高光谱技术由于满足连续性与光谱可分性的要求, 具有能够区别同一种地物不同类别的能力, 且光谱数据获取速度快, 操作简易, 在监测水体分布状况、 水体指标上具有突出成就。 生化需氧量BOD是评价水污染的重要指标, 现行常规的测量方法为五日培养法, 这种方法消耗试剂、 操作复杂、 受干扰因素多、 测定时间长、 不能及时反映水质变化、 无法及时有效地预警突发水污染事件, 鉴于传统方法的缺点, 探索基于高光谱技术的水体BOD含量的估算和反演对水质评定具有重要意义。 以西安地区三处地表水为研究区, 共计60处试验点, 每处试验点重复测定10次光谱与BOD值, 取平均值作为原始光谱, 利用Person相关系数法筛选光谱与BOD值的敏感波段, 并使用主成分分析与最小二乘法消除光谱指标的多重共线性, 建立水质BOD指标的多元线性回归模型与偏最小二乘回归模型。 研究结果如下: (1)BOD敏感波段大体分布于600～900 nm, 共筛选出了35个显著相关的原始光谱指标, 其中758 nm相关系数绝对值最高(0.418); (2)经由主成分分析降维得出的Z1和Z2与BOD指标的多元线性回归模型精度较好(R2=0.565, RMSE=0.007), 且主成分分析中可以明显区分0～0.2与0.4～0.6 mol·L-1 BOD浓度; (3)光谱指标与BOD指标构建偏最小二乘回归模型的精度R2高达0.896, RMSEP=0.746 9(留一交叉法均方根误差); jack.test检验发现628 nm对反演水体BOD含量的影响极其显著, 889与893 nm波段对其影响较为显著; (4)根据模型拟合精度, 筛选的最优的BOD反演模型为偏最小二乘回归模型, 对偏最小二乘模型进行精度检验, 精度较好(R2=0.81)。 基于以上试验结果, 提出了一种基于偏最小二乘法高光谱水质BOD参数的反演方法, 为水质BOD参数动态检测提供了新方法。

草坪色泽是草坪观赏价值的最直接体现。 探索基于高光谱的草坪草叶绿素含量的估算和反演对草坪质量评定具有重要意义。 以3种常用草坪草种——“红象”高羊茅（Festuca arundinacea cv. Hongxiang）、 “百灵鸟”多年生黑麦草（Lolium perenne cv. Bailingniao）和“肯塔基”草地早熟禾（Poa pratensis cv. Kentucky）为试样, 通过盆栽实验, 在草坪草生长旺盛期, 使用SOC710VP成像光谱仪和TYS-A3500叶绿素仪分别测定了草坪草冠层光谱数据和叶绿素相对含量（SPAD）, 并通过Person相关系数分析了原始SPAD, 1/SPAD和log（1/SPAD）与10个植被指数: GI（绿度植被指数）、 ARVI（大气阻抗植被指数）、 VARI（可视化气压阻抗指数）、 NDVI705（归一化植被指数705）、 MSR705（改进红边比值植被指数）、 NDVI670（归一化植被指数670）、 CI（叶绿素指数）、 PSRI（植被衰减指数）、 RGI（相对绿色指数）和EVI（增强植被指数）的相关性, 筛选与叶绿素相关性较高的高光谱波段植被指数, 构建植被指数反演叶绿素含量模型, 最后通过精度检验, 筛选最优草坪草叶绿素估算模型。 研究结果如下: (1）不同草坪草光谱曲线整体趋势相差不大, 但不同种间反射率（REF）还是有所区别。 在730~1 000 nm波段, “百灵鸟”多年生黑麦草与“红象”高羊茅REF差异不大, 但“肯塔基”草地早熟禾REF较高, 光谱特征更为明显; (2）10个植被指数中, VARI, RGI和PSRI与草坪草3个叶绿素指标极显著相关, 相关系数R2绝对值均大于0.65, 可作为首选植被指数进行草坪草叶绿素含量估算; （3）植被指数与叶绿素指标逐步回归分析发现, 单因素回归模型中, 利用VARI, RGI和PSRI估算1/SPAD的模型决定系数R2均在0.6以上, 普遍高于SPAD与log（1/SPAD）的估算模型; 而多元线性回归中, 10个植被指数中, RGI与叶绿素指标1/SPAD所构建的模型决定系数R2同样最高, 为0.817, 说明SPAD倒数形式适用于草坪草叶绿素反演; (4）选择决定系数较高（>0.7）的模型进行精度检验, 筛选的最优的草坪草叶绿素指标反演模型为: y1/SPAD=0.161xRGI+0.007xGI-0.054（R2=0.817, RMSE=0.023）。

提出了一种基于高光谱数据简化的改进非负矩阵分解端元提取方法,通过计算和比较图像的光谱信息熵,划分图像的同质区,只选择同质区中最具代表性的像元参与非负矩阵分解运算,减少了端元提取算法的运算量。实验结果显示,数据简化前后运用非负矩阵分解算法所提取的几种矿物的光谱角均值基本相等,但数据简化后端元提取算法的运行时间减少了4/5,算法的运行效率提高。

高寒灌丛是青藏高原生态系统的重要组成部分, 研究高寒灌丛对青藏高原生态系统的系统研究具有重要的意义。 但是长期以来, 由于地处偏远而交通欠发达、 加之生长条件严酷, 造成青藏高原高寒灌丛相关研究较为困难。 遥感探测技术, 可以克服地理及环境造成的困难, 而且可以进行大面积、 无损的探测, 因此, 可以采用遥感探测技术进行青藏高原的高寒灌丛研究。 传统的高分辨率遥感探测技术, 由于常常采用的是RGB三个波段, 对不同植物的辨别精度低, 对应植物的NDVI指数和RVI指数差异性较小, 不能有效区分各类植被。 同时, 高光谱反射率曲线和辐照度曲线, 蕴含上千波段的光谱信息, 若选择某一单一波段来进行植被探测, 则光谱信息损失非常大, 反应出来的灌丛特征不明显, 结果置信度低。 为了区别高寒灌丛植被, 利用高光谱技术对灌丛开展光谱特征分析, 为青藏高原灌丛的遥感探测提供理论支持。 本研究借助美国FieldSpec4高分辨率地物光谱仪, 在东祁连山马牙雪山景区内采集头花杜鹃（Rhododendron capitatum Maxim.）、 鬼见愁（Caraganajubata (Pall.) Poir.）、 金露梅（Potentillafruticosa L.）、 高山柳（Salix cupularis）、 甘肃瑞香（Daphne tangutica Maxim.）和鲜黄小檗（Berberisdiaphana）六种典型灌木植物的室内光谱数据, 通过反射率（REF）、 吸收率（ABS）及其一阶微分（GREF和GABS）的变换, 进一步提高灌木植物光谱曲线间的可辨析度, 分析并筛选出敏感波段, 而后通过各个波段之间的相互组合计算NDVI′值和RVI′值, 并且以TM设置波段计算的NDVI值和RVI值作为参考, 筛选出优于TM波段且差值最大的波段组合确定为最优模型。 结果表明: (1）灌木植物对太阳辐射吸收形成的光谱特征曲线与大多数植物相似, 但与草本植物相比, 灌木植物的第一个波谷发生了左移现象; (2）灌木植物在某些敏感波段中反映出独有的光谱特征, 通过REF, ABS, GREF和GABS变换, 可以进一步扩大, 利用这一特点可以筛选出敏感波段, 进行灌丛分类和识别; (3）六种灌木植物光谱值差异较大, 且数值相对较为稳定的波段有550～680, 860～1 075, 1 375～1 600和1 900～2 400 nm, 因此可选取这四个波段为敏感区进行灌木植物识别; (4）利用575～673和874～920 nm敏感波段的REF均值或者685～765, 556～590, 635～671和1 117～1 164 nm敏感波段的GABS面积, 计算的NDVI值和RVI值可以有效辨别六种灌木植物。

传统的高光谱遥感影像分类算法侧重于光谱信息的应用。 随着高光谱遥感影像的空间分辨率的增加, 高光谱影像中相同类别的地物在空间分布上呈现聚类特性, 将空间特性有效地应用于高光谱遥感影像分类算法对分类精度的提升非常关键。 但是, 高光谱影像的高分辨率提供空间聚类特性的同时, 在不同地物边缘处表现出的差异性更加明显, 若不对空间邻域像素进行甄选, 直接将邻域光谱信息引入, 设计空谱联合稀疏表示进行图像分割, 则分类误差较大, 收敛速度大大降低。 将光谱角引入空谱联合稀疏表示图像分类理论中, 提出了一种基于邻域分割的空谱联合稀疏表示分类算法。 该算法利用光谱角计算相邻像素的空间相似度, 剥离相似度较低的邻域像素, 将相似度高的邻域像素定义为同类地物, 引入空谱联合稀疏表示模型中, 采用子联合空间追踪算子和联合正交匹配追踪算子对其优化求解, 以最小重构误差为准则进行分类。 选取AVIRIS及ROSIS典型光谱影像数据进行实验仿真, 从中可以看出, 随着光谱角分割阈值的提高, 复杂的高光谱影像分类精度和平滑区域的高光谱影像分类精度均逐步提高, 表明邻域分割在空谱联合稀疏表示分类中的必要性。

高光谱遥感影像不但具有高分辨率的空间信息还包含连续的光谱信息, 因此在目标探测领域具有独特的应用优势。 传统的高光谱遥感影像目标探测侧重于光谱信息的应用, 形成了确定性算法和统计学算法。 确定性算法通过计算目标光谱与待检测光谱之间的距离来查找目标, 不能检测亚像素目标, 而且容易受到噪声的影响; 统计学目标检测计算背景统计特性, 通过探测异常点来检测目标, 可以检测亚像素目标和小目标, 但容易受到目标尺寸的影响, 不能很好的检测大目标。 随着高光谱遥感影像的空间分辨率的增加, 探测目标已有亚像素目标逐步转换为单像素及多像素目标, 此时, 在高光谱图像中, 相同类别的地物在空间分布上呈现聚类特性, 因此, 在利用高光谱遥感影像进行目标探测时, 需要将其空间信息融入算法中。 将空间特征引入传统目标探测算法。 提出了一种新的空谱结合的高光谱目标探测算法, 将传统的基于统计的目标探测算子与空域邻域聚类算法相结合, 首先利用目标探测算子将影像划分为潜在目标区域与背景区域; 通过计算潜在目标区域的质心, 以质心为中心进行邻域聚类, 剔除潜在目标区域中的背景区域, 通过迭代计算获取最终目标探测结果。 传统的基于统计的目标探测算子, 将整个探测区域定义为背景区域, 实现对背景区域的统计特征提取, 而该方法将背景区域与潜在目标区域分离, 剔除了目标区域对背景区域的统计干扰。 将本算子与传统的约束能量最小化算子和自适应余弦探测算子进行分析比较可知, 该算子的大目标探测性能优于传统的统计算子。

提出了一种基于窗口融合特征对比度的光学遥感目标检测方法。首先,在训练图像上生成大量不同尺寸的滑动窗, 计算了各窗口的多尺度显著度、仿射协变区域对比度、边缘密度对比度以及超像素完整度4项特征分值, 在确认集上基于窗口重合度和后验概率最大化学习各个特征的阈值参数。然后, 采用Naive Bayes框架进行特征融合, 并训练分类器。 在目标检测阶段首先计算测试图像中各窗口的多尺度显著度分值, 初步筛选出显著度高且符合待检测目标尺寸比例的部分窗口。然后计算初选窗口集的其余3项特征, 再根据训练好的分类模型计算各个窗口的后验概率。最后, 挑选出局部高分值的候选区域并进行判断合并, 得到最终目标检测结果。针对飞机、油罐、舰船等3类遥感目标的检测结果显示: 4类特征在单独描述3类目标时表现出的性能各有差异, 最高检测准确率为74.21%~80.32%, 而融合方案能够综合考虑目标自身特点, 准确率提高至80.78~87.30%。与固定数量滑动窗方法相比, 准确率从约80%提高到约85%, 虚警率从20%左右降低为3%左右。最终高分值区域数降低约90%, 测试时间减少约25%。得到的结果显示该方法大大提高了目标检测精度和算法效率。

提出一种利用图像的空间结构信息在特征空间中设计大小适宜的超球, 将单形体的顶点分隔在超球外部, 剔除超球内部的数据, 只保留超球外部的少量数据参与端元提取算法。经过分析, 该方法可以大大减少端元提取算法的运算量。通过实验对比, 用相关端元提取算法对简化后的数据进行端元提取的结果精度很高, 与简化前数据的端元提取结果吻合。