云南师范大学 物理与电子信息学院，云南 昆明 650500
针对马铃薯叶片，依托高光谱成像技术实现叶片叶绿素含量的无损检测。利用相关性分析获得马铃薯叶片叶绿素敏感波段，结合植被指数，建立基于光谱导数、植被指数的叶绿素含量传统预测模型与贝叶斯正则化?反向传播（BR-BP）神经网络模型。以489 nm光谱一阶导数值、修正型叶绿素吸收植被指数（MCARI）、陆地叶绿素指数（MTCI）为自变量建立BR-BP神经网络模型，其校正集决定系数、预测集决定系数、均方根误差分别为0.8464，0.6804，0.0746。研究表明，传统模型中光谱一阶导数?幂函数模型可较为准确地预测叶绿素含量，BR-BP神经网络模型相比传统预测模型具有更高的预测精度，因此可以实现马铃薯叶片叶绿素无损检测。
光谱导数 植被指数 叶绿素 反向传播神经网络 spectral derivative vegetation index chlorophyll BP neural network
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 中国矿业大学(北京)地球科学与测绘工程学院, 北京 100083
2 安徽理工大学测绘学院, 安徽 淮南 232001
重金属铜离子(Cu2+)与铅离子(Pb2+)污染对玉米叶片光谱的影响微弱、 隐蔽而难于探测。 研究中设置不同浓度Cu2+, Pb2+胁迫的玉米盆栽实验, 测定了玉米叶片光谱、 叶片中Cu2+, Pb2+含量与叶绿素相对含量, 分析了Cu2+, Pb2+污染胁迫下玉米叶片光谱响应特征, 并选取480～670与670～750 nm范围来进行分析, 在光谱维中定义了光谱微分差信息熵指数与在频率域中通过谐波分析提取了前三次谐波振幅(c1, c2与c3)指数, 并用所定义的指数探测分别受Cu2+, Pb2+胁迫玉米叶片光谱微弱差异。 实验结果表明, 在480～670与670～750 nm范围内, 玉米叶片中重金属离子浓度越大, 其光谱微分差信息熵就越大; 在480～670 nm波段, 谐波分解后第一谐波振幅c1与第二谐波振幅c2可用于识别Cu2+, Pb2+污染程度; 在670～750 nm波段, 第一谐波振幅c1、 第二谐波振幅c2与第三谐波振幅c3可用于识别Cu2+污染程度, 而c2则可以识别Pb2+污染程度, 污染胁迫越大振幅越大。 在480～670与670～750 nm波段内, 光谱微分差信息熵与前三次谐波振幅可作为识别玉米受Cu2+, Pb2+污染胁迫程度的指数, 从光谱维与频率域两种维度来识别玉米受Cu2+, Pb2+胁迫程度的方法可行, 文中定义的两类指数可稳健、 可靠地探测与识别玉米受Cu2+, Pb2+影响所产生的光谱微弱差异, 研究结果对利用高光谱来探测植被受重金属污染胁迫程度具有一定的参考价值。
重金属污染 谐波分析 光谱微分 信息熵 Heavy metal pollution Harmonic analysis Spectral derivative Entropy Cu2+ Cu2+ Pb2+ Pb2+
