模拟绿色植被光谱特征的高光谱伪装材料与技术研究进展

高光谱成像技术对伪装隐身技术提出了新的更高要求。研究绿色植被光谱特征的各种模拟技术,可为解决高光谱成像探测下目标的伪装问题提供新的思路。本文总结了绿色植物在可见-近红外波段以及热红外波段的光谱特征,分析了其在不同波段的光谱特性形成机制,阐述了近年来模拟绿色植被光谱特征的高光谱伪装材料与技术的研究进展,分析了现有高光谱伪装材料与技术的特点及存在的弊端,提出了模拟绿色植被光谱特征的高光谱伪装材料与技术的发展方向和趋势。     

有监督的高光谱图像伪装目标检测方法

针对伪装目标检测问题,提出了一种有监督的高光谱伪装目标检测方法。以植被型伪装目标为研究对象,在分析伪装材料与绿色植被光谱之间特性的基础上,先通过光谱重排、光谱微分以及光谱差异性增强处理,对植被型伪装材料与真实植被（背景）之间的光谱差异进行放大,然后利用主成分分析（PCA）变换进行降维,从而实现了一种适用于大面积植被型伪装目标的高光谱检测方法。实验结果表明,该检测方法在检测时间和检测效果上要优于基于加权的约束能量最小化法（WCM-CEM）和基于非监督目标生成处理的正交子空间投影法（UTGP-OSP）。     

基于高光谱遥感技术的伪装材料的光谱特性分析

通过采集9种常见伪装材料及背景的光谱,进行基于反射率光谱的伪装材料的光谱分析和提取工作,然后对原始反射率光谱曲线和经包络线去除法变换后的曲线进行分析,并利用多种光谱差异算法对光谱数据进行计算,进而对伪装效果进行评估.通过实验得到了在可见光图像上难以区分的几组伪装目标的光谱特征差异,对伪装检测的波段选取及伪装材料的选择提供了参考依据.     

高光谱遥感的发展及其对军事装备的威胁

高光谱遥感融合了光谱分析和成像遥感的优点,可以利用精细光谱特征分析、识别目标的种类和表面状态,给军事装备带来了新的威胁.介绍了高光谱侦察的基本原理和发展概况.分析了高光谱在军事侦察、伪装识别和热红外探测方面的优势,并指出利用植被的光谱特征识别技术可以有效分辨林地背景中的绿色伪装目标;在热红外波段高光谱可以通过探测目标的真实温度和发射率来检测伪装.     

广东省主要人工林树种光谱分类

为了探索不同树种叶片光谱区分的最佳特征波段以及不同树种光谱分类的 性能,利用地物光谱仪对广东省10个主要人工林树种的叶片光谱数进行了采集。采用遗 传算法(Genetic Algorithm, GA)和连续投影变换算法(Successive Projections Algorithm, SPA) 进行了高光谱数据降维处理,然后结合支持向量机(Support Vector Machine, SVM)和随机森林(Random Forest, RF) 两种方法进行了树种分类。研究发现,通过两种变量选择方式筛选的用于树种分类的光谱范围 主要位于近红外波段。其中,经GA算法筛选的变量建模和预测精度与基于全波段光谱数据的分类精 度较为接近,且比经SPA算法变量筛选的分类结果好。通过比较可知,RF算法所建模型的性能比SVM算 法更稳定,且GA-RF算法在几种分类处理中的性能最好。结果表明,GA-RF算法 可用于基于光谱数据的树种分类研究。     

高光谱图像波段子集模糊积分融合异常检测

针对高光谱图像中背景及目标先验知识未知条件下的异常目标检测问题,该文给出一种基于高相关性波段子集分割的模糊积分低概率目标检测融合算法。依据高光谱图像数据的波段相关性将原始高光谱数据分割为若干连续波段子集;利用非参核密度估计得到原假设下各波段子集数据RX检测器输出的概率密度函数,构造出非参隶属度映射函数;利用数据光谱维的特征值定义目标信号噪声能量比(TNER),衡量各波段子集信源检测结果的重要程度;最后,通过Sugeno模糊积分实现波段子集检测结果的决策级融合。使用可见光/近红外波段OMIS-I高光谱图像进行了实验,实验结果证明了算法的有效性。     

基于字典优化的联合稀疏表示高光谱图像分类

针对训练样本量少导致高光谱图像分类精度低的问题,本文提出了一种基于字典优化的联合稀疏表示高光谱图像分类方法。首先,采取基于层次聚类的波段选择方法降低高光谱图像数据维度;其次,结合空间信息将高光谱数据划分为多个子集,利用已知标签信息的训练样本标记各个子集中可能成为训练样本的像元,组成训练样本备选集,根据光谱相似度准则筛选备选集得到优化字典;最后,将优化字典用于联合稀疏表示对高光谱图像进行分类。通过Indian Pines数据集和Pavia University数据集仿真实验表明,本文提出的分类算法能够有效提高高光谱图像分类精度。      

面向高光谱探测的伪装效果评价方法

20世纪80年代发展起来的高光谱成像技术能充分探测并利用地物的光谱信息,有着较强的伪装识别能力,而传统的伪装评价方法主要基于伪装和背景的空间特征,不适用于基于光谱特征的高光谱伪装探测技术。提出了一种面向高光谱探测的伪装效果评价方法。该方法以伪装目标和背景的光谱特征及光谱导数特征的综合相似度为评价指标,综合相似度值越大则说明伪装效果越好。同时通过实验评价了三种伪装材料的伪装效果,其中绿色棉质布料与背景综合相似度为0.976 6,伪装效果最佳。最后在高光谱图像分类技术基础上提出了错分率的概念,验证了评价方法的客观性。所提出的伪装评价方法对于面向高光谱探测的新型伪装材料的设计有一定的指导意义。     

空谱结构保持的高光谱图像分类

高光谱遥感图像具有特征（波段）数多、冗余度高等特点,因此特征选择成为高光谱分类的研究热点。针对此问题,提出了空间结构与光谱结构同时保持的高光谱数据分类算法。考虑高光谱图像的物理特性,首先对图像进行加权空谱重构,使图像的空间结构信息自动融入光谱特征,形成空谱特征集;对利用最小二乘回归模型保存数据集的全局相似性结构的基础上,加入局部流形结构正则项,使挑选的特征子集更好地保存数据集的内在本质结构;讨论了窗口大小和正则参数对分类精度的影响。对Indian Pines、PaviaU和Salinas数据集的实验表明,该算法得到的特征子集的总体分类精度达到93.22%、96.01%和95.90%。该算法不仅充分利用了高光谱图像的空间结构信息,而且深入挖掘了数据集的内在本质结构,从而得到更有鉴别性的特征子集,相比传统方法明显提高了分类精度。     

新型多波段复合植被伪装材料

为满足多波段兼容伪装的需求,采用多种材料合理匹配与多功能层组合结构的方法,制备了一种可实现可见光、红外和雷达多波段兼容的新型复合植被伪装材料。用雷达波屏蔽效能和反射率测试实验对伪装材料的吸波性能进行了测试,用成像法对伪装材料的可见光和热红外伪装性能进行了试验检测。结果表明,研制的伪装材料有良好的雷达波衰减性能,大于5 dB的吸收频宽高达3.9 GHz。植被伪装材料面层纹理、颜色、亮度、热图与背景较为接近,隔热效果明显,具有良好的可见光和红外伪装效果。     

A band selection method of hyperspectral remote sensing based on particle frog leaping algorithm

Dimensionality reduction is becoming an important problem in hyperspectral image classification. Band selection as an effective dimensionality reduction method has attracted more research interests. In this paper, a band selection method for hyperspectral remote sensing images based on subspace partition and particle frog leaping optimization algorithm is proposed. Three new evolution strategies are designed to form a probabilistic network extension structure to avoid local convergence. At the same time, the information entropy of the selected band subset is used as the weight of inter-class separability, and a new band selection criterion function is constructed. The simulation results show that the proposed algorithm has certain advantages over the existing similar algorithms in terms of classification accuracy and running time.     

结合K-L散度和互信息的无监督波段选择算法

波段选择是重要的高光谱图像降维手段。为了达到降维的目的,提出结合K-L散度和互信息的无监督波段选择算法,并进行了理论分析和实验验证。首先选出信息熵最大的波段作为初始波段,然后将散度与互信息量的比值定义为联合散度互信息（KLMI）准则,选择KLMI值大且信息量也大的波段加入波段子集中,选出信息量大且相似度低的波段集合,最终利用k最近邻分类算法实现了基于最大方差主成分分析算法、聚类算法、互信息算法和本文中方法的真实高光谱数据分类实验。结果表明,本文中的算法总体分类精度和κ系数均达到0.8以上,高于其它算法;大多数地物的分类精度均得到提升,具有较好的分类性能。该算法是一种实用的高光谱图像降维算法。     

基于ADE的ReliefF特征选择在高光谱图像分类中的应用

针对高光谱图像谱段数目较多、近邻谱段相关性过高而导致分类困难的问题,提出了一种自适应差分进化特征选择的高光谱图像分类算法.首先初始化种群向量集,利用自适应差分进化算法搜索特征的自适应性生成特征子集;然后,通过使用ReliefF技术根据特征排序去除重复特征,从而为所有的特征构建一个特征列表;最后,借助于模糊k-近邻分类器计算每个向量的分类精度,利用包裹模型评估特征子集.在印第安纳数据集和KSC数据集上的实验结果验证了算法的有效性及可靠性,实验结果表明,相比其他几种特征选择算法,该算法取得了更高的总分类精度和更好的Kappa系数.     

基于波段选择改进的高光谱端元提取方法

为了解决传统N-FINDR算法降维时破坏像元光谱曲线的物理意义这个问题, 采用波段选择方法中的最佳指数法代替特征提取, 改进N-FINDR算法的降维方式; 利用模拟和真实高光谱数据进行实验, 分别用改进的N-FINDR算法与其它两种算法提取端元, 并用全约束最小二乘法解混。结果表明, 改进的N-FINDR算法的解混精度更高, 用时更少。用波段选择代替特征提取改进降维方式, 保留了光谱曲线的物理意义, 在N-FINDR算法中是可行的。     

基于非线性核空间映射与人工免疫网络的高光谱遥感图像分类

提出了一种基于非线性核空间映射人工免疫网络的高光谱遥感图像分类算法.根据生物免疫网络基本原理构建了人工免疫网络模型,利用非线性核函数将高光谱训练样本映射到高维空间,完善了人工免疫网络中目标样本核空间相似性分选方法,降低了人工免疫网络识别样本所需的抗体数量,提升了算法的分类精度和运算效率.为了验证算法的有效性,利用两组高光谱遥感数据将多种高光谱分类方法进行了对比实验.实验表明该算法分类精度和算法运算时间上都有较大改善,是一种分类精度更高、运算速度更快的改进型基于人工免疫网络的高光谱遥感图像分类新方法.     

遗传与互信息混合算法用于水声目标特征选择

特征选择是目标分类的一项重要步骤，直接影响到分类器的设计和性能。本文利用实际水声目标辐射噪声数据，对遗传算法和互信息算法两种特征选择方法分别作了分析。在特征维数较大的情况下，两种方法都需要很长的计算时间，为此，提出一种遗传与互信息混合算法，旨在降低计算时间。最后，分类器用三种选择后的特征子集作为输入进行分类，并与任意选择的特征子集作为输入的分类结果作了比较。     

面向目标检测基于稀疏表示的波段选择方法

随着高光谱成像技术的发展,日益提高的光谱分辨率在提高目标检测和识别能力的同时,其较高的数据维度和较大的数据量也为数据分析和处理带来了很大的挑战.波段选择作为一种有效提高处理效率的技术受到广泛关注,但却鲜有专门针对目标检测设计的方法.针对上述问题,本文在分析约束能量最小化（CEM）检测算法特点的基础上,提出了一种面向目标检测,基于稀疏表示的波段选择方法.该方法首先基于数据的对称KL散度分布情况,将原始高光谱数据划分为若干波段子空间.然后在各子空间内稀疏重构检测结果,利用选择波段与稀疏向量非零项的一一对应关系,通过求解最优化问题实现波段选择.实验结果验证了该方法的有效性.