（英）显微高光谱成像的皮肤黑色素瘤浅表扩散深度识别方法

研究了基于显微高光谱图像的皮肤黑色素瘤浅表扩散深度检测方法.首先使用核最小噪声分割、形态滤波和边缘检测实现颗粒层的分割,然后使用基于特征谱监督的最小二乘支持向量机实现恶性黑色素细胞的检测,最后定量化计算了皮肤黑色素瘤的扩散深度.实验结果表明,可以为皮肤黑色素瘤的浅表扩散提供定量化的参考指标,有利于皮肤黑色素瘤的病理诊断.     

基于机器学习的深圳市坝光湿地园树种高光谱分类

高光谱遥感数据为树种的精细识别提供了可能。为探索高光谱数据在树种识别中的能力,本研究基于深圳市坝光古银叶树群落的8种主要树种叶片高光谱数据,比较了6种光谱预处理方式和2种分类方法对树种分类识别精度的影响,并基于随机森林算法对不同树种识别的特征波段进行了识别。研究结果表明,一阶导数预处理方法在分类识别中性能最好,平均分类精度为76.65%;随机森林回归方法较支持向量回归算法的性能好,模型平均分类识别精度为73.07%。从混淆矩阵可以看出,多毛茜草、银柴、阴香易错分为假萍婆,鸭脚木与银柴易错分,银叶树和细叶榕易错分。400 nm、495 nm、615～675 nm、835 nm、915～975 nm、1035～1065 nm、1085～1135 nm、1265～1275 nm、1425～1535 nm、2040 nm、2100～2270 nm、2430 nm附近的光谱数据与8个树种分类识别有密切关系。     

近红外光谱检测技术在塑料分选中的应用进展

近红外光谱检测技术(NIRS)在塑料分选中的应用旨在对塑料种类与组份进行识别,从而提高回收效率最终实现资源的综合利用。本文首先介绍传统塑料分选技术发展;其次概述近红外检测技术原理与其在塑料领域的应用现状;最后对在塑料分选领域应用前景进行了总结与展望。在塑料分选领域,近红外光谱检测技术相比传统的物理和化学检测方法,具有快速、无损、高效等明显的优势,可通过实时、在线检测,定性与定量的方式对未知样品进行识别与分选。尽管该技术在一些实验研究中已经取得了显著的阶段性成果,但在实际工程应用特别是检测的精准度,外延新的应用场景等方面仍需进一步研究和优化。     

基于近红外高光谱成像技术的长枣含水量无损检测

利用近红外(NIR)高光谱(900～1700nm)成像技术对灵武长枣含水 量的无损检测进行了研究。通过900～1700nm 高 光谱成像系统采集了128个长枣图像,对原始光谱与Savitzky-Golay 平滑处理后的光谱反 射率R曲线、吸收率A曲线和Kubelka-Munk函数(KM )等曲线的偏最小二乘回归(PLSR)模型进行对比分析;采 用PLSR的加权β系数分别提取不同光谱参数下的特征波长,建立R-PLSR、A-PLSR和KM-PLSR的长 枣 含水量预测模型。结果表明,采用原始光谱建立的PLSR模型优于Savitzky-Golay平滑的PLS R模 型;原始光谱的特征波长建立的PLSR模型优于全波段的PLSR模型,特征波长建立的KM-PLSR模型优于R- PLSR、A-PLSR模型,决定系数(R²)和预测均 方根误差(RMSEP)分别为0.793、1.828。这表明,NIR 高光谱成像技 术提取特征波长进行长枣水分检测是可行的,同时也为今后长枣品质在线检测提供了理论依 据。     

基于近红外高光谱成像技术的长枣含水量无损检测

利用近红外(NIR)高光谱(900~1 700nm)成像技术对灵武长枣含水量的无损检测进行了研究。通过900~1 700nm高光谱成像系统采集了128个长枣图像,对原始光谱与Savitzky-Golay平滑处理后的光谱反射率R曲线、吸收率A曲线和Kubelka-Munk函数(KM)等曲线的偏最小二乘回归(PLSR)模型进行对比分析;采用PLSR的加权β系数分别提取不同光谱参数下的特征波长,建立RPLSR、A-PLSR和KM-PLSR的长枣含水量预测模型。结果表明,采用原始光谱建立的PLSR模型优于Savitzky-Golay平滑的PLSR模型;原始光谱的特征波长建立的PLSR模型优于全波段的PLSR模型,特征波长建立的KM-PLSR模型优于R-PLSR、A-PLSR模型,决定系数(R2)和预测均方根误差(RMSEP)分别为0.793、1.828。这表明,NIR高光谱成像技术提取特征波长进行长枣水分检测是可行的,同时也为今后长枣品质在线检测提供了理论依据。     

空间高光谱成像通道可编程技术

随着光学、信号处理和焦平面探测器等基础技术的不断发展,当今在空间运行的高光谱成像仪已可以达到几十至几百个波段,并且具有相当高的信噪比和动态范围,但一般仪器由于数据量偏大,导致遥感作业效率偏低,这在一定程度上限制了它的应用范围,而且高光谱通道数的提高与空间平台的数据传输资源之间的矛盾日益突出.为此,介绍了空间高光谱成像系统中的通道可编程技术,可以较为有效地克服数据传输问题.     

红外高光谱遥感成像的技术发展与气体探测应用（特邀）

相对可见光和短波红外谱段来说,在红外谱段进行高光谱遥感成像具有独特优势,特别是在资源勘查、地表环境监测、大气环境监测、军事侦察方面。尽管当前红外高光谱成像仪主要以机载为主,还未实现星载,然而国内外相关机构从未放弃推进红外高光谱遥感的星载化。文中首先分析了国内外典型的红外高光谱成像仪的设计、实现与技术指标,从光谱分辨率、空间分辨率、辐射分辨率三个核心指标总结了现有红外高光谱成像仪的技术特点、存在问题和解决途径。未来很长的一段时间内,红外精细分光、低暗电流焦平面探测器、低温光学与背景抑制仍然是红外高光谱成像仪研制所要解决的核心问题。在此基础上,文中重点介绍了在远距离气体探测方面的应用,并分析了其独特优势。最后,展望了红外高光谱成像技术的发展方向。     

基于分类的高光谱图像压缩算法

高光谱图像庞大的数据量给存储与传输带来巨大挑战,必须采用有效的压缩算法对其进行压缩。提出了一种基于分类的高光谱图像有损压缩算法。首先利用C均值算法对高光谱图像进行无监督光谱分类。根据分类图,针对每一类数据分别采用自适应KLT(Karhunen-Love transform)进行谱间去相关;然后对每个主成分分别进行二维小波变换。为了获得最佳的率失真性能,采用EBCOT(Embedded Block Coding with Optimized Truncation)算法对所有的主成分进行联合率失真编码。实验结果表明,所提出算法的有损压缩性能优于其它经典的压缩算法。     

可见近红外高光谱快速诊断番茄叶片含水量及其分布

基于可见近红外高光谱建立番茄叶片水分含量快 速诊断模型,对不同光谱处理及建模进行优选, 对水分含量分布进行可视化研究。结合阈值法采集不同生长期192个 番茄叶片感兴趣区域光谱信息进行预 处理比较,分析β权重系数法、连续投影算法(SPA)、无信息 变量消除(UVE)、竞争自适应加权算法(CARS) 及UVE-SPA、CARS-SPA组合方法特征波长优化方法,利用提取特征波长对多元线性回归(MLR)、主成分回 归(PCR)及偏最小二乘回归(PLSR)水分含量建模方法进行有效性评价,优化出最佳组 合模型,采用特征 图像光谱反射权重系数实现叶片含水量及其分布的可视化,解析叶片含水量光谱响应特性。 最终确立 Baseline为最佳波段预处理方法,全波段建模预测集相关系数R_p 达0.97;提取特征波长后,Baseline-CARS-MLR 为叶片水分含量预测最佳模型,预测集相关系数R_p为 0. 95,预测集均方根误差RMSEP为0.042。基于高光 谱成像技术快速评估叶片水 分含量具有一定优势,为活体番茄植株生长水分亏缺状况实时评估及智能化灌 溉技术提供理论依据。     

航天高光谱遥感应用研究进展(特邀)

近年来随着高光谱成像技术的快速发展,航天高光谱遥感数据在各领域应用研究中取得了良好的发展与突破。文中回顾了国内外航天高光谱成像技术的发展历程,介绍了有代表性的航天高光谱成像仪的主要应用技术指标,较为系统地总结和分析了近五年来航天高光谱遥感数据在国土资源、农林遥感、海洋湖泊遥感、城市环境、灾害监测及其他方面等各领域的最新应用研究进展。对基于AI技术的高光谱信息提取与应用、基于高光谱遥感的多源数据融合与应用以及面向深空探测领域的高光谱数据分析与应用等发展趋势做了展望,未来航天高光谱成像仪技术的进一步突破和应用研究需求的牵引将会推动高光谱应用领域更大范围的创新与发展。     

针对高光谱图像的目标分类方法现状与展望

进入21世纪,遥感技术成为一项非常重要的空间成像技术。高光谱图像分类是遥感技术应用中非常重要的一项研究内容,在民用和军用上都实现了应用。高光谱图像分类是通过给每个像元添加分类标签,最终达到区分地物并且识别目标的目的。本文简要阐述了高光谱图像的分类过程及其面临的主要问题;在总结前人研究的基础上归纳了4类主要的高光谱图像分类策略,简要分析了其优缺点及适用范围;分析了近年来出现的新型分类器及其优化方法。最后,对于高光谱图像分类研究存在的主要困难进行了总结,并对未来发展的方向进行了展望。     

航天高光谱成像技术研究现状及展望

自1997年8月23日首颗高光谱卫星LEWIS发射以来,航天高光谱成像技术走过了15年的路程,我国在该领域的技术也取得了跨越式的发展。当前我国正按照国家中长期科技规划,努力构建下一代高分辨率对地观测系统,深入全面地总结过去若干年的航天高光谱成像技术发展情况,并分析发达国家的发展计划,对制定我国的航天高光谱成像技术发展战略具有重要意义。从当前的主流高光谱分光技术、应用情况和发展趋势三个方面进行了全面的分析总结,认为民用高光谱成像系统应该朝着宽幅、定量化和应用细分的方向发展;军用高光谱成像系统的发展重点应该是高空间分辨率、宽波段以及快速信息处理技术。     

红外高光谱成像的光谱聚焦

文中将光学系统中能量聚焦的概念引申至光谱维,提出在红外高光谱成像系统中通过信号处理获取感兴趣目标与其环境的光谱特征差异,结合调控目标函数得到光谱聚焦调控参数,进而控制成像系统中的可调谐部件自适应调谐到最有利于探测和识别的若干个光谱通道,实现光谱聚焦。文中提出了一种可实现光谱聚焦的系统构型,重点探讨了光谱聚焦的机制和实现途径,给出了关键分系统的技术方案。利用光谱聚焦可以实现光谱自适应探测,提高光谱成像信息利用效率,降低信息处理的资源需求,有助于提高系统的实时性和小型化,对于弹载、无人机载等高实时性、无人参与的应用具有十分重要意义。     

高光谱技术在血迹分类识别中的应用

利用高光谱技术对血迹种类进行无损识别研究。采用小波变换技术对400~950 nm之间的原始光谱进行去噪处理,并对处理后的光谱进行特征波段选择,建立全波段和特征波长下的血迹种类识别模型。结果表明,利用特征波长与支持向量机(SVM)结合建立的血迹种类识别模型的识别准确率及识别时间分别为98%和0.2 s,优于全波段建立的模型。研究表明,采用高光谱技术对血迹种类识别是可行的。     

基于光谱注意力图卷积网络的高光谱图像分类

近年来,图卷积网络因其特征聚合的机制,能够同时对单个节点以及近邻节点的特征进行表示,被广泛应用于高光谱图像的分类任务。然而,高光谱图像(HSI)中常存在波段冗余、同物异谱等问题,使得直接利用原始光谱特征构建的初始图可靠性不足,从而导致高光谱图像的分类精度低。为此,该文提出一种基于光谱注意力图卷积网络(SAGCN)的高光谱图像半监督分类方法。首先,利用注意力模块对光谱的局部与全局信息进行交互,以增加重要光谱的权重、减小冗余波段以及噪声波段的权重,从而实现光谱的自适应加权;然后,针对光谱加权处理后的高光谱图像,通过空间-光谱相似性度量构建更为准确的近邻矩阵;最后,通过图卷积对标记和无标记样本进行有效的特征聚合,并使用标记样本的聚合特征训练网络。在Indian Pines, Kennedy Space Center和Botswana 3个真实高光谱图像数据集上的实验结果验证了所提方法的有效性。     

日光诱导叶绿素荧光高光谱成像仪研究(特邀)

研究了一种可用于植被日光诱导叶绿素荧光遥感的高光谱成像仪样机,用以满足对植被微弱荧光辐射探测的高信噪比、高光谱分辨率的科学探测需求。根据荧光与太阳夫琅禾费线的作用探测机理,结合探测科学需求分析完成了具备高性能的光学系统设计。系统工作波段为670~780 nm的可见-近红外谱段,可覆盖植物受太阳光照射而产生的荧光辐射特征波长;系统数值孔径为0.25,这种大通光能力可确保系统具备足够的信噪比;系统光谱分辨率优于0.3 nm,并同时具备良好的成像质量。样机的初步结果完全满足设计要求,该研究将为我国未来日光诱导叶绿素荧光高光谱成像探测提供一种有力的手段。     

基于高光谱成像技术的水质监测系统设计

对传统水质监测系统进行改造,利用高光谱成像技术与物联网技术结合,设计了一款基于高光谱成像技术的水质监测系统,用非接触方式完成对某一水域实时的水质监测,上位机软件设计完成了水质数据的实时显示,同时用深度学习算法设计了水质参数变化的预测模型,该模型可根据水质参数的变化预测未来水质变化趋势、提供水质预警等功能。     

乐山茶叶的近红外光谱分类识别

以乐山产正品竹叶青、劣质竹叶青和峨眉山毛峰为研究对象,提出了一种基于近红外光谱的不同茶叶品种分类识别算法.该算法采用多元散射校正(Multiplicative Scatter Correction,MSC)对3种茶叶的近红外光谱数据进行预处理,最大限度地扣除光谱数据中的随机变异;再采用主成分分析算法(Principal Component Analysis,PCA)对预处理后的光谱数据进行降维,去除冗余;接下来进行线性判别分析(Linear Discriminant Analysis,LDA),进一步提取特征;最后采用K_近邻算法(K_Nearest Neighbor,KNN)对LDA结果的前两个特征进行分类,从而达到对茶叶进行定性分类的目的.实验结果表明,该算法能有效地对3种茶叶进行分类,正确识别率达到100％.本研究为不同品种茶叶的分类识别提供了一种新思路.     

基于神经网络的典型地物的偏振多光谱图像分类（特邀）

相比传统的多光谱成像探测,偏振多光谱成像探测方法可以探测目标表面的粗糙度、含水量等更多信息,给目标检测带来了很大便利,但目前主要用于目标探测,尚未广泛应用于目标分类。BP神经网络是目前常用的一种典型神经网络,可以建立从端到端的映射,在训练样本集足够大的前提下,训练完毕且效果良好的神经网络是一种高效、精确、快速的工具。首先,利用基于旋转偏振片和滤波片的偏振光谱成像探测系统获取了典型地物的偏振多光谱图像,对图像进行了预处理,建立了数据集;其次,在该数据集上进行了神经网络的训练,训练后的神经网络可以处理未知的偏振多光谱图像,并实现了对几种典型地物的分类;最后,对神经网络分类的效果进行了评价,并与其他几种典型分类方法的效果进行了对比,发现神经网络方法具有更好的分类精度和效果,相比典型的最大似然分类算法,其总体分类精度可从91.7%提升至94.2%,Kappa系数可从0.851提升至0.898。研究结果表明:基于神经网络的偏振光谱图像分类方法对于改进和优化现有的偏振多光谱图像数据处理方法具有一定的研究意义。