和云概率掩模得到潜在云层；最后，对潜在云层应用晴空恢复测试来减轻陆地水体以及冰雪上空云的误判。将改进的多通道阈值云检测算法结果与传统的多通道阈值云检测算法结果进行定量对比分析。结果表明：改进的算法能适用于不同的地表场景且得到较好的检测效果，平均总体精度为92.0%，差异度总体降低3%，平均云像元正确率和晴空像元正确率分别为92.4%和91.8%，错分和漏分误差显著降低；尤其在高亮地表，在城市和冰雪上空的平均云像元正确率分别提高4%和5%，差异度分别降低4%和2%。所提算法的云识别效果优于传统的多通道阈值云检测算法的结果，并且运行效率较高。
云检测；高光谱观测卫星；全谱段光谱成像仪；热红外；多通道阈值法 激光与光电子学进展
2023, 60(22): 2228003
1 重庆邮电大学通信与信息工程学院，重庆 400065
2 移动通信教育部工程研究中心，重庆 400065
3 移动通信技术重庆市重点实验室，重庆 400065
传统非负矩阵分解（NMF）应用于高光谱解混时，容易受到椒盐噪声的干扰，造成解混的失败。以往的稀疏解混需要在涉及信息比较分散且易受噪声影响的空间域中寻找最优特征子集。为了解决这些问题，提出了基于空谱约束的加权稀疏柯西非负矩阵分解（SSCNMF）算法，首先采用基于柯西损失函数的NMF模型，其在抑制极端异常值方面，有着良好的鲁棒性。其次，引入自适应稀疏权重因子，提高了丰度矩阵的稀疏性。同时，加入光谱空间约束项，其中光谱因子用于测量不同光谱之间的丰度稀疏度，空间因子利用了丰度空间域的平滑性，提高了数据特征的提取效率。分别对模拟数据集和真实数据集进行了仿真实验，通过与一些经典高光谱解混算法的对比，验证了SSCNMF算法的有效性和优良的抗噪声性能。
遥感与传感器 高光谱解混 非负矩阵分解 柯西损失函数 稀疏 空谱约束 激光与光电子学进展
2023, 60(10): 1028006
1 上海大学 通信与信息工程学院，上海 200444
2 中原工学院 理学院，河南 郑州 450007
3 上海市气象局，上海 200030
红外高光谱大气垂直探测仪数据的垂直空间特性由探测仪光谱性能指标间接决定，并与所关注的大气参数及其变化有并。本文在剔除大气参数探测信噪比过低的无效通道的基础上，针对 FY-4A卫星红外高光谱大气垂直探测仪GIIRS数据对水汽和臭氧变化响应的峰值高度、高度分辨率、垂直不对称性及垂直覆盖范围进行了评估，并与大气温度探测的垂直空间特性评估结果进行对比分析。结果表明： 1）和大气温度一样，FY-4A GIIRS 对大气水汽具有垂直分布探测能力，水汽探测垂直覆盖12 km以下对流层（探测峰值高度在11 km以下），而大气温度探测覆盖整个对流层和平流层中下层； 2）FY-4A GIIRS 对臭氧具有10～21km高度范围臭氧总量探测能力，探测峰值高度集中在16.4 km附近。本研究有助于从探测垂直空间特性角度把握FY-4A GIIRS 红外高光谱数据应用能力。
垂直空间特性 红外高光谱 FY-4A GIIRS 水汽 臭氧 vertical space characteristics infrared hyper-spectral FY-4A GIIRS water vapor ozone
为了提高木材树种分类的正确率, 提出了一种基于I-BGLAM纹理特征和光谱特征融合的高光谱图像的木材树种分类方法。 实验数据是利用SOC710VP高光谱成像仪获取的可见光/近红外(372.53~1 038.57 nm)范围内的高光谱图像。 首先, 利用基于OIF的特征波段选择方法降低高光谱图像的维数, 选择出含有信息量大的波段。 其次, 对选择出的波段图像使用NSCT及NSCT逆变换得到融合图像, 对得到的融合图像使用I-BGLAM提取其纹理特征。 与此同时, 对高光谱图像的全波段求取平均光谱并进行S-G(Savitzky-Golay)平滑得到光谱特征。 最后, 将得到的纹理特征和光谱特征融合后送进极限学习机(ELM)中进行分类。 此外, 还和基于灰度共生矩阵(GLCM)的木材识别的传统方法以及近几年木材树种识别领域内被提出的主流方法进行了比较。 该研究主要创新点有两个: 一是将强纹理提取器I-BGLAM用于高光谱图像中提取其纹理特征; 二是提出一种新的特征融合的模型用于高光谱图像的分类。 针对8个树种的实验结果表明, 单独使用I-BGLAM提取的纹理特征来进行分类的正确率最高可到达88.54%, 而使用GLCM提取纹理特征的传统方法正确率最高只有76.04%, 该结果可以得出本文使用I-BGLAM在纹理特征提取方面要优于GLCM, 这为后面建立的融合模型打下很好的基础, 单独使用平均光谱特征来分类的正确率最高可以达到92.71%, 使用所提出的特征融合方法所得到的分类正确率最高可达到100%, 这说明使用所提出的融合模型来分类要比以前单独使用某一种特征的分类模型要好。 此外, 使用所提出的方法得到的分类正确率要高于本领域内其他两种主流的识别方法。 因此, 所提出的基于I-BGLAM纹理特征和光谱特征融合的方法能够提高木材树种分类的正确率, 该方法在木材树种分类方面有着一定的利用价值。
高光谱图像 纹理特征 光谱特征 特征融合 木材树种分类 Hyper-spectral imaging I-BGLAM Texture feature Spectral feature Feature fusion Classification of wood species I-BGLAM
西藏光信息处理与可视化技术重点实验室, 西藏民族大学, 陕西 咸阳 712082
对比3种类型高光谱数据以及2种分类算法, 从那曲地区HSI高光谱图像上识别4个草种。 结合实地踏勘从HSI高光谱图像上采集藏北嵩草、 紫花针茅、 高山蒿草和小嵩草这4个草种的原始光谱反射率数据, 并分别进行导数变换、 对数变换, 得到4个草种的原始光谱、 一阶导数光谱、 对数变换光谱。 对这3种光谱数据进行谱线波形分异特征比较、 单因素方差分析以及相关分析, 从这3种光谱数据中提取出各自适用的敏感谱段, 然后将3种光谱数据的敏感谱段分别导入KICA-NFCM算法, 通过对HSI图像分类识别出4个草种。 对比3种光谱数据各自分类图的识别精度, 评价3种光谱数据敏感谱段的适用性； 再将3种光谱数据的敏感谱段分别导入ICA-FCM算法, 与KICA-NFCM算法分类结果比较对4个草种的识别精度。 结果显示谱线波形分异特征比较、 单因素方差分析以及相关分析表明, 原始光谱、 一阶导数光谱、 对数变换光谱的敏感谱段分别为788～925, 711～742, 669～682与788～925 nm； 使用这3种光谱数据进行KICA-NFCM分类, 总体精度、 Kappa系数分别为75.38%, 0.685, 81.26%, 0.752, 87.65%, 0.823； 使用3种光谱数据进行ICA-FCM分类, 总体精度、 Kappa系数分别为64.39%, 0.569, 67.74%, 0.604, 73.14%, 0.662。 比较结果表明对数变换能够增强多组相似光谱数据之问的峰谷特征差异, 为通过谱线波形分异特征比较选取敏感谱段创造条件； KICA-NFCM算法可以优化输入特征、 并引入加权邻域空间信息计算隶属度函数, 针对性解决了标准FCM算法在处理高光谱图像时, 目标识别过程受邻域噪声影响, 分类图像“椒盐效应”显著、 同质区域连通性差的问题。 结果表明: 应用“对数变换光谱/KICA-NFCM算法”组合能够最准确的从HSI图像上识别4个草种, 有效减少混分误判现象, 为精准开展高寒草地成像高光谱观测提供技术基础。
成像高光谱 对数变换光谱 导数变换光谱 峰谷特征 敏感谱段 隶属度函数 Hyper-spectral imaging observation Logarithmic transform spectrum First-derivative spectrum Peak-valley characteristics Sensitivity bands Membership function 光谱学与光谱分析
2020, 40(7): 2200
College of Information and Computer Engineering, Northeast Forestry University, Harbin50040,China
木材往往堆积在室外，在对木材样本采集高光谱图像时往往会受到外界因素（光照、温度、湿度）的影响，从而造成木材树种的误判。为了解决这一问题，本文利用PLS（Pattern Lacunarity Spectrum）和LBP（Local Binary Pattern）对木材横截面的高光谱图像的纹理信息进行了特征提取，而后将高光谱图像的近红外光谱与纹理特征相融合，并以融合后的新特征作为识别的依据，最后使用SVM（Support Vector Machine）和BP（Back Propagation）神经网络两种分类器对木材树种进行了识别，实验表明该算法在无干扰情况下可拥有最高100%的识别正确率效果。为了验证该算法可以在高光谱图像失真的情况下依然可以对木材进行正确的识别，本文仿真了光照变化对高光谱图像的影响，并对比了影响前后的识别正确率，结果显示该算法可以在高光谱图像失真的情况下对木材的树种进行正确的识别，优于传统的和近期主流的木材树种分类算法。
高光谱图像 木材树种识别 光照变化 特征融合 hyper-spectral image wood species recognition illumination variation feature fusion 
