为了快速感知并分析田间作物生长状况, 采用先进的半导体镀膜工艺的光谱成像传感器, 研究镀膜型光谱成像数据的提取与叶绿素含量分布式检测的方法。 实验采用基于镀膜原理的IMEC 5×5成像单元式多光谱相机, 对47株苗期玉米植株的冠层进行拍摄, 获取673～951 nm范围内的25个波长的光谱图像。 利用SPAD-520叶绿素仪非破坏性地测量叶绿素含量指标, 每株玉米冠层叶片设置2～3个采样点, 每点测量3次取平均, 共计251个样本数据; 同时使用ASD Handheld2型光谱仪采集相应位置区域的反射率曲线, 以对比分析镀膜型光谱成像传感器提取玉米植株冠层叶片反射率曲线的特性。 首先, 在分析镀膜型光谱成像传感器的成像原理的基础上, 通过对原始图像的拆分和重组分别提取成像单元中相同波段的像素灰度值, 并利用相同波段的像素灰度值重构单波段光谱图像, 获取各波段光谱图像。 其次, 利用4灰度级标准板建立图像灰度值和灰度板反射率之间的线性反演公式, 对提取的反射率进行校准。 然后, 为了准确分割出玉米植株冠层, 提出了大津算法(OTSU)和霍夫圆变换组合的玉米植株冠层图像二次分割方法, 分别剔除图像中土壤和培养盆背景的干扰。 最后, 利用马氏距离算法剔除异常样本数据, 利用SPXY (sample set partitioning based on joint X-Y distance)算法划分建模集和验证集, 采用偏最小二乘回归法(PLSR)建立玉米植株叶绿素含量指标诊断模型, 并绘制其分布伪彩色图用于分析叶绿素含量空间分布特征。 研究结果表明, ①对25波段多光谱图像提取和反射率线性校准拟合模型决定系数均达到0.99以上。 分析校准前和校准后与ASD光谱仪测量反射率曲线, 镀膜型成像传感器获取玉米冠层反射光谱总体与ASD采集反射率体现的光谱特征一致, 且校正后数据比校正前与ASD光谱反射率的一致性得到了提升。 ②建立初次OTSU分割算法和基于霍夫圆变换识别的二次分割算法, 可以有效剔除玉米植株光谱图像中的土壤和培养盆背景噪声的干扰。 ③叶绿素含量指标PLSR诊断模型建模集R2c为0.545 1, 验证集R2v为0.472 6。 玉米作物冠层叶绿素分布可视化图可以直观反映叶绿素含量分布与生长动态情况。 通过对镀膜型光谱成像传感器应用方法的研究, 为后续玉米植株叶绿素动态快速检测奠定基础和提供技术支持。

为了快速感知并分析田间作物生长状况, 采用先进的半导体镀膜工艺光谱成像传感器, 研究了玉米植株冠层叶绿素含量分布式检测方法。 试验采用IMEC 5×5成像传感器, 拍摄47株苗期玉米植株冠层, 获取673～951 nm范围内的25个波长的光谱图像。 实验中, 利用SPAD-520叶绿素仪非破坏性地测量叶绿素含量, 每株玉米冠层叶片设置2～3个采样点, 每点测量3次取平均, 共计242个样本数据。 对光谱图像数据, 经4灰度级标准板提取并校准反射率。 为了实现玉米植株与花盆、 土壤背景的有效分离, 在分析不同对象光谱反射率与图像像素特征的基础上, 提出了一种基于谱图特征组合的植株分割方法, 即基于植被指数的图像初步分割与区域标记计算的冠层精细分割的植株提取算法。 首先, 计算各像素点归一化植被指数(NDVI), 并开展基于NDVI的植株冠层分割方法分割结果优于基于最大类间方差法的全局阈值自适应分割算法。 其次, 采用边缘保持中值滤波算法剔除初步分割后图像中存在的噪声点后, 基于区域标记算法进行精细分割, 获得掩膜并最终得到仅保留玉米植株冠层的光谱图像。 分别采用相关分析法(CA)和随机蛙跳(RF)算法选取反射光谱特征波长, 并构建750～951 nm近红外(NIR)和673～750 nm红色(R)选中波长集合, 遍历NIR和R集合组合计算比值植被指数(RVI), 差值植被指数(DVI), 归一化植被指数(NDVI)和SPAD转换指数(TSPAD)。 然后, 再次采用CA和RF算法筛选植被指数, 利用SPXY算法将样本按照7∶3比例划分为建模集和验证集, 并建立了叶绿素含量指标检测CA+RF-PLSR模型。 结果表明, 其建模集R2C为0.573 9, RMSEC为3.84%, 验证集R2V为0.420 2, RMSEC为2.3%。 利用建模结果对多光谱图像进行处理, 绘制玉米叶片SPAD值伪彩色分布图, 实现叶绿素含量分布可视化。 研究表明采用镀膜型光谱成像数据, 分析对象光谱与图像特征, 探讨玉米冠层叶绿素含量分布检测的可行性, 可为直观监测作物生长动态提供支持。

针对传统二维深度学习方法无法实现三维点云分类问题,提出一种融合光谱信息的机载LiDAR点云三维深度学习分类方法。该方法首先融合机载LiDAR点云和多光谱航空影像进行点云光谱信息扩充,进而在点云格网化和数据增强处理的基础上,采用多层感知机提取出不同尺度下的点特征和全局特征,最后基于三维深度学习算法实现机载LiDAR点云的准确分类。利用国际摄影测量与遥感协会提供的数据集进行所提方法验证,结果表明,融合光谱信息后,机载LiDAR点云分类精度提高了13.39个百分点;与已有方法的对比结果也进一步表明,所提方法可以在减少特征向量提取的情况下,取得较好的分类结果。

溢油覆盖度的估测是海洋溢油探测与灾害评估的重要内容, 受航空航天传感器地面分辨率的限制, 准确探测溢油覆盖度比较困难。 在海洋风浪及破碎波作用下, 溢油往往呈条带状分布。 获取的高光谱数据中存在大量的油、 水混合像元; 传统图像分割方式计算溢油面积存在偏差, 且受传感器角度、 高度等影响, 光谱变异明显, 传统端元提取方法很难找到纯像元光谱。 提出了一种通过分区混合端元计算海洋溢油覆盖度的探测方法。 首先对影像进行分区并使用N-FINDR算法进行端元预选; 然后再利用独立分量分析（ICA）方法进行端元精选, 按照负熵最大输出得到候选端元, 并将地面同步参考光谱作为约束引入相似性溢油端元识别; 最后基于非负矩阵分解方法(NMF)求取端元丰度, 通过太阳耀斑区的修正, 得到真实的溢油覆盖度。 分区混合端元的提取较好的解决了全局端元变异及环境适应性差的问题, 使精选后的端元具有更好的环境鲁棒性。 为更好地衡量该算法精度, 采用仿真数据与真实高光谱影像数据相结合进行实验验证。 仿真实验中, 人工设定溢油丰度, 使用均方根误差（RMSE）和丰度估计误差对比评估估计丰度与设定丰度之间的差别, 并设计了算法适应性和抗噪实验。 结果表明采用MNF和ICA两种高光谱压缩方法, 丰度估计误差均低于3%, 重构图像的最小均方根误差RMSE最高为0.030 6, 且具有较好的抗噪能力, 验证了该算法的有效性。 真实实验中, 使用2011年山东长岛溢油8景机载高光谱影像数据为真实测试数据, 由于真实遥感数据往往缺失地面同步丰度数据, 导致对算法精度进行评价比较困难, 使用仿真数据交互验证与目视解译数据相结合的方法进行精度评价, 通过耀斑区修正后估测的机载高光谱成像总的溢油覆盖面积为1.17 km2, 溢油覆盖度为22.85%, 与现场人工估测面积偏差为2.15%, 明显高于传统方法。 受海洋破碎波、 光谱变异性影响, 和航空航天遥感器地面分辨率的限制, 海洋溢油遥感中单个像元进行丰度解析是一个难题。 基于亚像元丰度分解思想, 讨论了海洋溢油覆盖度的问题, 提出一种较为完善的海洋溢油覆盖度的计算办法, 通过仿真数据和实际的高光谱溢油数据进行了方法的验证, 实现了较为客观的自动化溢油覆盖度（丰度）探测方法, 可以较为准确的估测海洋溢油的覆盖度, 对溢油遥感面积的业务化探测具有积极意义。