不同组分比例的高光谱混合象元反射光谱形态特征研究

实验条件下,利用地物多角度二向反射平台及ASD地物波谱仪获取了由清水与荷叶组成的高光谱混合象元反射光谱,通过选择反射光谱形态指标,分析了24组不同组分比例下高光谱混合象元反射光谱形态指标变化规律,并得到以下结论:选择的光谱形态指标之间存在着较大的相关性,按照0.05及以上置信水平和可决系数R2>0.5的条件对光谱形态指标进行剔除,确定了最能体现反射光谱特征的形态指标;不同波段范围内,各光谱形态指标随混合象元成分比例的变化规律有所差异;聚类分析结果表明,纯象元(清水)过渡到混合象元存在临界值,当混合象元组分比例小于此临界值时,主要体现纯象元反射光谱特征,大于临界值时才表现混合象元的反射光谱特征。

一个基于SOFM网络模型的遥感图像分类方法

遥感图像分类一直是遥感研究方面的一个热点问题,也是遥感图像数据挖掘方面的一个重要方面。针对传统神经网络分类的弱点,先根据土地利用图对典型地物的像元值进行取样,然后用监督分类对纯净像元进行提取,最后利用自组织神经网络对剩余混合像元进行分类,从而避免了对纯净像元的误分,而且克服了传统神经网络的不足。利用SOFM网络模型对民乐县的遥感影像进行了分类并和传统的神经网络分类以及对应的土地利用图做了比较,用SOFM网络模型有效地提高了分类精度。为了保证分类精度,对地形和大气做了精校正。

基于高光谱影像的干旱区草地光谱特征分析

基于石羊河流域金昌地区Hyperion高光谱影像,通过FLAASH大气校正,利用纯像元指数法提取草地波谱信息,并运用光谱一阶微分法和连续统去除法进行定量化处理。结果表明,相对于生长旺盛期的草地光谱特征,衰退期草地光谱红边左移,斜率降低,蓝边、黄边特征减弱,可见光波段反射值较高,近红外波段反射率较低;不同覆盖度草地的红边、绿峰、蓝光和红光吸收谷位置保持一致,可见光波段的光谱吸收特征(波段深度、宽度、面积、对称性)随覆盖度的增大呈有规律的变化,可作为提取或判定植被覆盖度的依据。

端元光谱变化与混合像元分解精度的关系研究

从误差传播理论的角度,分析了多选端元光谱、漏选端元光谱以及端元内部光谱变化等情况与混合像元分解精度之间的关系。然后用数值模拟的方式进一步研究了端元内部光谱与限定性混合像元分解精度的关系。研究结果表明:(1)端元光谱间差距越大,端元光谱内差距越小,则混合像元分解精度越高;(2)如果漏选了端元光谱会造成很大的模型误差,然而多选端元光谱却仍然是端元组分的无偏估计。数值模拟结果表明混合像元分解精度与端元类内变化的方差存在负相关的特点。最后就理论推导的结论,讨论了提高混合像元分解精度的可能方法。

亚像元光谱图重建算法

获取高分辨光谱图需要克服探测器空间分辨率低的问题。一个有效解决方案是融合多幅相互间在像面内有亚像元位移的低分辨光谱图为一幅高分辨光谱图。为此提出了平均带限递推亚像元算法。根据亚像元递推公式的双向性,分别沿首-末和末-首两个方向各自递推出一组亚像元值,并将它们的平均值作为最终亚像元值。基于高斯单、双峰的数值实验表明,该方法可有效提高重建亚像元光谱图的精度。

SAM权重法在端元提取中的应用

高光谱遥感的出现使得在宽波段遥感中不可探测的物质能被探测。获得的高光谱数据大都具有数据冗余度高、信噪比低等特点。文章通过idl编程实现高光谱数据的特征提取并利用其做了端元提取流程与光谱解混,及权重法SAM端元提取、混合光谱分解模型及实现。利用SAM权重法能够完成端元提取并最终得到的解混结果。

基于混合像元分解提取小麦种植面积的技术与方法研究

以菏泽市曹县为例,运用线性混合模型,对MODIS遥感数据的混合像元分解技术与方法进行了初步研究。通过MNF变换、散点图以及引入PPI纯净像元指数确定端元组分,并采用最小包含法求取端元组分反射率,而后将4类端元光谱值代入线性模型,用带有约束的最小二乘法求解,得出每种地物类型的百分比丰度以及RMS误差图像,RMS均值小于0.0096,并与TM图像进行对比分析,利用混合像元分解方法可较高精度的提取小麦面积信息。

基于SAM分类方法遥感矿物信息提取研究

阐述了不同波段范围内矿物的成分和诊断特征,根据波谱库中提供的矿物端元纯净像元的波谱曲线特征,利用SAM分类方法提取高光谱影像中的方解石、明矾石、高岭石和伊利石等矿物信息.

应用PCA和ICA法对岩心光谱的定量解译

岩心光谱属于混合像元光谱,维度多、数据量大,在端元数量、端元光谱及混合矩阵未知的情况下,定量解译岩心光谱以提取岩心所含矿物信息难度大,噪声的存在使问题更加复杂。文章应用PCA和ICA法定量解译岩心光谱主要有三步:采用PCA法预处理混合像元光谱矩阵,在新的特征空间中保留特征值较大的少量特征矢量,有效滤除能量较小的成分,只保留主要成分信息,同时滤除数据中的噪声;采用ICA法分离岩心混合像元,得到混合像元中的端元光谱集,通过矿物识别获取岩心矿物成分;对端元光谱进行归一化处理,基于线性光谱混合模型进行丰度反演,得到岩心混合像元中各端元丰度。通过研究仿真数据获得光谱定量解译的一般规律,创建有效的算法模型,再处理实际测量的岩心光谱,获得了比较理想的结果。

阴离子对银胶光谱学性质的影响

借助紫外-可见吸收光谱和共振散射光谱技术,研究了几种阴离子的加入对"化学纯"银胶的光谱学性质的影响。研究发现,阴离子的加入会发生离子在银胶表面的吸附和胶体的聚沉作用,造成等离子体共振吸收的下降和长波区新峰的出现;同时,其共振散射峰也发生了规律的变化。比较这些实验现象,再接合相应的理论分析,解释了不同的阴离子和胶体间不同的作用方式和造成这些差别的可能原因。

中心波长的改变对色散型拉曼光谱仪测量精度的影响

考虑拉曼频移的精确度对分析样品结构及内部的应力和掺杂等起至关重要的作用,研究了中心波长的改变对拉曼光谱仪测量精度的影响。首先通过研究拉曼散射光的波长与CCD像素的位置的对应关系,从理论上解释了中心波长的改变对拉曼光谱仪测量精度的影响。其次,以TiO_2粉末为实验对象,采用拉曼光谱仪在不同的中心波长下测其拉曼谱峰。实验结果表明:测量中更改不同的中心波长,即采谱范围的变化使测得的拉曼频移精度较差,标准偏差接近4cm^(-1);采谱范围变化后,光谱仪先经标准硅样校准测其拉曼频移精度较高,标准偏差小于1.5cm^(-1)。

液态纯牛奶的3维荧光光谱特性与成分分析

为了能够快速检测牛奶质量问题,采用3维荧光光谱和多峰拟合成分的方法,对纯牛奶的3维荧光光谱的特征及其主要成分进行了分析研究。结果表明,激发光谱在250nm～310nm范围,最佳激发波长在290nm附近;发射光谱主要在285nm～500nm,具有较强的荧光,荧光峰在330nm附近。液态纯牛奶的荧光光谱主要由5个谱峰(Ⅰ～Ⅴ)组成,其中峰Ⅰ是乳糖影响下部分蛋白质的荧光、峰Ⅱ为脂肪和VE共同产生的、峰Ⅲ为蛋白质直接所为、峰Ⅳ是其它成分影响下的蛋白质的荧光、峰V是VA,VB_1和VB_6等微量元素共同产生的。研究结果可为液态纯牛奶的荧光光谱检测技术研究提供实验和理论依据。

基于实测光谱对喀斯特地区土地覆盖类型丰度提取

利用线性光谱模型对土地覆盖类型相对复杂的喀斯特地区进行混合像元分解。以贵州省镇宁县为研究区域,基于实测光谱信息,以Landsat TM8影像为信息源,选取裸土、裸岩、绿色植被、干枯植被为端元,利用线性分解模型提取地类覆盖信息,计算端元覆盖面积。通过对丰度图像的归一化植被指数(NDVI)值与TM8经过缨帽变换的NDVI值进行回归分析,验证端元选取精度,得到R2>0.85。研究表明:在喀斯特山区,利用实测光谱混合像元分解,有效提取植被、裸岩、裸土丰度,提高土地覆盖分类精度的方法是可行的。

坏像元对复原光谱影响的修正方法

由于傅里叶变换成像光谱仪探测器中坏像元的存在 ,使得复原光谱产生失真。本文分析了探测器中不同位置处坏像元对复原光谱的影响 ,给出分析结果 ,并采用光谱维与空间维三次样条数据插值加权平均的方法消除这种影响 。

采用PPI算法改进的一种数学形态学端元提取方法

自动形态学端元提取(automated morphological endmember extraction,AMEE)算法将结构元素内最纯像元与混合度最大的像元之间的光谱角距离定义为形态学离心率指数(morphological eccentricity index,MEI)来定量化地表示像元的纯净度。然而作为参考标准的混合度最大的像元在不同的结构元素内也是不同的,尤其是当结构元素内的纯净像元占大多数时,像元的均值光谱将更接近纯像元,此时像元的MEI越高,纯度反而越低。针对这一问题,本文提出一种像元纯度指数(pure pixel index,PPI)算法与AMEE算法相结合的端元提取算法PPI-AMEE。在结构元素内,利用PPI指数代替AMEE算法中的MEI指数来寻找最纯像元。变换结构元素时,只有最纯净的像元始终能够投影到随机生成的直线的两端,其PPI值会不断累计增大,而其他像元的PPI值则无法持续增大。累计记录每个像元的PPI值,直至满足迭代终止条件,最终形成一幅PPI图像,端元将在PPI值较大的像元中选取。PPI-AMEE算法只在相对较小的结构元素内运行PPI算法,然后再结合数学形态学中的膨胀操作对整幅图像进行处理,其同时兼顾了图像的光谱信息和空间信息。最后,采用模拟数据及美国内华达州Cuprite地区的机载可见光/红外成像光谱仪(airborne visible infrared imaging spectrometer,AVIRIS)高光谱数据对提出的PPI-AMEE算法进行试验验证。试验结果表明,PPI-AMEE算法的端元提取精度总体上优于AMEE算法和PPI算法。

一种改进的顶点成分分析端元提取算法

顶点成分分析算法需要预先提供端元数目,端元数目正确与否对结果会产生较大影响,其算法在实际应用中多次运行的结果不稳定。针对上述缺点提出了一种改进的顶点成分分析端元提取算法。该方法在n维光谱空间中生成n个彼此正交的单位向量,在此基础上生成与之具有一定夹角的单位向量,将光谱空间中的像元点分别投影在单位向量上以获取端元。结果表明改进的顶点成分分析端元算法提高了端元提取结果的稳定性。

采用分段主成分和PPI的高光谱影像分类

高光谱遥感影像波段多且存在混合像元,特征提取以及端元提取都是高光谱影像分类必不可少的工作,分类方法的选择也是因地适宜。以福建省泉州市德化县下属某一地区的CASI影像为实验数据,基于分段主成分(segmental principal component analysis,SPCA)和纯净像元指数法(pure pixel index,PPI),提出了最小距离(minimum distance classification,MDC)和二进制编码(binary encoding,BE)的高光谱影像分类方法。实验结果表明,MDC的总体精度为69.71%,BE的总体精度为70.88%。对单一地物精度而言2种方法各有其长,MDC对道路的分类精度更高,为98.08%;而植被、耕地和水体采用BE方法的分类精度更高,分别为94.12%、98.08%、98.11%。本文提出的方法应用于CASI高光谱影像,对该研究区的地物分类研究有一定的实用性和参考价值。

Cotton pixel identification with CBERS-02 CCD data based on spectral knowledge

In this paper the in-situ experiment data are collected from the Spectral Library to estimate the possible values of the primary structural parameters in each cotton growing season by statistics. Based on these values the spectra of the cotton major growing seasons were simulated and analyzed using the canopy reflectance model, SAILH. In this way we also simulated the cotton pixel spectra corresponding to CBERS-02 CCD and took them as the reference spectra for spectra fitting. Then No.143 Regiment of No.8 Agricultural Division of Xinjiang Production and Construction Corps (XPCC) was chosen as the study area, and two spectra fitting methods, Mahalanobis distance and spectra angle, were used to identify cotton pixel from CBERS-02 CCD image of the study area. At last we analyzed the effect of the calibration coefficients error on cotton identifying. The results showed that within 4% error the spectral angle classifier can still have a good performance.

基于Backfolding的纯净质谱数据提取算法

混合物样品经过GC-MS系统分析,其中保留时间接近的物质经过色谱后不能被完全分离,导致成分的谱峰重叠,得到的质谱图会包含共流出物的干扰,最终将导致定性分析的准确率和可靠性降低[1]。本文采用基于Backfolding算法提取纯净的质谱谱图。该算法是基于矩阵的算法,首先将原始GC-MS数据表示为矩阵形式,然后将矩阵中相邻扫描质谱图相减,得到的正值和负值的绝对值分别保存在单独的数据集中,相减操作能够去除一些随扫描时间变化较小的噪声干扰。之后,分别对相减得到的两个数据集进行移位操作并重新相加组合成一个矩阵,重新组合的数据的色谱分辨率会有明显的提高[2-4]。最后将新合成的矩阵经过一系列的矩阵运算,可以得到代表纯净成分的质谱数据的矩阵[5-7]。

纯铜中铋、锑、砷、铁、镍、铅、锡、锌的光谱定量分析

本文介绍了一种光谱定量分析方法。该方法使用ＢＹＧ０１－１氧化铜光谱标准样品，对１－４号纯铜中铋、锑、砷、铁、镍、铅、锡、锌８个杂质元素进行定量分析。分析方法简单，测定结果与化学结果基本相符。方法的测定下限为３×１０￣（０６）。