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     

基于熵加权K-means全局信息聚类的高光谱图像分类

目的 高光谱图像波段数目巨大，导致在解译及分类过程中出现“维数灾难”的现象。针对该问题，在K-means聚类算法基础上，考虑各个波段对不同聚类的重要程度，同时顾及类间信息，提出一种基于熵加权K-means全局信息聚类的高光谱图像分类算法。方法 首先，引入波段权重，用来刻画各个波段对不同聚类的重要程度，并定义熵信息测度表达该权重。其次，为避免局部最优聚类，引入类间距离测度实现全局最优聚类。最后，将上述两类测度引入K-means聚类目标函数，通过最小化目标函数得到最优分类结果。结果 为了验证提出的高光谱图像分类方法的有效性，对Salinas高光谱图像和Pavia University高光谱图像标准图中的地物类别根据其光谱反射率差异程度进行合并，将合并后的标准图作为新的标准分类图。分别采用本文算法和传统K-means算法对Salinas高光谱图像和Pavia University高光谱图像进行实验，并定性、定量地评价和分析了实验结果。对于图像中合并后的地物类别，光谱反射率差异程度大，从视觉上看，本文算法较传统K-means算法有更好的分类结果；从分类精度看，本文算法的总精度分别为92.20%和82.96%， K-means算法的总精度分别为83.39%和67.06%，较K-means算法增长8.81%和15.9%。结论 提出一种基于熵加权K-means全局信息聚类的高光谱图像分类算法，实验结果表明，本文算法对高光谱图像中具有不同光谱反射率差异程度的各类地物目标均能取得很好的分类结果。     

库尔勒香梨感官及理化指标的定量无损检测

目的 利用高光谱成像技术建立库尔勒香梨分级指标的快速检测方法.方法 选择采摘期香梨作为研究样本,以颜色(a*)、硬度(带皮硬度,hardness)和可溶性固形物(soluble solids content,SSC)为研究指标,使用高光谱成像系统采集样本900～1700 nm范围波长的漫反射光谱.提取样本感兴趣区域(r...     

SSCDenseNet:一种空-谱卷积稠密网络的高光谱图像分类算法

基于深度学习的高光谱遥感图像地物分类是目前研究的热点.但由于其参数规模大以及结构复杂,深度网络通常需要大量训练样本和较长训练时间,如何在小规模样本下建立深度学习监督分类模型是需要解决的关键问题.本文提出了一种小规模样本下高光谱图像分类的空-谱卷积稠密网络算法,称为SSCDenseNet,其包含三种新颖的架构策略：（1）空-谱分离卷积,即采取光谱维一维卷积和空间维二维卷积的分离卷积结构构成隐层单元,并通过多个隐层单元堆叠构造深度网络;（2）隐层单元中使用批归一化,减少数据协方差漂移及加速网络训练;（3）隐层单元间构建稠密连接,缓解梯度消失问题并实现特征复用.通过Indian Pines、Pavia University与Salinas数据集进行综合测评,表明该方法优于若干最新深度学习方法,特别在小规模样本下具有优异的分类性能.     

基于贝叶斯自组织映射和高斯混合模型的混合像元分解

提出一种新的对多通道遥感图像进行混合像元分解的方法.该方法将贝叶斯自组织映射算法引入混合像元分解问题中,通过最小化Kullback-Leibler信息度实现高斯参数的估计,并结合高斯混合模型完成解混.为了获得较高的解混精度,要求适当地扩展正态分布的范围,提出了3σ的方差调整方法来解决这一问题.所采用的解混模型自动满足混合像元分解问题所要求的2个约束条件:丰度值非负约束,丰度值和为1约束.实验结果表明,该方法有较好的混合像元分解结果,同时具有较强的抗噪声能力.     

The application of photography in investigating fraud

The impact of fraud on the world economy is significant. As fraud has evolved it has become more organized and increasingly cyber-enabled and committed across borders of law enforcement jurisdictions. The technological demands facing fraud investigators are increasing. Yet, little attention has been given to how forensic photography can help tackle emerging crime types, like fraud. This study reviews literature surrounding forensic photography and provides an up to date and collective narrative. This article focuses on the advancements in photography and how imaging-science techniques can apply to a fraud investigation. Photographic practice plays a key role in many crime investigations but must embrace continual change to ensure that it remains relevant to modern policing. Fresh approaches are essential and practitioners must fully utilize new technologies and adapt to tackle the increasingly demanding scope of fraud types.     

FPGA和多DSP系统的并行RX探测算法

针对高光谱图像异常目标探测过程运算量大、结果不能实时应用的问题,在FPGA和多数字信号处理的硬件平台上实现了RX并行处理算法．结合RX算法的原理与特征,研究了该算法的并行特性;通过计算机仿真验证了RX算法并行化的可行性及特点;该平台通过FPGA完成高光谱图像数据立方体的奇异值分解降维,降低了数据处理量和传输量;通过多数字信号处理完成RX算法的并行化,实现了高光谱图像异常目标探测的快速处理．用该系统处理64波段280×800大小的高光谱图像数据,得到探测结果仅需4.86s,能够满足高光谱遥感应用中异常目标探测的载荷平台在线处理和探测结果的快速获取及应用的需求．     

新型高光谱图像的超分辨率制图方法

由于高光谱图像的应用在很大程度上受限于其较低的空间分辨率,为此提出了一种结合支持向量机和小波变换的高光谱图像超分辨率制图方法．先对高光谱图像进行光谱解混得到分量图,然后对分量图进行一级小波分解．各局域窗内中心像元的3个高频系数与邻域像元低频系数之间的对应关系表示为训练样本,用于支持向量机的学习．训练好的模型用来对低分辨率图像即分量图进行超分辨率制图．实验表明,这种借助小波变换来获取训练样本的学习方法无需先验信息,相比采用BP神经网络学习的方法,支持向量机的超分辨率制图效果更佳．     

一种改进的基于正交子空间投影的高光谱图像异常检测算法

针对背景与目标能量差异较小的高光谱图像异常检测技术需求,提出了一种基于正交子空间投影的异常检测方法：首先利用正交子空间投影抑制背景信息;然后调整噪声,根据空间密度选取决策半径实现异常检测,并对结果进行形态滤波,消除大面积虚警。实验结果表明,本文算法能够检测到能量与背景差异较小的异常,且计算效率较高。     

Graph-Based Dimensionality Reduction for Hyperspectral Imagery: A Review

Hyperspectral image(HSI) contains a wealth of spectral information, which makes fine classification of ground objects possible. In the meanwhile, overly redundant information in HSI brings many challenges. Specifically, the lack of training samples and the high computational cost are the inevitable obstacles in the design of classifier. In order to solve these problems, dimensionality reduction is usually adopted. Recently, graph-based dimensionality reduction has become a hot topic. In this paper, the graph-based methods for HSI dimensionality reduction are summarized from the following aspects. 1) The traditional graph-based methods employ Euclidean distance to explore the local information of samples in spectral feature space. 2) The dimensionality-reduction methods based on sparse or collaborative representation regard the sparse or collaborative coefficients as graph weights to effectively reduce reconstruction errors and represent most important information of HSI in the dictionary. 3) Improved methods based on sparse or collaborative graph have made great progress by considering global low-rank information, local intra-class information and spatial information. In order to compare typical techniques, three real HSI datasets were used to carry out relevant experiments, and then the experimental results were analysed and discussed.Finally, the future development of this research field is prospected.