1 北方民族大学 计算机科学与工程学院， 宁夏银川75002
2 西安电子科技大学 电子工程学院，陕西西安710071
由于不同的照明条件、复杂的大气环境等因素，相同端元的光谱特征在图像的不同位置呈现出可见的差异，这种现象被称为端元的光谱变异性。在相当大的场景中，端元的变异性可能很大，但在适度的局部同质区内，变异性往往很小。扰动线性混合模型（Perturbed Linear Mixing Model，PLMM）在解混的过程中可以减轻端元变异性造成的不利影响，但是对缩放效应造成的变异性的处理能力较弱。为此，本文改进了扰动线性混合模型，引入了尺度因子以处理缩放效应造成的变异性，并结合超像素分割算法划分局部同质区，然后设计出基于局部同质区共享端元变异性的解混算法（Shared Endmember Variability in Unmixing，SEVU）。与扰动线性混合模型，扩展线性混合模型（Extended Linear Mixing Model，ELMM）等算法相比，所提SEVU算法在合成数据集上平均端元光谱角距离（mean Spectral Angle Distance， mSAD）和丰度均方根误差（abundance Root Mean Square Error， aRMSE）最优，分别为0.085 5和0.056 2；在Jasper Ridge和Cuprite真实数据集上mSAD是最优的，分别为0.060 3和0.100 3。在合成数据集和两个实测数据集上的实验结果验证了SEVU算法的有效性。
高光谱图像 混合像元分解 光谱变异性 扰动线性混合模型 局部同质区 hyperspectral image unmixing spectral variability perturbed linear mixing model local homogeneous region
1 天津工业大学 电子与信息工程学院，天津 300387
2 天津商业大学 信息工程学院，天津 300134
在高阶非线性混合模型的基础上，提出一种多目标高光谱图像解混算法，解决传统方法受高光谱数据异常值影响而解混精度不高的问题。该算法以重构误差与光谱角分布为目标函数建立优化模型，并同时优化两目标函数以减少数据异常值对模型求解的影响，使解混结果在两个评价指标上得到提升; 最后采用差分搜索算法求解多目标优化模型，解决梯度类优化方法易陷入局部极值的问题，从而进一步提升解混精度。实验结果表明，文中算法与传统高光谱解混算法相比，具有更精确的端元丰度估计结果和更高的解混精度。
高光谱图像 多线性混合模型 多目标高光谱解混 仿生智能优化 差分搜索算法 hyperspectral images multi-linear mixing model multi-objective hyperspectral unmixing bionic intelligence optimization difference search algorithm 红外与激光工程
2019, 48(10): 1026002
1 天津大学精密仪器与光电子工程学院, 天津 300072
2 中国医学科学院生物医学工程研究所, 天津 300192
基于二组分混和食用油的吸收系数是各自组分吸收系数按照掺杂比例的线性组合的假设以及朗伯-比尔吸收机理, 提出并推导了二组分食用混合油的线性混合数学模型。 该数学模型可根据相同厚度的两种原料油和其二组分混合油对相同光源的吸收光强变化计算出混合油的组分比例。 根据误差理论, 利用全微分公式分析了组分比例计算值的误差, 表明通过选择使两种原料油的透射光强和吸光度差值的乘积较大的波长位置, 可以优选出检测波长。 搭建了可见-近红外光谱检测系统, 利用花生油掺杂玉米油、 花生油掺杂大豆油和玉米油掺杂大豆油三种混合油对模型进行了验证。 结果表明, 该模型对掺杂10%以上的混合油的成分比例计算值和实际值的相对误差在5%以内, 相关系数分别达到0.999 4, 0.999 7和0.999 3, 标准误差分别为0.006 9, 0.005 1和0.007 6, 并证实本研究的波长选取方法是合理的。 此外, 对3种按同样比例组合的、 未混合的分立油样本进行了检测, 计算组合比的相对误差也可控制在10%以内, 同时揭示入射光源的平行度和待测装置的垂直度对检测精度有一定影响。 试验证明, 不同于传统的光谱结合化学计量学的检测方法, 本方法可以仅通过检测原料油和混合油在选定波长上的吸收光强即可准确计算得到掺杂比例。
线性混合 朗伯-比尔定律 掺杂 吸收光谱 定量分析 Linear mixing The Lambert-Beer’s Law Adulteration Absorption spectrum Quantitative analysis 光谱学与光谱分析
2017, 37(8): 2486
1 天津大学精密仪器与光电子工程学院, 天津 300072
2 中国医学科学院生物医学工程研究所, 天津 300192
基于芝麻油和掺入油线性混合的原理，提出了一种利用芝麻油、掺入油和其掺混油的吸光度直接计算掺杂比的定量检测方法。利用误差分析理论对掺杂比计算公式进行分析，可知使误差最小的最佳检测波长区位于芝麻油和掺入油的吸光度差值最大的区域。利用SpectraMax Plus 384型光吸收酶标仪的分光光度计功能和构建的可见近红外光谱采集系统，对两种光程的芝麻油分别掺杂花生油和大豆油的样本进行了检测。对掺杂体积比为10%以上的芝麻花生掺混油和芝麻大豆掺混油，分光光度计检测的掺杂比计算值和实际值的相关系数分别为0.9992和0.9997，标准误差分别为0.0084和0.0054；可见近红外光谱采集系统检测的两种掺杂比的相关系数分别为0.9997和0.9994，标准误差分别为0.0047和0.0069。实验结果表明，利用线性光度法计算掺杂芝麻油的掺杂比例是准确可行的。
测量 线性混合 光度法 芝麻油掺杂 吸收光谱 定量分析 激光与光电子学进展
2017, 54(3): 031201
1 深圳职业技术学院传播工程学院, 广东 深圳 518055
2 西南财经大学经济信息工程学院, 四川 成都 610075
针对直接在光谱反射率空间, 对原稿颜色样本光谱的主成分分析会导致特征向量的数目超过真实物理维度(原稿所用基色色料)的数量, 以及特征向量和对应系数存在负值, 不能直接表示原稿基色色料的光谱特性和对应浓度等情况。 创新性的提出需根据原稿色料的光学特性建立一个完全线性的光谱空间, 并在该空间中使用带约束条件的非负矩阵分解实现对原稿基色数量和光谱形状进行预测的方法。 对此, 首先设计了一个实现对原稿基色色料光谱预测方法的总体研究方案和实现步骤, 再以透明色料原稿为例, 研究如何选择和构建一个符合其光学特性的光谱线性空间, 然后再在基本非负矩阵分解(BNMF)基础上提出针对基色色料光谱预测的有约束非负矩阵分解算法(SCNMF)。 针对BNMF算法会出现多重最优解, 为了提高预测精度, 使矩阵分解结果有明确的物理意义, 所提出的SCNMF算法需要满足4个约束条件: 非负性约束; 全加性约束; 平滑性约束; 稀疏性约束。 建立了满足约束条件的目标函数和迭代算法。 预测结果表明本文提出的新方法能有效的实现对原稿基色物理维度和基色色料光谱的准确预测。
基色色料光谱预测 光谱颜色复制 非负矩阵非解 线性混合空间 主成分分析 Spectral estimation of primary pigments Spectral color reproduction Non-negative matrix factorization Linear mixing space Principal component analysis 光谱学与光谱分析
2016, 36(10): 3274
1 深圳职业技术学院传播工程学院, 广东 深圳 518055
2 西南财经大学经济信息工程学院, 四川 成都 610075
针对光谱反射率空间并不是一个有效的基色色料线性混合空间的缺点，提出了建立基色色料线性混合空间的三项原则。根据不同原稿色料光学特性的不同，将原稿分为透明色料连续调原稿、不透明色料连续调原稿、半色调原稿(半透明色料)，并针对这三类原稿分别构建能真实反应原稿色料真实物理维度的光谱线性空间，以不透明色料原稿为例进行实验验证。实验结果表明，根据原稿色料光学特性建立的色料线性混合空间是一个有效的线性混合空间，在其上的光谱预测能真实反映原稿基色色料的数量和近似得到基色色料的光谱形状。
色彩 光谱色彩学 光谱颜色复制 线性混合空间 基色色料 光谱预测
1 西北工业大学 电子信息学院， 陕西 西安 710129
2 铜陵学院 电气工程学院， 安徽 铜陵 244000
3 铜陵学院 数学与计算机学院， 安徽 铜陵 244000
根据高光谱数据的特点，提出了一种基于像元的分布式压缩采样模型来实现高光谱图像的有效压缩采样与重构。搭建了能实现该模型的压缩采样光谱成像系统，并研究了用于该系统成像的重构算法。在图像采集阶段，将高光谱数据分为参考像元和压缩感知像元; 地面像元的辐射能通过棱镜进行谱带分离，再利用数字微镜器件实现谱带的线性编码。对压缩感知像元进行低采样率的线性编码，对参考像元进行采样率为1的线性编码。压缩采样数据重构时，不再采用传统方法直接重构高光谱数据，而是利用线性混合模型将重构高光谱数据转换成端元提取和丰度估计，然后根据重构的端元和丰度恢复原数据。对比实验表明，在压缩采样数据为总数据的20%时，重构的平均信噪比提高了10 dB。所设计的成像系统应用压缩感知理论减少了采集的数据量，采样方式简单，可应用于星载或机载的高光谱压缩感知成像。
分布式压缩感知 高光谱图像 成像光谱仪 线性混合模型 感知矩阵 distributed compressive sensing hyperspectral imagery imaging spectrometer linear mixing model sensing matrix
1 西北工业大学 电子信息学院, 陕西 西安 710129
2 铜陵学院 电气工程系, 安徽 铜陵 244000
提出一种推扫式谱间压缩采样的高光谱成像系统, 用于实现高光谱图像的压缩感知成像, 并对该系统成像的重构算法进行了研究。在图像采集阶段, 采用棱镜对地面成像行的像素进行谱带分离, 然后利用数字微镜器件实现谱带的线性编码, 通过柱面透镜完成编码谱带的叠加。压缩采样数据重构时, 不像传统的压缩感知重构方法那样直接重构高光谱数据, 而是利用线性光谱库混合模型将重构高光谱数据转换成重构丰度系数矩阵, 采用交替方向乘子法求解丰度的优化问题, 再根据重构的丰度和高光谱库恢复原数据。与标准压缩感知重构算法的对比实验表明, 该方法在压缩采样数据为总数据的20%时, 重构的平均峰值信噪比比标准压缩感知提高了18 dB。所设计的成像系统采样方式简单, 可应用于星载或机载的高光谱压缩感知成像。
压缩感知 高光谱图像 成像光谱仪 线性混合模型 感知矩阵 compressive sensing hyperspectral imagery imaging spectrometer linear mixing model sensing matrix 光学 精密工程
2014, 22(11): 3129
1 中科院西安光学精密机械研究所空间光学研究室,西安,710068
2 中科院研究生院,北京,100039
为了解决混合像元问题,发展了一门新的技术--光谱分离技术,线形混合模型是目前应用最成功的方法,但是当应用到月球风化层遥感时,其存在两个内在的缺陷:一是由于充分混合引起的非线性,二是纯光谱的不"纯"性.对于第一个缺陷,从Hapke理论出发,充分考虑了数据的特点,大大简化多重散射模型来提高充分混合的线形性,同时降低了原模型计算的复杂度;对于后一个问题,提出用修正线形混合模型来弥补"纯"光谱中的误差.该方法通过Relab数据库中的模拟月壤的光谱数据进行了验证,试验结果表明,这种方法具有很好的性能.
光谱分离技术 月球风化层 修正的线形混合模型 单次反照率 Spectral unmixing technology Lunar regolith Modified Linear Mixing Model（MLMM） Single Scattering Albedo（SSA）
