1 中国科学院大学，北京 100049
2 中国科学院上海技术物理研究所 中国科学院红外探测与成像技术重点实验室，上海 200083
北极航道海冰运动的准确预测对于保证航行安全、评估航道可通行性和动态修正航线具有重要的指导意义。传统的光流法无法满足海冰运动预测任务中“时空预测+语义分割”的要求。为此，基于MERSI-Ⅱ影像制作了海冰运动数据集SeaiceMoving，提出了一种基于Multiloss-SAM-ConvLSTM的海冰运动预测算法，该算法在SAM-ConvLSTM的基础上引入加权的FDWloss，强化了各节点空间语义的获取。针对样本分布不平衡，讨论了后端分割阈值的偏移效应，通过网格搜索确定最佳分割阈值，提高了海冰整体预测结果。实验结果表明，该方法的Kappa系数为0.75，IOU为0.61，Dice系数为0.76，相较于SAM-ConvLSTM，分别提高了0.1、0.12和0.1，对运动后海冰的位置预测和形状提取能力均有提升，减少了海冰“黏连”的情况。此外，该算法对薄云干扰下的海冰运动依然具备良好的预测能力，可以为北极航线的动态规划和航线修正提供较为准确的技术支撑。
北极航道 风云三号卫星 独立海冰 Multiloss-SAM-ConvLSTM 运动预测 Arctic route FY-3 satellite independent sea ice Multiloss-SAM-ConvLSTM motion prediction
Xizang Key Laboratory of Optical Information Processing and Visualization Technology， Xizang Minzu University，Xianyang72082， China
提出协同分层波谱识别法，分别从兰州、榆林市Hyperion高光谱图像上识别9种目标地类，并与SVM监督分类对比。针对Hyperion图像波谱识别的4个难点：光谱信息高保真融合、敏感谱段提取、“椒盐效应”去除、 消除“同物异谱” 现象导致的误判，协同应用WP-GS融合、导数变换、4尺度面向对象分割和多谱段SAM解决上述难点，并基于Hyperion导数变换图像分析波谱变化特征、提取敏感谱段、从4个尺度层依次识别9种目标地类，然后根据目视评判和定量评价，与综合使用Gram-Schmidt光谱锐化融合/Savitzky-Golay卷积滤波/PCA变换的SVM监督分类结果比较识别精度。实验结果表明WP-GS融合的光谱保真效果优于Gram-Schmidt光谱锐化；4尺度面向对象分割抑制“椒盐效应”的效果优于Savitzky-Golay卷积滤波、移动均值滤波；多谱段SAM利用导数波谱特征能够消除因照度不同对同一类别地物的误判。采用协同分层波谱识别法，兰州市Hyperion图像波谱识别的总体精度、Kappa系数分别为89.52%、0.852，较SVM分类分别提高18.68%和17.52%；榆林市Hyperion图像识别地物的总体精度、Kappa系数分别为91.12%、0.873，较SVM分类分别提高17.80%和16.89%。协同分层波谱识别法应用多种技术一体化解决Hyperion图像应用难点，有效利用导数波谱变化特征提取目标敏感谱段，在复杂环境下识别目标地类的能力优于SVM监督分类。
星载高光谱图像 导数波谱特征 敏感谱段 同物异谱 多尺度 多谱段SAM satellite-borne hyper-spectral image derivative spectrum feature sensitive bands same body with different spectrum multi-scale multispectral SAM
1 中国科学院 航空光学成像与测量重点实验室, 吉林 长春130033
2 中国科学院 长春光学精密机械与物理研究所, 吉林 长春130033
为滤除大量冗余背景信息, 提升目标检测速度, 解决目标光谱获取困难等问题, 提出一种融合光谱微分重排与光谱角匹配的高光谱快速目标检测算法。首先, 对已知背景光谱信息微分重排, 筛选出背景特征较少的谱段集; 然后, 计算相应谱段下, 高光谱图像各像素点的光谱微分值与背景光谱微分值的差值, 并对所得各谱段微分差值加权求和阈值化, 粗提取出目标位置; 最后, 计算提取出的目标位置光谱与先验背景光谱角匹配的反余弦值, 实现目标背景差异精细判别。通过自行拍摄的草地上黄、绿伪装网及AVIRIS获取的San Diego机场飞机高光谱图像进行实验, 与RX、CEM、OSP、ACE、SAM等算法比较。实验结果表明, 所提算法在保证检测精度的同时, 具有较低的虚警率和较好的时效性: ROC曲线下面积AUC均高于0.98, 虚警率分别为3%和1.6%, 处理时间仅为0.36 s和0.077 s。
光谱微分 光谱重排 光谱角匹配 快速目标检测 高光谱图像 spectral derivative spectral recomposition spectral angle mapper (SAM) fast target detection hyperspectral imaging
1 中北大学电子测试技术国家重点实验室, 山西 太原 030051
2 中北大学信息与通信工程学院, 山西 太原 030051
高光谱成像因光谱分辨率高、 图谱合一、 可实现快速无损检测等特点现已广泛应用于农业、 医学、 遥感等领域。 现有的对可回收生活垃圾检测与分类的方法, 都存在检测时间长, 分类效率低, 而大量多种垃圾无法同时快速分拣等问题。 考虑到不同类别的生活垃圾由于其主要组成分子结构的差异, 对不同波长的光有不同的吸收特性。 高光谱图像在记录待分类垃圾的空间信息的同时, 可以获得垃圾对不同波长的光的反射率光谱信息, 通过建立识别分类模型对反射率光谱信息进行分析可以实现对高光谱图像中待分类垃圾的识别与分类。 收集常见纸质、 塑料、 木质三种材料的可回收的垃圾样本, 包括塑料瓶、 食品包装袋、 塑料玩具（饰品）碎片、 一次性筷子、 雪糕棒、 木制家具碎片、 木制包装盒、 废旧课本、 广告纸、 办公用纸等多种物品共30个样本, 进行清洗和裁剪处理, 避免样本表面污渍对样本反射率产生影响。 利用高光谱成像系统采集样本在近红外（780～1 000 nm）范围内的高光谱图像, 其中18个样本做训练样本集, 12个样本做测试样本集。 对采集的样本图像数据做预处理, 包括去噪声以及黑白校正反演反射率信息等处理; 通过主成分分析（PCA）方法对训练样本集感兴趣区域（ROI）进行分析, 提取到的特征波段为795.815, 836.869, 885.619, 916.409, 929.239, 934.37, 957.463, 972.858和988.253 nm; 在特征波段下分别提取这三种类别垃圾的参考光谱, 通过光谱角度填图法（SAM）对测试样本ROI区域内提取的测试样本点集在特征波段下与参考光谱进行匹配, 由匹配程度进行样本点归类, 分析结果表明, 测试样本集中纸制样本（A类别）、 塑料样本（别）、 木制样本（C类别）的分类准确度分别为100%, 98%和100%, 测试样本点集整体的分类准确度为99.33%; 通过Fisher判别方法分析训练样本集得出判别函数式和判别准则, 对测试样本点集分类, 评价结果为A, B和C类样本分类准确度分别为100%, 100%和97%, 测试样本点集整体分类准确度为99%。 通过SAM和Fisher两种判别方法对测试样本集的光谱图像进行目标物的检测与分类, 结果表明, 利用SAM判别方法在可回收垃圾的高光谱图像中实现检测与分类有更高的分类准确度, 可达到99.33%。 同时, 也验证了使用高光谱成像进行可回收垃圾快速分类的科学性以及可行性, 对未来系统化、 机械化、 智能化地解决生活中可回收垃圾的分类具有一定的实用意义。
高光谱成像 垃圾分类 Hyperspectral imaging Garbage classification PCA PCA SAM SAM Fisher Fisher
空军工程大学 防空反导学院, 陕西 西安 710051
分析导弹尾焰可知, 影响其光谱变化的主要因素包括发动机、燃料等, 故根据尾焰光谱可以达到导弹型号识别的目的。为保证识别效率, 用特征光谱代表尾焰特征, 可大大缩减数据量。首先根据光谱差模型计算出各波长处的辐射差, 通过设定阈值将辐射差分段, 高于阈值的波段即为所选的特征波段。改变积分步长和阈值可获得几组不同数据。分别采用光谱角匹配算法(Spectral Angle Matching algorithm, SAM)和模糊算法对不同精度和不同特征波段的数据进行处理, 得到识别结果。以识别结果的正确率和待识别样本与各型光谱的相似度距离为衡量标准, 模糊算法识别效果可与SAM相当, 但其在算法复杂度方面优于SAM。
光谱识别 导弹尾焰 模糊算法 spectrum identification missile stern flame fuzzy algorithm SAM SAM 红外与激光工程
2018, 47(10): 1026001
湘潭大学物理与光电工程学院, 湖南 湘潭 411100
提出了一种基于 DSP TMS320F2812数字控制的平均电流型交错并联升压型功率因数校正(Boost PFC)变换器。重点提出了 150 kHz/Phase开关频率下的控制算法与改进的采样算法, 并对电压、电流双环数字控制回路进行分析与 PI补偿设计。基于 Matlab/Simulink对并联交错 Boost PFC数字控制系统进行建模仿真, 并制作 300 W输出功率的样机, 成功对 Boost PFC控制系统进行了验证与实现。
平均电流控制 功率因数校正 交替不定延时平均电流采样 PI算法 average currentcontrol power factor correction alternating variable delay timeaverage current sam PI algorithm 太赫兹科学与电子信息学报
2018, 16(2): 336
1 北京农业智能装备技术研究中心, 北京 100097
2 国家农业智能装备工程技术研究中心, 北京 100097
番茄植株在生长过程中受病虫害的侵染, 将导致番茄减产和种植户的经济效益降低, 该研究用高光谱技术结合化学计量学方法, 实现了番茄叶片斑潜蝇虫害的快速识别。 搭建了简易的高光谱成像系统, 包括光源单元、 高光谱图像采集单元和数据处理单元, 用该系统获取番茄叶片的高光谱图像, 对高光谱图像进行校准, 并从每一幅图像中提取光谱信息。 分别采用了光谱角匹配(SAM)分析方法和光谱红边参数判别分析(DA)方法识别番茄叶片斑潜蝇虫害。 在SAM分析中, 对高光谱数据进行了归一化预处理, 以消除多余信息, 增加样品之间的差异。 比较了以不同番茄叶片样品的反射光谱作为测试光谱时, 虫害识别效果的差异, 当以受到斑潜蝇侵染的番茄叶片的平均反射光谱作为测试光谱时, 虫害识别的正确率较高, 达到96.5%。 在光谱红边参数判别分析中, 从光谱数据中提取了红边位置、 红边振幅、 最小振幅、 红边面积、 红谷位置和红边振幅/最小振幅6组红边信息, 利用判别分析方法建立番茄叶片斑潜蝇虫害的判别模型, 比较了距离判别、 Fisher判别、 Bayes判别分析方法的判别效果, 使用距离判别分析建模的判别正确率最低, 判别正确率为88.0%, 使用Fisher判别分析建模的效果最佳, 判别正确率为96.0%。 研究结果表明, 采用高光谱技术识别番茄叶片斑潜蝇虫害具有可行性。
高光谱技术 番茄 虫害 红边参数 Hyperspectral technology Tomato Pest SAM SAM Red edge parameter DA DA
1 吉林大学超分子结构与材料国家重点实验室, 吉林 长春 130012
2 长春大学食品工程与园林学院, 吉林 长春 130012
表面增强拉曼光谱(SERS)是一种具有超灵敏检测能力的谱学技术, 可以在单分子水平上检测分子结构的动态变化过程。 烷基硫醇的自组装膜是一类典型的类晶态有序结构薄膜, 在仿生、 材料、 电子和化学等领域有着重要的应用, 越来越受到人们的关注。 本文利用SERS对正己硫醇(hexanethiol, HT)分子在银基底上的吸附和组装过程进行研究, 对HT的拉曼和自组装膜SERS光谱进行了指认。 根据C—S, C—C和CH3键结构的反式和旁式的特征光谱信息, 研究HT吸附在银纳米粒子表面的构象, 以及自组装膜结构的有序性。 研究了吸附时间和浓度两个因素对成膜规律产生的影响。 实验结果表明, 当HT溶液浓度较高时, HT单层膜成膜速率较快, 且有序性较好; 当HT溶液浓度较低时, HT单层膜成膜速率较慢, 且有序性较差。 这一研究结果对成膜动力学以及烷基硫醇的有序单层膜的制备具有重要的指导意义, 为基于烷基硫醇的自组装单层膜在防腐、 器件和生物方面的应用奠定了基础。
正己硫醇 表面增强拉曼光谱 自组装单层膜 银纳米粒子 1-Hexanethiol (HT) Surface-enhanced Raman scattering (SERS) Self-assembled monolayer (SAM) Ag nanoparticle 光谱学与光谱分析
2017, 37(4): 1130
基于吸收区倍增区分置(SAM)结构研制了一种用于单光子探测的平面型InGaAs/InP盖革模式雪崩光电二极管(APD).着重讨论了边缘击穿抑制效果对器件暗计数率、单光子探测效率,以及后脉冲概率等主要盖革模式性能参数的影响,并对其原因进行了探讨与分析.研究结果表明,有效抑制边缘击穿是获得高性能InGaAs/InP平面型盖革模式雪崩光电二极管的关键因素之一,受边缘击穿抑制效果影响,探测效率随过偏压增速缓慢,而当过偏压达到一定值时,暗计数率与后脉冲概率成倍增加.
盖革模式 边缘击穿抑制 暗计数率 探测效率 后脉冲概率 过偏压 Geiger mode SAM SAM edge breakdown suppression dark count rate single photon detection efficiency afterpulsing overbias
南京理工大学 江苏省光谱成像与智能感知重点实验室,江苏 南京210094
提出了一种光谱角匹配(SAM)加权核特征空间分离变换(KEST)高光谱异常检测算法.在基于核的特征空间分离变换(KEST)算法基础上，利用光谱角匹配(SAM)测度对高维特征空间中检测点邻域差异相关矩阵(DCOR)中的每个样本引入权重因子，各样本权重因子取决于该样本光谱向量与检测窗口数据中心向量夹角，从而抑制检测窗口中的病态数据，突出主成分数据的贡献，使得DCOR矩阵能够更好地描述目标、背景数据分布差异.通过理论分析和对模拟、实际数据实验比较，证明该算法较传统异常检测算法和KEST算法具有更高的检测率.
高光谱 异常检测 光谱角匹配 特征空间分离变换 SAM加权KEST hyperspectral imagery anomaly detection spectral angle mapper(SAM) kernel eigenspace separation transform(KEST) SAM weighted KEST(SKEST)
