1 燕山大学电气工程学院河北省测试计量技术及仪器重点实验室，河北 秦皇岛 066004
2 河南理工大学测绘与国土信息工程学院，河南 焦作 454003
针对遥感数据很难同时满足高空间分辨率和高光谱分辨率的问题，提出了一种基于四叉树自适应分块的面到点的回归克里金法（QAATPRK），对高分-1（GF-1）的全色（PAN）和多光谱（MS）数据进行融合。所提方法基于面到点的回归克里金法，将整个影像分割为多个独立的融合单元并分别融合，然后将结果拼接。对于每个融合单元，使用高分辨率PAN影像的空间信息回归建模，使用回归克里金法处理残差。将所提方法与Principal Component Analysis （PCA）法、小波变换法、Intensity-Hue-Saturation and Gram-Schmidt （IGS）法、密集连接网络法进行了比较。均方根误差（RMSE）、结构相似性系数（SSIM）、通用图像质量指数（UIQI）、全局综合误差（ERGAS）和光谱角（SAM）等指标表明，所提方法的融合影像质量最好，且保持了MS影像的光谱特性。
遥感 影像融合 回归克里金 高分卫星影像 图像处理 激光与光电子学进展
2022, 59(8): 0828005
1 燕山大学电气工程学院, 河北 秦皇岛 066004
2 燕山大学信息科学与工程学院, 河北 秦皇岛 066004
石油污染的出现, 导致生态环境遭到破坏。 因此, 油类识别方法的研究对于环境的保护具有重要意义。 采用荧光光谱法获得石油光谱数据, 并对其进行预处理, 再通过降维方法来提取特征信息, 最后利用模式识别算法进行分类, 从而可以实现对油类的定性分析, 因此研究一种更高效的数据降维方法以及识别分类算法极其重要。 基于三维荧光光谱技术, 利用稀疏主成分分析(SPCA)对FS920光谱仪测得的荧光光谱数据进行特征提取, 再利用支持向量机(SVM)算法对提取的特征数据进行分类识别, 获得了一种更加高效的油类识别方法。 首先, 利用海水和十二烷基硫酸钠(SDS)配制成浓度为0.1 mol·L-1的胶束溶液, 将其作为溶剂配制柴油、 航空煤油、 汽油以及润滑油各20种不同浓度的溶液; 然后, 利用FS920光谱仪测得样本溶液的三维荧光光谱数据, 对得到的光谱数据进行预处理; 最后, 对预处理后的数据分别利用SPCA和主成分分析(PCA)进行特征提取, 再利用SVM和K最近邻(KNN)两种模式识别算法对特征向量进行分类, 最终得到四种模型PCA-KNN, SPCA-KNN, PCA-SVM以及SPCA-SVM的分类结果。 研究结果表明, 由四种模型得到的分类准确率分别为85%, 90%, 90%和95%, 其中, 在同种分类算法中, 利用SPCA进行特征提取得到的分类准确率均比PCA的准确率高5%, 因此可知, SPCA的稀疏性具有突出主要成分的作用, 在提取光谱特征时能够减小非必要成分的影响, 并且载荷矩阵的稀疏化可以去除变量之间的冗余信息, 优化降维特征信息, 为后续分类提供更有效的数据特征信息; 在同种特征提取算法下, 利用SVM算法进行分类得到的分类准确率均比KNN算法得到的准确率高5%, 表明SVM算法在分类中更具有优势。 因此, 本文利用三维荧光光谱技术结合SPCA和SVM算法, 实现了对石油的准确识别与分类, 为今后对石油污染物的高效检测提供了新思路。
三维荧光光谱 特征提取 稀疏主成分分析 支持向量机 Three-dimensional fluorescence spectrum Feature extraction Sparse principal component analysis Support vector machine 光谱学与光谱分析
2021, 41(11): 3474
燕山大学 电气工程学院 河北省测试计量技术及仪器重点实验室，河北秦皇岛066004
为克服单一卫星传感器成像的不足，提出了基于密集连接网络的合成孔径雷达（SAR）与多光谱影像的融合算法。首先分别对SAR影像与多光谱影像进行预处理，使用双三次插值法重采样到同一空间分辨率下，然后使用密集连接网络来分别提取影像的特征图，并采用区域能量最大的融合策略将深度特征进行融合，将融合图像输入到预训练的解码器中进行重构，获得最终融合影像。实验采用哨兵1号SAR影像、Landsat-8影像和高分1号卫星影像进行验证，并与基于成分替换、基于多尺度分解和基于卷积神经网络的代表性方法进行对比试验。实验结果表明，基于密集连接网络的融合算法在多尺度结构相似度指标上的精度高达0.930 7，在其他多种评价指标上也都优于其他融合算法，SAR影像的细节信息和多光谱影像的光谱信息得到很好的保留。
合成孔径雷达 图像融合 密集连接网络 多光谱 synthetic aperture radar image fusion densely connected network multispectral 
1 燕山大学电气工程学院, 河北 秦皇岛 066004
2 燕山大学信息科学与工程学院, 河北 秦皇岛 066004
3 北京化工大学信息科学与技术学院, 北京 100029
油类污染严重威胁到自然环境及人类健康。 因此, 识别和处理油类污染非常重要。 由于三维荧光光谱能够表征石油的荧光特征, 故一般利用三维荧光光谱法检测溶液中存在的油类污染物。 但油类的三维荧光光谱数据维度较高且直接分析的难度较大, 因此可以利用数据降维方法提取原始油类样本的光谱特征, 并利用所得到的光谱特征对样本进行识别。 基于此, 利用二维线性判别分析(2D-LDA)对油类样本进行特征提取, 研究提取的不同样本光谱特征的差别, 将得到的光谱特征作为K最近邻(KNN)分类的输入, 得到相应的分类结果。 首先, 分别配制四种不同的油类(柴油、 汽油、 航空煤油、 润滑油)样本各20个, 共计得到80个油类样本; 然后, 利用FS920光谱仪采集所有油类样本的三维荧光光谱数据; 其次, 对采集到的光谱数据进行预处理, 去除光谱中散射的干扰并标准化; 最后, 利用2D-LDA算法对样本进行特征提取, 利用KNN算法进行分类, 并将其分类结果与经主成分分析(PCA)进行特征提取后的分类结果比较。 研究结果表明, 2D-LDA提取特征的分类效果优于PCA。 利用2D-LDA分别提取发射和激发特征得到测试集识别的准确率相同且都为95%, 而将发射和激发光谱特征的分类距离相结合并重新进行分类的准确率为100%。 表明两类光谱相对于三维荧光光谱具有互补性, 将发射和激发光谱特征相结合能够更好地对样本进行分类。 而利用PCA对测试集识别的准确率仅为85%, 表明2D-LDA对三维荧光光谱数据的特征提取效果更好。 与PCA相比, 2D-LDA通过类内散度和类间散度最大化投影向量来提取样本的特征, 使得同类样本尽可能接近, 不同样本尽可能分离。 因此, 2D-LDA具有使降维后的数据更容易被区分的特点, 故其鲁棒性好。 该研究为油类的降维识别提供了一种参考。
三维荧光光谱 二维线性判别分析 主成分分析 K最近邻 Three-dimensional fluorescence spectra Two-dimensional linear discriminant analysis Principal component analysis K nearest neighbor 光谱学与光谱分析
2021, 41(8): 2505
燕山大学电气工程学院河北省测试计量技术及仪器重点实验室, 河北 秦皇岛 066004
为了提高复杂水环境中性激素的分类识别率,提出一种三维荧光光谱法结合改进的鸡群算法(ICSO)优化支持向量机(SVM)的模型。利用FS920荧光光谱仪对雌酮、雌二醇和雌三醇3种典型性激素的单组分溶液及混合溶液进行荧光特性分析,并在光谱重叠严重的前提下建立ICSO-SVM模型对3种性激素进行分类鉴别。ICSO-SVM模型不仅训练过程稳定,收敛速度快,而且测试集的性激素识别率为100%,均优于PSO-SVM模型。结果表明,三维荧光光谱法结合ICSO-SVM模型是一种有效的性激素检测方法。
光谱学 支持向量机(SVM) 改进鸡群算法 性激素检测 光学学报
2021, 41(10): 1030004
油类污染日渐频繁, 给人类健康及生态环境造成了严重的威胁。 因此, 研究有效的油类识别方法对保护生态环境具有重要意义。 三维荧光光谱技术是识别油类最有效的分析手段之一, 利用二阶校正方法对三维荧光光谱数据进行解析, 然后利用模式识别对二阶校正方法解析结果中的浓度得分矩阵进行分类, 可以实现对未知样本的定性识别。 然而, 此类方法在对未知样本进行分类识别的过程中, 只应用了浓度得分矩阵, 其本质上只是利用样本所含化学成分的相对含量差异对未知样本进行了分类。 并没有利用具有定性意义的载荷矩阵, 即没有从样本所含化学成分本身实现对样本的定性。 基于此, 将重构的三维荧光光谱和偏最小二乘判别分析(PLS-DA)相结合, 提出了一种针对油类样本的辨识方法。 首先, 利用四种油类(汽油、 柴油、 航空煤油和润滑油)在不同的背景环境下(纯净水、 自来水、 河水及海水配制的十二烷基硫酸钠溶剂)配制了80个油类样本; 然后, 利用FS920荧光光谱仪采集样本的三维荧光光谱数据, 并对该数据进行去散射及标准化预处理; 其次, 利用Leverage值识别并删除其中的异常光谱, 并利用平行因子分析算法(PARAFAC)对剩余的光谱进行重构; 最后, 通过PLS-DA建立重构三维荧光光谱的分类模型; 并将重构与未重构的三维荧光光谱分别建立的分类模型进行了对比。 分析结果表明, 三维荧光光谱经过重构后, 可以将四种油类的正确分类率分别从原来的100%, 50%, 60%和20%提高到100%, 100%, 100%和100%, 表明重构的三维荧光光谱具有更加明显的类内特征。 重构三维荧光光谱所建立的分类模型的灵敏度(SENS)、 特异性(SPEC)及F分数分别为100%, 100%和100%, 表明所建立的模型具有稳健及可靠的分析结果。 该研究中, 重构三维荧光光谱利用了PARAFAC解析结果中的浓度得分矩阵及载荷矩阵, 所建立的PLS-DA分类模型不仅从化学成分相对含量的差异而且从化学成分本身对样本进行了定性识别, 所得结果更加具有说服力。 该研究为油类识别提供了一种可靠的方法。
重构三维荧光光谱 油类识别 Reconstructed 3D fluorescence spectrum PARAFAC PLS-DA Oil identification PARAFAC PLS-DA 光谱学与光谱分析
2020, 40(12): 3789
燕山大学电气工程学院, 河北省测试计量技术及仪器重点实验室, 河北 秦皇岛 066004
气溶胶光学厚度(AOD)是气溶胶浓度和大气浊度的重要表征参数。 通过遥感手段实现大气气溶胶光学厚度的反演是大气监测与治理过程中的重要方式, 其中遥感反演AOD的重点和难点是如何选择适合卫星传感器成像特点的方法和符合研究区域的气溶胶类型。 针对传统暗目标法无法直接应用于高分四号(GF-4)卫星多光谱遥感数据的问题, 通过研究得出了GF-4卫星多光谱数据中红、 蓝波段等效地表反射率的分布和两者之间的线性关系, 结合AOD反演原理改进暗目标法使其适用于GF-4卫星多光谱遥感数据; 分析6S辐射传输模型输入参数中气溶胶类型对AOD反演精度的影响, 结果表明气溶胶类型是影响AOD高精度反演的关键要素之一; 利用粒子群(PSO)聚类算法对京津冀地区气溶胶特性实测样本进行聚类分析, 通过分析各个气溶胶类型聚类结果的占比和半衰期变化情况, 最终确定聚类得到的C1、 C4型和6S模型内置的大陆型气溶胶类型进行京津冀地区的AOD反演。 为了验证不同气溶胶类型AOD反演结果的精度, 将反演结果与MODIS气溶胶产品和气溶胶自动观测网(AERONET)地基站点数据进行对比验证, 通过相关系数、 绝对误差等评价标准对不同气溶胶类型的适用性和特点进行评价。 实验结果表明, 以细粒子为主导的C4型气溶胶更满足京津冀地区夏秋两季的气溶胶特点, 与AERONET地基数据的一致性较好, 进一步证明了PSO聚类算法能够有效减小气溶胶类型的差异对AOD反演精度的影响。
气溶胶 GF-4卫星多光谱数据 京津冀地区 PSO聚类算法 Aerosol GF-4 satellite multispectral data Beijing-Tianjin-Hebei region PSO clustering algorithm 光谱学与光谱分析
2020, 40(11): 3321
燕山大学电气工程学院河北省测试计量技术及仪器重点实验室, 河北 秦皇岛 066004
山梨酸钾是日常生活中一种典型的食品防腐剂。 过量食用防腐剂山梨酸钾, 会严重危害人身体健康。 以橙汁作为背景溶液, 配制山梨酸钾含量在0.007 0～0.100 0 g·L-1之间的山梨酸钾橙汁溶液样本共22组。 应用FS920荧光光谱仪对防腐剂山梨酸钾的水溶液以及橙汁溶液的荧光特性进行了研究。 由于山梨酸钾和橙汁的荧光特性相互干扰, 山梨酸钾橙汁溶液的浓度与荧光强度不再满足线性关系, 所以物质浓度的预测比较复杂。 通过构建改进鸡群算法优化支持向量机(ICSO-SVM)的模型对荧光光谱数据进行处理。 模型选取18个样本作为训练集, 4个样本作为预测集。 提取各样本在最佳激发波长λex=375 nm下, 发射波长在450～520 nm范围内的荧光强度值作为输入, 以山梨酸钾橙汁溶液的浓度值作为输出。 首先对改进鸡群算法(ICSO)的各个参数进行初始化, 然后经过训练输出支持向量机(SVM)的惩罚因子C和核参数g的最佳值, 再将得到的最佳值输入SVM模型, 得到4组预测浓度值分别为0.011 5, 0.026 0, 0.077 0和0.092 0 g·L-1。 ICSO-SVM模型的均方误差为1.02×10-5 g·L-1, 平均回收率为101.88%。 相同条件下与鸡群算法优化支持向量机(CSO-SVM)、 遗传算法优化支持向量机(GA-SVM)和粒子群算法优化支持向量机(PSO-SVM)进行对比。 结果表明ICSO-SVM模型的预测精度高于CSO-SVM, GA-SVM和PSO-SVM, 而且改进鸡群算法在训练过程中更容易找到全局最优值, 迭代速度更快。 该研究为物质浓度预测提供了一种新方法。
荧光光谱 改进鸡群算法 支持向量机 山梨酸钾 Fluorescence spectra Improved chicken swarm algorithm Support vector machine Potassium sorbate 光谱学与光谱分析
2020, 40(5): 1614
1 燕山大学电气工程学院, 河北 秦皇岛 066004
2 Department of Telecommunications and Information Processing, Ghent University, B-9000 Ghent, Belgium
3 燕山大学信息科学与工程学院, 河北 秦皇岛 066004
石油作为一种重要的化石能源, 是人类社会生产活动中不可缺少的一部分。 石油在被人们开采、 使用的过程中不可避免地会发生泄漏, 泄漏的石油会给生态环境带来严重的威胁。 因此, 在石油泄漏后需要及时对其进行处理, 而其前提是能够准确识别石油种类。 由于石油中多种物质具有荧光特性, 因此应用荧光光谱法可对石油进行有效检测。 但石油所含组分较多, 使得其光谱信息重叠严重, 识别困难。 而三阶校正方法具有“三阶优势”, 可以分辨高共线性、 高噪声水平下的数据。 其中, 三阶校正中的交替加权残差约束四线性分解(AWRCQLD)算法具有收敛速度快、 对组分数不敏感等优点; 因此, 利用三维荧光光谱技术结合AWRCQLD算法, 对混合油液进行检测。 首先, 配制3种盐度条件下的十二烷基硫酸钠(SDS)溶剂; 并在每种盐度条件下分别将航空煤油和润滑油按照不同浓度比混合, 最终得到24个校正样本和9个预测样本。 然后, 使用FLS920荧光光谱仪对实验样本进行光谱数据采集。 其次, 使用扣除空白法去除光谱中的散射, 并通过核一致诊断法判断混合油中的组分数。 最后, 用AWRCQLD算法对四维光谱矩阵进行解析。 研究结果表明, 在0~20盐度范围内, 随着盐度的增加, 航空煤油的荧光强度先减小后增大, 润滑油的荧光强度先增大后减小; 混合油解析光谱曲线分别与航空煤油及润滑油的实际光谱曲线重合度良好; 经AWRCQLD算法解析后得到的航空煤油的回收率范围为100.2%~109%, 均方根误差为0.002 1 mg·mL-1; 润滑油的回收率范围为91.8%~109.3%, 均方根误差为0.004 8 mg·mL-1。 通过引入盐度作为新一维度的数据, 从而将三维光谱数据阵扩展到相应的四维光谱数据阵。 并利用AWRCQLD算法对四维光谱数据阵进行了解析, 实现了在不同盐度条件下对混合油的定性和定量分析。 同时, 为不同盐度条件下的混合油液检测提供了参考。
三维荧光光谱 海水盐度 混合油检测 3D fluorescence spectroscopy AWRCQLD AWRCQLD Seawater salinity Mixed oil detection 光谱学与光谱分析
2020, 40(6): 1769
1 燕山大学电气工程学院, 河北 秦皇岛 066004
2 Department of Telecommunications and Information Processing, Ghent University, B-9000 Ghent, Belgium
3 燕山大学信息科学与工程学院, 河北 秦皇岛 066004
随着海洋中石油资源的不断开发, 泄漏到海洋环境中的石油也日益增多, 它不仅威胁着海洋生态环境, 同时也严重影响着人们的身体健康。 因此, 快速、 有效地检测出海洋环境中的石油类污染物对于保护海洋生态环境和人类健康具有重要意义。 石油产品中含有大量的多环芳烃, 其具有较强的荧光特性。 因此, 荧光光谱技术成为检测石油类污染物的重要手段之一。 利用三维荧光光谱技术结合平行因子分析算法和模式识别方法, 对石油类污染物进行表征和分类。 首先, 以海水和十二烷基硫酸钠(SDS)配制的胶束溶液作为溶剂, 分别配制不同浓度的柴油、 航空煤油、 汽油和润滑油溶液, 最终得到80个实验样本; 然后, 利用FLS920型荧光光谱仪采集实验样本的三维荧光光谱数据, 并通过Delaunay三角形内插值法对所获得的三维荧光光谱数据进行去散射处理; 其次, 利用平行因子分析（PARAFAC）算法分解去散射后的三维荧光光谱数据, 通过运用核一致诊断法和残差分析法对组分数进行估计; 最后, 为了建立稳健的分类模型, 利用Kennard-Stone算法将80个实验样本分为60个训练集样本和20个测试集样本, 运用K最近邻(KNN)算法、 主成分判别分析(PCA-LDA)算法以及偏最小二乘判别分析(PLS-DA)算法分别建立分类模型, 并利用灵敏度、 特异性和准确率对分类效果进行评估。 研究结果表明: 三种分类模型对测试集中样本的识别准确率分别为85%, 90%和94%, 其中, PLS-DA分类模型对测试集样本的识别准确率最高, 具有最佳的分类效果。 因此, 在利用平行因子分析算法提取石油类污染物荧光光谱数据的基础上, 结合模式识别方法可以很好的对不同种类油品进行分类研究。 利用三维荧光光谱技术结合平行因子分析算法和模式识别方法快速、 有效地检测油类污染物, 为石油类污染物的快速检测提供了一种新的研究思路和重要参考。
光谱学 石油类污染物 三维荧光光谱 平行因子分析 模式识别 Near infrared spectroscopy Preprocessing Gray wolf algorithm Support vector machine Traceability of fish meal origin 光谱学与光谱分析
2020, 40(9): 2798
