针对高光谱遥感图像的特征提取与地物分类，提出一种基于分数阶微分的高光谱图像特征提取方法，设计二维分数阶微分掩模提取高光谱图像的像素空间分数阶微分（SpaFD）特征，并提出一种空谱联合准则用于选取微分掩模阶数。为充分利用高光谱图像的空间特征与光谱特征，将SpaFD特征与原始特征直连融合获得SpaFD-Spe-Spa混合特征，并采用三维卷积神经网络（3DCNN）、先采用主成分分析（PCA）对像素光谱进行降维处理再送入三维卷积神经网络（3DCNN_PCA）以及采用混合光谱网络（HybridSN）验证SpaFD-Spe-Spa混合特征的有效性。实验中分别采用3✕3，5✕5和7✕7的分数阶微分掩模进行空间特征提取，4个真实高光谱图像的实验结果表明，所提取的SpaFD特征和SpaFD-Spe-Spa特征可有效提升高光谱图像的地物分类精度，且SpaFD-Spe-Spa特征对地物分类准确率的提升更为明显：SpaFD特征相比原始特征在Indian Pines，Botswana，Pavia University和Salinas 4个数据上的分类识别率在最优情况下分别提升了3.87%，1.42%，2.41%和2.87%；SpaFD-Spe-Spa特征相比原始特征在Indian Pines，Botswana，Pavia University和Salinas 4个数据上的分类识别率在最优情况下分别提升了3.90%，5.62%，3.35%和5.18%。

隐蔽目标的探测一直都是**上重点研究的领域，随着高光谱成像技术的发展，为这一领域提供了新的解决思路。利用高光谱数据高的谱间分辨率，可在某些波段实现对隐蔽目标和背景的光谱区分，提出了一种基于ACE(alternation conditional expectations)算法高光谱隐蔽目标探测技术，充分利用背景和隐蔽目标在不同波段光谱不同的特点，引入光谱重排技术和一阶微分技术，使得背景光谱出现振荡，从而提取出目标。相较其他算法，该文提出的算法提取精度高、虚警率低，实现了较好的隐蔽目标探测效果。

无人机高光谱遥感为精准农业和农业信息化监测提供崭新视角。 高光谱传感器具有厘米级空间分辨率和精细的光谱分辨率, 可获取高质量的高光谱数据。 然而, 高光谱数据通常伴随噪声和数据冗余, 高光谱信息利用效率低, 常规预处理难以满足精准估算的需求。 因此, 为解决上述现实问题, 针对机载高光谱影像的数据挖掘必不可少。 利用分数阶微分(FOD)技术逐像元处理机载高光谱数据(步长为0.1)。 通过对比FOD技术与整数阶技术对高光谱数据的改善能力, 从光谱层面探寻最佳FOD阶数。 在梯度提升回归树(GBRT)算法下构建土壤含水量(SMC)估算模型, 最终在最佳模型下评估SMC的空间分布。 结果表明: FOD技术提高光谱与SMC的相关系数(r_max=0.768), 与原始光谱、 一阶微分和二阶微分处理后的光谱同SMC相关系数相比, 分别提升0.168, 0.157和0.158。 FOD技术提升模型估算精度的主因是突出有效光谱信息的作用, 特别是与水分胁迫密切敏感的叶绿素、 植物结构和水分响应波段(430, 460, 640, 660和970 nm)。 即使FOD技术取得理想的结果, 不同阶数的效果仍有差异。 高阶FOD对影像增加了一定噪声, 相较于高阶FOD(1<阶数<2), 低阶FOD(0<阶数<1)对相关性的改善更为明显。 FOD技术对SMC估算模型的性能有很大提高, 在0.4阶模型下取得最优结果(R_p²=0.874, RMSEP=1.458, RPIQ=3.029)。 此外, 0.1—0.9阶和1.6—1.9阶的SMC估算模型比整数阶模型更优(R_p²提升0.8%~13.8%), 但根据模的RPIQ发现, 低阶FOD模型在模型的预测能力方面更强。 在0.4阶模型下反演农田土壤水分的空间分布表明干旱区农田SMC具有显著的空间异质性。 研究结果表明低阶FOD技术有效地实现对高光谱数据挖掘, 从而实现农业SMC的精准估算。 该研究提出了针对机载高光谱影像处理的新方法, 为干旱区精准农业实施和管理提供新的策略。

苹果产地溯源具有重要的应用价值和现实意义。 为了探寻苹果产地溯源新方法, 以红富士品种为研究对象, 以新疆阿克苏、 山东烟台、 陕西洛川三个产地671个红富士苹果样本为试材, 分别采集其590~1 250 nm的近红外透射光谱, 然后基于分数阶微分(FD)及主成分分析(PCA)-谱回归判别分析(SRDA)进行多模型融合, 构建红富士苹果产地溯源的集成学习模型。 首先, 将经过光谱校正后的光谱数据划分为训练集和测试集, 并利用分数阶微分预处理训练集光谱, 获取不同阶次(取0~2阶, 步长为0.1)的分数阶微分光谱; 结合不同阶次的分数阶微分光谱及PCA-SRDA算法构建基学习器, 将基学习器预测结果构成一个新训练集, 并通过决策树算法完成模型融合, 得到最终分类预测模型; 随后, 采用对应阶次的分数阶微分预处理测试集光谱, 并基于已建立的基学习器, 获得测试集相应的预测结果; 最后, 将预测结果构成一个新测试集, 并基于已建立的分类预测模型, 输出最终的预测结果。 按7:3比例随机划分样本集, 并进行200次重复实验。 结果表明, 结合不同阶次的分数阶微分预处理及线性判别分析(LDA)、 SRDA、 PCA-LDA、 PCA-SRDA算法建立多模型融合集成学习模型, 具有较好的鉴别效果和较强的鲁棒性, 其中, FD-PCA-SRDA多模型融合集成学习模型为最优, 其训练集的平均精度为97.33%, 标准差为0.49%, 测试集的平均精度为94.84%, 标准差为1.48%。 故, 分数阶微分技术及PCA-SRDA算法结合近红外透射光谱可成功、 有效地实现苹果产地溯源。

采用衰减全反射傅里叶变换红外光谱法(ATR-FTIR), 结合多元校正模型对γ-聚谷氨酸(γ-PGA)发酵过程中两种主要底物葡萄糖和谷氨酸钠的浓度进行间接测量, 为优化发酵系统控制提供重要的反馈信息。 光谱测量中经常出现的基线漂移会严重影响后续多元校正模型的性能, 需要采用基线校正算法对光谱进行预处理。 现有流行的基线校正算法多数是基于Whittaker Smoother(WS)平滑算法, 这些算法均采用整数阶微分对拟合基线进行约束, 表达能力有限。 针对现有基线校正算法中的整数阶微分自适应性差的问题, 利用更加灵活的分数阶微分对基线进行约束, 提出了一种基于分数阶的基线校正算法, 实现对整数阶基线校正的扩展。 总共进行了5个批次的γ-PGA发酵实验, 并对不同批次和全部批次的ATR-FTIR光谱数据分别进行了分数阶基线校正, 模型的预测精度均得到不同程度的提升。 实验结果表明, 只有在批次2时, 基于整数阶的基线校正效果最好; 其他批次的基线校正效果最好时的阶次均为分数阶。 这也表明了分数阶微分(包含整数阶微分)对基线的约束更加合理。 同时发现全部批次的整体基线校正效果远远差于单一批次的效果, 原因可能是各批次发酵光谱的基线是不同的, 对不同的批次需要选用不同的阶次以获得最佳的基线校正。 此外, γ-PGA发酵样品的ATR-FTIR光谱测量是以蒸馏水为背景, 会在3 100~3 600 cm^-1波数范围内出现负水峰, 形成有害的干扰信号; 分数阶基线校正后的光谱表明, 分数阶基线校正算法将负的水峰当作基线, 在一定程度上进行了消除。 综上分析, 分数阶基线校正算法不仅扩展了传统整数阶基线校正算法的应用范围, 也为消除ATR光谱中负的水峰提供了新的解决思路。

高光谱遥感技术因为具有图谱合一的优势, 并且相较于传统多光谱遥感技术, 可以实现对目标的精确识别, 逐渐运用于地表植被的探测。 选择以滇中地区的竹林、 华山松、 杂木林这三类典型地表植被为研究对象, 基于机载高光谱影像数据, 通过对原始高光谱、 一阶微分处理光谱、 连续统去除处理光谱进行处理与对比分析, 获得滇中三类典型地表植被类型高光谱特征的初步探测认识。 主要结果包括: (1)基于对原始光谱特征分析得出, 三类典型地表植被的原始高光谱的最佳波段窗口出现在690~946 nm, 且在该波段范围内光谱反射率特征为竹林>华山松>杂木林; (2)运用一阶微分处理光谱特征分析得出, 利用光谱微分变换处理能够增强植被的光谱差异。 经过一阶微分处理后光谱的最佳波段窗口出现在670~774 nm, 在该波段范围内的一阶微分系数为竹林>华山松>杂木林。 且发现718 nm为三类植被的敏感波段, 即可用718 nm敏感特征波段区分开三类植被类型; 并且综合运用一阶微分光谱特征参数中的红边位置, 蓝边幅值、 黄边幅值、 红边幅值、 蓝边面积、 黄边面积和红边面积可以将三类植被类型进行区分; (3)最后基于连续统去除处理光谱特征分析得出, 连续统去除方法能够有效地增强植被光谱曲线反射和吸收的特征。 经过连续统去除处理后的光谱, 三类典型植被的最佳波段窗口在458~554和570~690 nm, 这两个波段范围内的连续统去除系数均为竹林>华山松>杂木林, 且发现502和674 nm为三类典型植被的敏感波段, 即可用此特征综合区分三类植被类型。 该研究结果有助于对滇中森林植被精细判别提供技术方法, 同时, 为今后发展天-地-空的高光谱影像数据一体化遥感植被精细分类提供技术支撑。

针对传统红外与可见光图像融合算法中存在的细节纹理信息不够清晰，边缘信息保留不够充分等问题，提出一种基于分数阶显著性及改进量子烟花算法的非下采样Shearlet变换（NSST）域图像融合方法。首先对红外与可见光图像进行NSST分解，低频分量先进行基于分数阶微分增强的显著性检测；然后按照显著图匹配度的融合规则进行融合，高频子带采用梯度变化和灰度差异加权策略进行融合；接着对量子烟花算法进行改进，并对高低频融合参数进行优化；最后输出最佳的融合图像。通过实验表明：基于分数阶微分增强的显著性检测具有较好的视觉显著效果，改进量子烟花算法的寻优能力强、收敛效率高，所提方法得到的融合图像有效地综合红外与可见光图像中的细节信息，与现有方法相比具有较好的融合效果，且自适应能力强、无需人工干预。