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。

由于具有光谱分辨率高、图谱合一的巨大优势,高光谱成像技术近四十年来发展显著。当前机载和星载高光谱搭载平台可覆盖大范围的地球表面,是遥感技术发展以来最重大的科技突破之一。它们在伪装揭露、**生产调查、**使用探测、近海监测和反潜等**领域得到了成功应用,并获得了显著的**效果。回顾了国内外高光谱成像仪的发展历程,同时总结分析了航空航天高光谱成像仪的主要特点。

神经网络的注意力机制可以从数据中提取关键信息,将这一特性运用在高光谱波段选择上有助于充分学习波段之间的相互依赖和非线性关系,提取更重要的波段。提出了一种基于注意力机制的多目标优化高光谱波段选择算法。首先,利用注意力模块和自编码器构建网络;然后,将一维光谱数据作为网络输入,采用两种损失函数并结合多目标优化方法对输入数据进行训练,使嵌入在网络中的注意力模块充分学习各波段之间的非线性关系,对信息量大和易于分类的波段赋予更大的权重,以实现波段选择;最后,利用支持向量机分类器和平均光谱散度验证波段子集的性能。实验结果表明:相比于其他算法,所提算法在Botswana与Indian Pines数据集上提取的波段子集的分类精度更高,信息量更大,由此证明了所提算法对高光谱波段选择的有效性。

为了针对高光谱图像中空间信息与光谱信息的不同特性进行特征提取，提出一种3维卷积递归神经网络(3-D-CRNN)的高光谱图像分类方法。首先采用3维卷积神经网络提取目标像元的局部空间特征信息，然后利用双向循环神经网络对融合了局部空间信息的光谱数据进行训练，提取空谱联合特征，最后使用Softmax损失函数训练分类器实现分类。3-D-CRNN模型无需对高光谱图像进行复杂的预处理和后处理，可以实现端到端的训练，并且能够充分提取空间与光谱数据中的语义信息。结果表明，与其它基于深度学习的分类方法相比，本文中的方法在Pavia University与Indian Pines数据集上分别取得了99.94%和98.81%的总体分类精度，有效地提高了高光谱图像的分类精度与分类效果。该方法对高光谱图像的特征提取具有一定的启发意义。