一种无监督高光谱图像分类算法

为了实现对无任何先验知识的高光谱遥感数据的全自动分类,提出了一种关于高光谱图像的无监督分类算法。该算法将高光谱图像的凸面几何特征与光谱特征相结合,通过自动提取端元,并利用所提取的端元进行类别识别来实现高光谱图像的自动分类。此算法的特点是原理简单、易于实现、适应性广,而且不需要任何辅助支持和人工干预。实验结果表明,该算法能够获得较好的分类效果。     

基于3维上下文预测的高光谱图像无损压缩

如今高光谱数据的有效压缩已成为遥感技术发展中需要迫切解决的问题,为了对高光谱数据进行有效压缩,提出了一种基于3维上下文预测的高光谱图像无损压缩算法。该算法首先根据相邻波段间的相关性大小进行波段分组,同时对各个分组重新进行波段排序;然后采用自适应波段选择算法对高光谱图像进行降维,再利用k-means算法对降维后的波段谱向矢量进行聚类;最后在参考波段和当前波段中通过定义3维上下文预测结构,在聚类结果的基础上,对各个分类分别训练其最优的预测系数。实验结果表明,该方法可显著降低压缩后图像编码的平均比特率。     

基于测地线距离和正交投影的端元提取算法

端元提取是高光谱遥感图像混合像元分解的关键步骤。传统线性端元提取方法忽略了像元内地物的非线性混合因素,制约了混合像元分解精度的提升。针对高光谱图像数据的非线性结构,提出一种基于测地线距离的正交投影端元提取算法,将测地线距离引入端元单体提取过程,利用正交投影方法逐个提取端元。为了降低测地线距离计算量,在端元提取前先利用自动目标生成方法和无约束最小二乘法对原始高光谱数据进行数据约减。模拟和真实高光谱图像实验表明,该方法能够表征光谱数据中非线性因素,端元提取结果优于传统自动目标生成端元提取方法。     

基于Hessian图正则稀疏NMF的高光谱解混

基于非负矩阵分解(Nonnegative Matrix Factorization, NMF)的高光谱解混(Hyperspectral Unmixing,HU)方法引起了大家的关注,因为可以将一个非负高光谱图像(Hyperspectral Imagery, HSI)数据矩阵分解为两个非负矩阵的乘积,分别对应于端元矩阵和丰度系数矩阵。目前,图约束的NMF算法已经被证明对高光谱解混是有效的,因为它们可以捕获HSI的几何特性。为了挖掘数据在混合过程中的几何结构和稀疏性,提出了一种稀疏的Hessian图正则化NMF(SHGNMF)算法。SHGNMF算法是将丰度矩阵的L1/2正则化器和Hessian图正则化项都添加到每个NMF模型中,同时采用乘法更新规则。最后用模拟数据和真实数据进行实验,验证了所提出的SHGNMF算法相对于其他NMF算法的优越性。     

基于高光谱激光雷达的滞尘叶片光谱特征分析

城市绿植为城市生态系统提供自净功能, 起到净化空气以及滞尘降尘等多种环境保护作用, 而滞尘等因素也 会对绿植产生影响。为了研究滞尘对城市绿植叶片光谱特征的影响, 采集了四种常绿绿植 (八角金盘、石楠、香樟和 玉兰) 叶片样本, 使用高光谱激光雷达系统获取高光谱点云数据, 分析了滞尘对叶片光谱特征的影响。分析结果表明: 对于不同种类叶片, 滞尘对可见光波段反射率均有较大影响; 对于同种类叶片, 滞尘对近红外波段的反射率差异影响 较大, 可见光波段的反射率差异为 1.21%∼3.41%, 近红外为 1.76%∼8.49%; 线性四点内插法计算和光谱导数分析表明 滞尘对四种叶片的红边位置无显著影响; 四种叶片的叶面水含量指数 (LWI) 对滞尘的响应程度最小 (均小于 3.7%), 而 比值植被指数 (RVI) 对滞尘的响应程度最大 (除香樟外, 均大于 20.0%), 红边指数 (SDr)、简单比值指数 (SR) 和叶面叶 绿素指数 (LCI) 的响应程度稳定性较差。进一步建立了滞尘植被指数和响应程度的线性相关性拟合模型并进行了检 验, 其中以 LCI 为自变量建立的模型为最稳定拟合模型, 可表示为 y = −1.527x + 0.6597, 决定系数约为 0.88。     

绝缘子污秽等级的高光谱特征优化识别技术研究

为解决传统污秽检测方法对输电线路绝缘子污闪防治的局限性,采用非接触式、高分辨率的高光谱成像技术对污秽在线检测技术进行研究。为有效提取反应污秽度的光谱特征并削弱冗余与干扰信息的影响,提出一种小波包能量谱特征优化的绝缘子污秽等级识别技术。首先,对不同污秽度的绝缘子样品的光谱图像进行背景分割,提取均匀覆污区像素点光谱均值曲线;其次,对不同图像的光强均匀度差异、环境噪声进行预处理,并通过导数变换提升不同污秽等级间的可区分性。再次,对预处理后的谱线进行小波能量谱特征提取。最后,基于所提特征建立基于支持向量机(support vector machines, SVM)的污秽等级识别模型。实验结果表明,相比于采用全波段数据或PCA特征数据作为输入,基于小波能量谱特征建立的支持向量机(SVM)污秽等级识别模型对样品识别准确率达到99.8%。#$NL关键词：关高光谱成像;绝缘子污秽等级;小波包能量谱;支持向量机#$NL中图分类号：TM933     

基于约束空间光谱联合的亚像素定位方法北大核心CSCD

针对高光谱遥感图像,提出了一种约束空间光谱的亚像素定位方法。传统的亚像素定位方法以解混的结果作为输入,可能无法充分利用高光谱图像丰富的光谱信息。本文所提出的基于约束空间光谱联合的亚像素定位方法(constraint spatial-spectral subpixel mapping,CSSSM),利用下采样将像素丰度与亚像素丰度显式联系起来,代入线性解混模型得到亚像素丰度求解的新模型。在求解过程中,通过添加稀疏性约束与平滑性约束,以限制亚像素丰度的解空间,亚像素丰度求解更精确。其中,针对亚像素丰度稀疏性先验采用重加权1范数作为新的约束,并自适应地更新权重;针对亚像素丰度空间先验信息则采用全变分(total variational,TV)正则化作为约束,然后使用乘法迭代算法求解亚像素丰度,最后利用赢者通吃的策略进行类别确定。在两个合成数据集上进行了实验,结果表明,本方法能够进一步提高亚像素定位的精度。     

Analytical‐Based Methodologies for Examining the In Vitro Absorption,Distribution, Metabolism,and Elimination (ADME) of Silver Nanoparticles

The clinical applications of silver nanoparticles (AgNPs) remain limited due to the lack of well‐established methodologies for studying their nanokinetics. Hereby, the primary goal is to adapt a suite of analytical‐based methodologies for examining the in vitro absorption, distribution, metabolism, and elimination of AgNPs. Vero 76 and HEK 293 cells are exposed to ≈10‐nm spherical AgNPs⁺ and AgNPs^? at relevant concentrations (0–300 µg mL^?1) and times (4–48 h). Absorption: Inductively coupled plasma optical emission spectroscopy (ICP‐OES) demonstrates that the two AgNP formulations are not bioequivalent. For example, different bioavailabilities (C _maximum < 20.7 ± 4% and 6.82 ± 0.4%), absorption times (T _maximum > 48 and ≈24 h), and absorption rate laws (first‐ and zeroth‐order at 300 µg mL^?1) are determined in Vero 76 for AgNPs⁺ and AgNPs^?, respectively. Distribution: Raman and CytoViva hyperspectral imaging show different cellular localizations for AgNPs⁺ and AgNPs^?. Metabolism: Cloud point extraction (CPE)‐tangential flow filtration (TFF) reveal that ≤ 11% ± 4% of the administered, sublethal AgNPs release Ag⁺ and contribute to the observed cytotoxicity. Elimination: ICP‐OES‐CPE suggests that AgNPs are cleared via exocytosis.     

Semisupervised dimensionality reduction for hyperspectral images based on the combination of semisupervised learning and metric learning

This paper presents a semisupervised dimensionality reduction (DR) method based on the combination of semisupervised learning (SSL) and metric learning (ML) (CSSLML-DR) in order to overcome some existing limitations in HSIs analysis. Specifically, CSSML focuses on the difficulties of high dimensionality of hyperspectral images (HSIs) data, the insufficient number of labelled samples and inappropriate distance metric. CSSLML aims to learn a local metrics under which the similar samples are pushed as close as possible, and simultaneously, the different samples are pulled away as far as possible. CSSLML constructs two local-reweighted dynamic graphs in an iterative two-steps approach: L-step and V-step. In L-step, the local between-class and within-class graphs are updated. In V-step, the transformation matrix and the reduced space are updated. The algorithm is repeated until a stopping criterion is satisfied. Experimental results on two well-known hyperspectral image data sets demonstrate the superiority of CSSLML algorithm compared to some traditional DR methods.     

不同油蒿树势的光谱分析

以宁夏灵武油蒿主要分布区为研究地,野外调查并获取了健康及受钻蛀性害虫危害后油蒿冠层光谱的反射率,并应用一阶微分方法处理光谱反射率进行研究。研究表明,健康油蒿受到钻蛀性害虫危害后,具有明显的＂红边＂蓝移现象,同时,利用高光谱数据监测虫害发生是可行的,而且对植株本身不造成任何伤害。该研究为荒漠灌木林是否可利用高光谱数据来进行钻蛀性害虫监测提供了基础。