基于混合像元分解的分蘖期水稻基本苗数量估测方法研究

基本苗数量是反映水稻健康水平的重要依据,在分蘖期精准估测水稻基本苗数量可以指导后期的施肥量,从而调控水稻的最佳分蘖数。同时,对水稻长势监测和产量预测具有非常重要的意义。针对传统田间人工统计基本苗数量耗时长、成本高等问题,以江苏大学附属农场镇江润果农场分蘖期水稻为研究对象,利用大疆无人机(M600 Pro型)搭载多光谱相机(Rededge-MX型)获取水稻分蘖期多光谱数据,对原始图像进行图像拼接、辐射校正、几何校正等预处理操作,根据像元纯度系数提取土壤端元和植被端元,建立波谱库,然后按照完全约束最小二乘法的方法执行混合像元分解,构建植被覆盖度和水稻基本苗数量的回归模型。该研究方法获得的模型决定系数R^(2)为0.891,均方根误差RMSE为4.6株/m^(2)。而传统的像元二分法模型(基于NDVI、VDVI和GNDVI植被指数计算植被覆盖度),其决定系数R2为0.834、0.744、0.642,其RMSE为5.7、7.1、8.4株/m^(2)。试验结果表明,基于完全约束最小二乘法的混合像元分解模型评价指标均优于像元二分法模型。本文基于混合像元分解方法有效提高了水稻基本苗统计精度,并且生成了水稻基本苗数量反演图,可以直观统计基本苗数量,为分蘖期水稻补苗、间苗提供指导。

一种集成图像处理功能的数字像元焦平面读出电路

设计了一种像元级数字化焦平面读出电路,克服了传统模拟读出电路技术的电荷容量局限,实现了更大的动态范围和更低噪声的数字化图像读出;同时在像元内部进行数字化图像处理,可实现非均匀校正(NUC)、盲元补偿、数字时间延迟积分(TDI)、空间滤波等图像预处理功能。该电路采用40 nm CMOS工艺流片,面阵规格为640×512,像元步进为30μm,全芯片尺寸约22 mm×19 mm。测试结果显示,该电路通过TDI、空间滤波功能可大幅降低(分别约90%和63%)输出图像空间噪声,提升成像质量。

p-on-n型10μm像元间距长波1280×1024红外探测器制备研究

采用p-on-n结构的碲镉汞红外探测器芯片的暗电流低、少子寿命长,是目前高性能红外探测器的主流发展方向。为了满足未来红外探测器小型化的发展需求,开展了p-on-n型10μm像元间距长波1280×1024探测器芯片研究。针对As离子注入激活、长波小间距芯片制备技术的难点,开展了As离子注入技术、As激活退火技术的研究分析。通过不同的表征方法验证了最佳条件,并通过器件工艺进行了探测器芯片的制备。测试其I-V特性曲线,获得了性能较好的探测器芯片。该研究对小像元间距p-on-n型长波碲镉汞焦平面器件的制备具有重要意义。

基于带隙基准的改进型像元共享CTIA红外读出电路设计

为了提高红外读出电路动态范围、增强红外成像质量,加入暗电流抑制模块电路,设计了一种四像元分时共享的电容反馈跨阻放大器(CTIA)和带隙基准源相互配合的高性能红外读出电路。通过带隙基准源产生两个基准电压586 mV和293 mV,其中293 mV基准电压值的温漂系数达到1.49×10-6/℃,可对分流管的栅极和源极提供稳定的电压偏置,实现对暗电流的精准撇除。结果表明,该电路可实现电流信号从10 pA~10 nA宽动态范围的积分电压读出,读出数据通过线性拟合,拟合优度R 2达到0.9992,说明电路性能良好。此研究未来可应用到线列和面阵的红外探测器中。

同质区共享端元变异性的高光谱混合像元分解

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0.0855和0.0562;在Jasper Ridge和Cuprite真实数据集上mSAD是最优的,分别为0.0603和0.1003。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。

基于多位移光谱遥感图像的空间引力模型亚像元定位

目前基于多位移光谱遥感图像的亚像元定位方法通常很少考虑点扩散函数效应影响,本文提出了一种基于多位移光谱遥感图像的空间引力模型亚像元定位方法。为了生成粗糙丰度图像,首先对多个多位移光谱遥感图像进行解混;在点扩散函数效应被考虑的前提下,对粗糙丰度图像实施面积到点的克里插值处理,然后通过理想方波滤波进行滤波,最终获得改进后的粗糙丰度图像;利用空间引力模型对改进后的粗糙丰度图像进行上采样,从而得到上采样丰度图像,再对上采样丰度图像执行整合处理,以生成精细丰度图像;在完成上述所有图像处理步骤后,最终通过应用类别分配方法,将类别标签分发给各个亚像元,以此获得精确的定位结果。在2组实验数据集上的实验结果表明:本文提出的方法比现有的亚像元定位方法获得了更好的定位效果。

基于MODIS像元尺度的成渝地区双城经济圈2000-2023年植被覆盖度时空变化及地形分异特征研究

为研究成渝地区双城经济圈植被覆盖时空变化及地形分异特征,本研究基于MODIS-NDVI数据,采用像元二分模型、Theil-Sen Median趋势分析和Mann-Kendal显著性检验方法,计算了2000—2023年成渝地区双城经济圈植被覆盖度(Fractional Vegetation Coverage;FVC)和总结了其变化规律。结果表明:(1)研究区在空间上主要以高植被覆盖为主要特征,高植被覆盖区域面积为176857.44 km^(2),面积占比高达95.69%;(2)植被覆盖度在2000—2023年间整体上以改善区域为主,改善区域面积为101880.56 km^(2),占总面积的55.12%,退化区域面积为82948.56 km^(2),占总面积的44.88%;(3)地形因子对研究区植被覆盖空间分布有着较为显著的影响,研究区植被覆盖度随海拔的上升,呈现出先增后降的规律;植被覆盖度随坡度的提升而增大;植被覆盖度在不同坡向上表现出阴坡植被覆盖度>半阳坡植被覆盖度>半阴坡植被覆盖度>阳坡植被覆盖度。

不同分辨率遥感图像混合像元线性分解方法研究

混合像元的存在是传统像元级遥感分类和面积量测精度难以达到实用要求的主要原因,为了提高遥感应用精度,须解决混合像元分解问题。传统的方法主要通过改进分解模型提高分解精度,该文在不改变线性分解模型的条件下,分析不同分辨率尺度对于线性分解精度的影响。实验中运用像元合并的方法,得到不同分辨率的TM系列遥感图像,分别选取植被、裸地、水体3种典型地物进行线性分解;以分辨率更高的Quickbird图像分类结果作为真值进行精度评价。实验结果表明:随着图像分辨率的降低,植被的RMSE值不断缩小,在30 m分辨率尺度上均值为0.36,在150 m尺度上均值为0.17,分解精度提高了1倍左右;但随着分辨率进一步降低,由于混合像元现象加剧,RMSE值上升,分解精度随之降低。

基于元胞自动机模型的遥感图像亚像元定位

由于遥感图像中普遍存在混合像元,因此传统分类方法得到的结果通常会存在较大误差,应用混合像元分解技术,虽然可以得到混合像元中各端元组分的丰度,但是却不能得到各端元组分的空间分布状态,而亚像元定位则是在混合像元分解的基础上,将混合像元剖分为亚像元,再利用端元组分的丰度及像元空间分布的特点,将亚像元赋予不同端元组分来得到各端元组分的空间分布情况,以提高遥感图像分类的精度。为了更好地解决亚像元定位问题,结合亚像元定位的理论模型,提出了一种新的元胞自动机模型,并通过模拟数据和实际数据对该模型进行了检验,结果表明,该模型是一种简单有效的解决亚像元定位问题的方法。

利用异形像元探测器提高空间分辨率

为了解决光电系统成像中探测器分辨率低的问题,针对造成探测器分辨率低的两大主要因素—采样率不足及感光区域的低通滤波效应,提出一种基于异形像元探测器的超分辨成像方法。综合现有的超分辨重建技术和减少像元尺寸方法的优缺点,将现有的探测器矩形像元逐一"变形",去除同一位置1/4象限;利用该异形像元探测器阵列获取一序列相互错位1/2像元的欠采样图像;最后利用图像算法计算出这些图像的灰度矩阵信息,重建最终的高分辨图像。该方法可同时提高探测器的采样频率和截止频率,拓展带宽,从而实现高分辨率成像。为了验证该方法的有效性,在试验中选取填充因子100%的46μm×46μm中波红外探测器,利用焦距为6 000 mm、口径为600 mm的红外平行光管和焦距为50 mm的中波红外镜头成像,如果不采用任何技术,物方分辨率为11.04 mm;过采样技术可将分辨率提高1.60倍,物方分辨率为6.9 mm;而采用异形像元探测器超分辨成像方法,在试验中将每个像元都抠掉23μm×23μm后,物方分辨率为3.1 mm。

遥感影像像元组分分解模型及其应用

像元组分分解模型主要包括线性混合模型(LSMM)、模糊分类器模型、神经网络模型以及高斯混合判别分析模型(MDA)。以线性光谱混合模型为例给出了像元组分分解的过程,并分析了各种模型在不同领域的应用。像元组分分解还处于探索阶段,应根据不同的应用领域,不同的前提条件来选择和发展更为合适的模型,或用几种模型进行组合。端元的类型和数量的确定要力求准确,端元光谱值的获取要根据实际分析,研究更为适合的方法,使组分像元分解的精度得到进一步的提高。

基于正则MAP模型的遥感影像亚像元定位

为了更好地解决亚像元的定位问题,基于超分辨率影像重建的技术,结合亚像元定位理论,提出了一种应用于亚像元定位的正则MAP估计模型,并且通过真实数据进行了检验。实验表明,该模型是一种简单、有效地解决亚像元定位问题的方法。

ETM＋影像亚像元级城市土地覆盖组分丰度提取--以南京市为例

城市景观复杂,地物具有强烈的空间异质性,利用中等空间分辨率遥感影像(如ETM+)进行城市土地覆盖研究会出现大量混合像元。针对该问题,以南京市为例,通过混合像元分解提取城市土地覆盖组分丰度,进行城市土地覆盖研究,并从各个波段的残差、平均残差、相对误差、均方根误差等方面分析模型误差。利用IKONOS影像对提取的组分丰度图像进行精度验证,发现不同城市土地覆盖组分丰度图像具有一定的可靠性,与城市实际情况吻合。城市土地覆盖组分丰度图像还能作为一种新的数据源用于城市功能分区、城市人口数据空间化和城市环境监测与评估等研究中。

基于改进混合像元方法的MODIS影像水体提取研究

基于MODIS的反射率数据,利用改进的线性混合像元分解方法提取水体,并结合MODIS温度产品和SRTM的DEM数据校正阴影对提取结果的影响。通过和利用ETM+影像的水体提取结果对比分析得出:该方法结果较好的体现出河流和湖泊的细节特点,同时在很大程度上消除了阴影影响,面积提取结果具有较高的精度。

7.5μm像元间距红外探测器三维电极的制备与应用

采用现有读出电路电极生长设备和直写式光刻设备开发了三维电极的制备工艺。在制备过程中,首先在读出电路表面制备三维电极,在碲镉汞芯片端生长铟饼,然后通过倒装互连工艺可以实现7.5μm像元间距的1k×1k碲镉汞芯片与读出电路的互连。可变参数包括金属生长角度、生长速率、生长厚度以及金属种类等。经研究发现,通过该工艺制备的7.5μm像元间距的三维电极高度可达到3.8μm,高度非均匀性小于3%,可以经受7.6×10^(-5)N的压力。三维电极的应用,降低了倒装互连工艺对HgCdTe芯片平坦度和互连设备精度的要求,大幅提高了7.5μm像元间距红外探测器的互连成品率。

10μm像元间距1024×1024中波红外探测器研制进展

小像元红外探测器已成为红外探测器技术发展的重要方向,像元尺寸减小可提高红外成像系统的探测和识别距离,降低红外探测器成本,减小系统尺寸、质量和功耗等。本文介绍了国内外小像元红外探测器研制进展,重点介绍了中国电科十一所研制的10μm像元间距1024×1024规模小像元碲镉汞红外焦平面探测器组件。组件为n-on-p平面结构后截止波长5μm、有效像元率达到99%、量子效率达到60%。

混合像元及混合像元分析

由于中低空间分辨率的遥感数据在一个像元中记录了两种以上地类的不同光谱 ,从而获得了两个以上地类的光谱之和以及混合像元 ,当地类破碎时混合像元越多 ,而且在两类以上地类的交界处混合像元最多 .该文模拟不同空间分辨率的遥感图像中混合像元造成的误分类情况 ,同时应用线性模型对混合像元进行了分解提纯 。

农业区域多光谱遥感影像亚像元定位研究

在对亚像元定位空间引力模型改进的基础上,提出了一种基于二次引力计算的亚像元定位模型,并在不同退化尺度下开展基于空间引力模型、像元交换模型和二次引力计算模型的亚像元定位精度比较研究。其中,数据源为人工影像和国产高分一号8 m空间分辨率遥感影像,研究对象为中国北方黄淮海区典型区域夏收作物。结果表明,在不同退化尺度条件下,所提二次引力计算模型(DSGM)可有效进行亚像元定位,且定位精度均优于空间引力模型和像元交换模型。其中,在亚像元分割尺度为6的人工影像实验中,二次引力计算模型亚像元定位总体精度和kappa系数分别为93.90%和0.818,比K-mean硬分类精度分别提高3.76%和0.254,比空间引力模型亚像元定位精度分别提高2.25%和0.160,比像元交换模型亚像元定位精度分别提高2.45%和0.173;在亚像元分割尺度为4的遥感影像实验中,二次引力计算模型亚像元定位总体精度和kappa系数分别为83.13%和0.742,较K-mean硬分类精度分别提高9.50%和0.154,较空间引力模型亚像元定位精度分别提高5.44%和0.088,较像元交换模型亚像元定位精度分别提高6.39%和0.104。

融合简单线性迭代聚类的高光谱混合像元分解策略

高光谱图像中的混合像元问题广泛存在,混合像元的分解效率一直是遥感应用研究的难点和热点。目前成熟的端元提取算法有纯像元指数（pure pixel index,PPI）、内部最大体积法（N-FINDR）、顶点成分分析（vertex component analysis,VCA）、顺序最大角凸锥（sequential maximum angle convex cone,SMACC）、交替最大体积法（alternating volume maximization,AVMAX）、最小体积封闭单形体（minimum volume enclosing simplex,MVES）等,这些算法从图像所有像元中提取纯光谱,具有提取速度慢、精度不高的缺点。为此,该文引入了一种融合简单线性迭代聚类（simple linear iterative clustering,SLIC）超像元分割的高光谱混合像元分解算法。超像元分割技术能够将具有相似特征的相邻像元组成图像块,并保留进一步进行图像处理的有效信息,从而大幅减少参与端元提取的像元数量,为解决上述问题提供了有效的途径。通过试验对比了降维方式（主成分分析和最大噪声分数）、RGB对应关系（6种）、色彩空间RGB（red,green,blue）和LAB（lightness-A-B）、数据格式（JPG,BIN）和算法参数K对高光谱图像超像元分割结果的影响,并进一步分析了SLIC超像元分割结果对2种典型端元提取算法（AVMAX、MVES）产生的不同效果。试验结果表明,随着K值的增大,混合像元分解的时间逐渐增加,均方根误差（root mean square error,RMSE）持平或减少,而JPG（有损压缩）数据格式的时间始终比BIN（无损压缩）数据格式的要短。SLIC＋MVES的RMSE略高于MVES的RMSE,低于AVMAX的RMSE,但时间远小于MVES。当K足够大的时候,SLIC＋MVES的效果就近似MVES的效果了。在大部分情况下,最大噪声分数的降维效果优于主成分分析。以最大噪声分数作为降维方法、以JPG作为数据格式、以LAB作为色彩空间对混合像元分解结果较为有利。另外,SLIC的参数K的取值在5-10之间较为合适。该研究中的SLIC超像元分割算法简单易行,并且提高了混合像元分解的效率,具备很好的实用价值。

多光谱遥感影像亚像元定位的空间引力算法研究

针对遥感影像亚像元定位问题,提出一种基于像元空间引力模型的亚像元定位新算法,算法中像元空间引力的表达在亚像元尺度上建立,能够表达像元间的空间自相关性;亚像元权重参数包括相互吸引的两个相邻像元中地物百分比含量,强化了空间引力模型;用距离函数表达像元间的相互作用在距离上的非线性关系。通过迭代运算优化像元间的引力关系,提高像元的空间自相关性。结合扬州地区2006年6月份的SPOT假彩色合成影像进行试验,在5倍于原图像空间分辨率的尺度下进行了亚像元制图,验证算法的有效性。