1 空军航空大学, 吉林 长春 130022
2 东北师范大学地理科学学院, 吉林 长春 130024
作为遥感领域的新兴技术, 高光谱成像为遥感影像处理分析和计算机视觉提供了海量内容。 高光谱图像的优势在于电磁波谱的范围广度与高分辨率, 能够将地物目标的光谱反射特性和差异特征更全面地表现出来, 广泛地应用于地物分类、 目标识别、 异常检测等领域。 但是, 高光谱图像由于数据量繁重、 信息重叠冗杂等问题, 给图像处理、 存储和传输带来一定挑战。 选择合适的光谱波段可以在不改变原图像物理信息的情况下, 达到较好的图像处理成果。 为设计适合数据降维和目标地物分类的波段选择方法, 提出将视觉显著性模型应用到波段选择方法中。 首先引入基于图像空间分布的目标显著性算法进行波段图像处理得到目标显著图; 其次, 利用目标显著图分析地物之间在每一波段图像中的可分离程度定义为波段显著性。 为避免波段信息重叠, 在波段选择之前利用谱聚类算法将波段划分为若干子空间。 然后在子空间内依据波段显著性降序排列, 选择各子空间中目标显著性表现较好的波段组成波段子集; 最后, 在GF-5采集的高光谱图像数据进行方法验证, 筛选有效的目标显著性算法, 与常用的波段选择算法进行分类精度比较。 结果表明, 基于LC目标显著性算法的波段选择子集, 在SVM分类器中具有优异分类结果, 总体分类精度和Kappa系数达87.780 0%和0.805 3, 优于应用全波段和其他三种波段选择方法的结果子集。
高光谱遥感 数据降维 目标显著性 波段选择 地物分类 Hyperspectral remote sensing Data reduction Target saliency Band selection Object classification 光谱学与光谱分析
2023, 43(9): 2952
1 长安大学地质工程与测绘学院，陕西 西安 710064
2 长安大学土地工程学院，陕西 西安 710064
及时准确地掌握土壤重金属含量和分布尤为重要，基于高分五号卫星高光谱影像，对潼关县土壤Cd含量进行大范围反演。为准确筛选Cd元素的特征波段，提高模型反演精度，通过特征编码和随机变异，耦合竞争性自适应重加权算法与遗传算法（CARS-GA），按照先全局后局部的搜索策略对Cd元素的特征波段进行搜索，并在标准正态变换（SNV）、一阶微分（FD）两种光谱增强方式下，比较基于CARS-GA方法与其他波段选择方法（相关系数分析法、CARS算法）构建的偏最小二乘模型（PLSR）精度，最后选择最优模型应用到整个潼关县裸地区域。实验结果表明：采用CARS-GA算法进行波段选择时，基于2种光谱变换数据构建的PLSR模型精度均明显高于相关系数分析法和CARS算法所构建的模型精度，FD光谱变换中验证集的决定系数分别提高了0.288、0.093，SNV变换光谱中验证集的决定系数分别提高了0.372、0.088。该结果表明了利用CARS-GA算法进行波段选择可有效增强Cd含量估测模型的鲁棒性，从而为环境污染评价及生态保护提供更好的数据支撑。
高光谱 遥感 土壤重金属 波段选择 竞争性自适应重加权算法 遗传算法 激光与光电子学进展
2023, 60(17): 1728001
1 东华理工大学测绘工程学院，江西 南昌 330013
2 中国科学院空天信息创新研究院计算光学成像技术重点实验室，北京 100094
传统基于聚类的波段选择方法多属于硬聚类，在对波段进行划分时不够精确。针对该问题，提出一种基于模糊C-均值聚类（FCM）的无监督波段选择方法，通过引入萤火虫算法（FA）得到FCM-FA，利用FA的全局搜索特性，修正FCM在特定情况下获得局部最优解的问题。在两个公开高光谱数据集上进行分类实验，结果表明：在136组实验中，所提FCM-FA所选波段在55.9%的情况下能够达到使用全波段的分类精度；在77.9%情况下能够达到最优分类精度；FA的引入有效地提升了FCM的效果，总体精度最大提高了3.12个百分点，Kappa最大提高了4.26个百分点。经验证，FCM-FA能够在大幅减少数据量的同时保留原数据的主要信息，可进一步进行推广和研究。
遥感 波段选择 高光谱图像 模糊C-均值聚类 萤火虫算法 激光与光电子学进展
2023, 60(12): 1210015
1 中国石油大学(华东)海洋与空间信息学院, 山东 青岛 266580
2 海洋国家实验室海洋矿产资源评价与探测技术功能实验室, 山东 青岛 266237
3 中国农业科学院烟草研究所, 山东 青岛 266101
烟草是我国重要的经济作物, 税收的重要来源, 为国家的经济发展做出了巨大贡献, 然而, 烟草病害严重影响烟叶产量与品质。 采用光谱分析技术对烟草病害进行早期防治具有非常重要的现实意义。 以接种烟草花叶病毒(TMV)与马铃薯Y病毒(PVY)的烟草为研究对象, 分别采集室内与室外培养的染病烟草叶片高光谱数据。 为实现对烟草病害的精准识别, 每隔两天对两种染病烟草进行光谱数据采集, 将每种病害数据详细地分成五个严重度等级, 最终获得1 697个在350~2 500 nm波段范围内的光谱数据。 为对烟草高光谱数据进行有效利用, 以支持向量机(SVM)为基础, 结合快速近邻波段选择算法(FNGBS)与归一化匹配滤波(NMFW), 提出一种聚类与排序相结合的波段选择算法(FNG-NMFW)。 FNG-NMFW首先采用FNGBS算法对烟草光谱进行精细分组, 再采用NMFW算法对各组波段进行排序以选择特征光谱, 实现烟草光谱特征提取与降维。 在波段选择的基础上, 采用SVM对烟草特征光谱进行分类, 最终实现高精度烟草病害检测。 研究结果显示: 该模型性能稳定, 在样本数量较少情况下, 即可实现TMV与PVY两种病害的高精度识别。 对于TMV1与TMV3, 该算法可以获得精度优于94%的检测结果, 对于PVY1与PVY3, 该算法精度接近90%, 表明该算法可有效完成两种病害早期的识别与预防工作。 与采用全波段光谱数据进行病害检测的模型相比, FNG-NMFW模型优势明显, 烟草病害检测结果总体精度达94.46%, 精度提高约1.5%, 检测时间由12.9 s缩短为1.1 s。
烟草病害 精准识别 高光谱 波段选择 支持向量机 Tobacco disease Precise identification Hyperspectral Band selection Support vector machine 光谱学与光谱分析
2023, 43(4): 1023
1 东北林业大学机电工程学院，黑龙江 哈尔滨 150040
2 无锡科技职业学院人工智能学院，江苏 无锡 214000
波段选择是降低高光谱数据维度，减少数据过多冗余的有效手段，是高光谱影像像素分类的重要前提。其本质上是一个复杂的组合优化问题，用传统的搜索方法不易得到满意的解。针对上述问题，提出了一种结合黄金正弦和混沌斑鬣狗算法（GSSHO）的高光谱波段选择方法。首先，使用混沌策略初始化斑鬣狗种群，提高种群的随机性和多样性；然后，用黄金正弦算法改进原始斑鬣狗算法搜索个体位置更新方式，提高算法的全局搜索能力；最后，设计结合分类精度和波段个数的适应度函数，对算法优化性能进行评价。在高光谱遥感数据集上，将该方法与其他先进优化算法进行比较，实验结果表明，该方法所选波段个数接近原波段的1/10，对于Pavia Centre数据集分类精度高达99.08%，优于其他对比方法，能以更合理的收敛方向找到最优解，所选波段数更少，分类精度更高，是一种高效的波段选择方法。
成像系统 波段选择 斑鬣狗优化算法 黄金正弦算法 混沌策略 激光与光电子学进展
2022, 59(10): 1030003
1 江苏师范大学地理测绘与城乡规划学院, 江苏 徐州 221116
2 农业部农业遥感机理与定量遥感重点实验室, 北京农林科学院信息技术研究中心, 北京 100097
叶面积指数(LAI)是评价作物长势和作物产量的重要参数。 为有效利用高光谱信息, 优选出最佳波段进而构建新型双波段指数来提高LAI估测精度, 以冬小麦为研究对象, 获取冬小麦孕穗期无人机高光谱数据和实测地面LAI数据, 开展冬小麦LAI反演研究。 首先采用连续投影算法(SPA)、 最佳指数法(OIF)以及逐波段组合法(E)分别进行无人机高光谱数据最佳波段筛选, 进而将所选最佳波段构建新型双波段指数(VI_OIF, VI_SPA, VI_E); 然后将构建的新型双波段指数和常规双波段指数(VI_F)与LAI进行相关性对比分析, 最后结合支持向量回归(SVR)、 偏最小二乘回归(PLSR)和随机森林回归模型(RFR)进行LAI估算, 并对比分析常规双波段指数的估算精度, 验证最佳波段选择方法构建新型双波段指数的最佳回归模型反演LAI的可行性。 结果表明: (1)新构建双波段指数VI_OIF, VI_SPA, VI_E和VI_F与冬小麦LAI的相关性均达到0.05的显著水平, 其中VI_SPA和VI_E与LAI的相关系数高于0.65, 且RSI_SPA和RSI_E与LAI的相关性较高(r>0.71); (2)对比分析VI_OIF、 VI_SPA、 VI_E和VI_F构建的SVR模型、 PLSR模型和RFR模型的冬小麦LAI估测精度, VI_SPA_PLSR模型估测精度最高, R2和RMSE分别为0.75和0.90。 该方法可为无人机高光谱数据波段选择以及冬小麦LAI反演提供技术支持和理论参考。
无人机 高光谱影像 波段选择 冬小麦 叶面积指数 Unmanned aerial vehicle (UAV) Hyperspectral image Band selection Winter wheat Leaf area index 
1 重庆大学生物工程学院, 重庆 400044
2 泸州老窖股份有限公司, 四川 泸州 646000
3 中国食品发酵工业研究院有限公司, 北京 100015
基于中红外光谱分析技术对浓香型白酒原酒中总酸及己酸乙酯的关键指标含量进行检测分析, 采用标准正态变换(SNV)方法对数据进行预处理, 结合组合间隔偏最小二乘波段选择法(SiPLS)及遗传算法(GA)对各指标的特征吸收波长进行筛选, 最终采用偏最小二乘法(PLS)建立分析模型, 通过决定系数R2、 预测标准偏差(RMSEP)、 性能和标准差之比(RPD)以及实际生产的独立测试样品对所建模型效果进行评价, 探索中红外光谱分析技术结合波段筛选用于白酒原酒关键指标的定量分析效果。 结果表明: 采用中红外全光谱397~4 000 cm-1波段所建模型效果并不理想, 总酸及己酸乙酯模型的RMSEP值分别达到0.156及0.981, R2仅有0.666及0.453, RPD值为1.731及1.213, 代表模型整体的相关拟合效果并不理想, 预测误差较大, 无法应用于实际生产。 而采用GA在SiPLS波段优化基础上进一步进行特征变量筛选后, 所建模型效果有了非常显著的提升, 总酸及己酸乙酯两项指标的GA-SiPLS模型均体现出了较高的预测精度, R2分别提升到了0.993及0.997, RMSEP值分别降低到0.023及0.077, RPD值提升至11.739及15.455, 变量数也分别从935个降低到55及40个, 在保留关键信息变量, 体现原酒中总酸及己酸乙酯指标特征吸收的同时, 有效减轻了模型的复杂程度, 同时提高了模型运算速度及预测效果, 充分体现了波段筛选对于中红外光谱分析技术应用于白酒原酒关键指标定量分析的重要性, 也说明了中红外光谱技术结合波段筛选在白酒品质控制及原酒成分分析中的巨大潜力。 考虑到白酒成分复杂, 大部分关键品质指标含量相对较低, 而中红外吸收区域的基频吸收强度具有比倍频、 合频吸收强数十倍的特点, 中红外光谱可能比其余光谱技术更适用于白酒液体样品的快速分析, 为白酒酿造过程的品质控制提供技术借鉴, 同时为酒类品质的快速分析方法开拓提供新的思路。
白酒 中红外光谱分析技术 定量分析 波段筛选 Chinese spirits Mid-infrared spectroscopy analysis technology Quantitative analysis Band selection 
1 济南大学建筑材料制备与测试技术重点实验室, 山东 济南 250022
2 济南大学自动化与电气工程学院, 山东 济南 250022
近红外光谱检测技术已经成功应用于水泥生料成分的快速检测, 但我国水泥企业在生产水泥生料时所用原材料品种不一, 使用不同的原材料进行生产时对近红外光谱建模带来一定影响。 为了研究不同原料生产的水泥生料近红外光谱建模差异, 对不同地区水泥生产线所生产的水泥生料进行建模研究。 选取两个不同地区水泥生产线的水泥生料样本各95份和82份, 各自选取80份和67份作为校正集, 15份作为验证集。 首先将两条水泥生产线的样本每份重复装样测3次光谱, 取平均光谱做为样本的近红外光谱。 然后通过采用S-G平滑法对两个不同地区所生产的水泥生料近红外光谱进行预处理。 对比发现两个地区水泥生料近红外光谱存在一定差异, 采用偏最小二乘回归算法建立检测模型, 所建立的模型精度差异较大。 采用CARS波段挑选法, 分别对两种水泥生料近红外光谱进行挑选, 生产线一的水泥生料样本SiO2, Al2O3, Fe2O3和CaO近红外光谱波段由3 113个变量分别保留了85, 89, 55和67个变量, 生产线二的水泥生料近红外光谱则分别保留了51, 55, 55和55个变量, 且保留的波段明显存在一定区别。 最后分别建立了两个地区的水泥生料SiO2, Al2O3, Fe2O3和CaO近红外光谱检测模型。 通过对比发现原材料不同时所挑选的波段不同, 且检测模型预测效果良好。 生产线一的SiO2, Al2O3, Fe2O3和CaO检测模型的RMSEP(预测均方根误差)分别为0.109, 0.053, 0.034和0.185, 生产线二 的SiO2, Al2O3, Fe2O3和CaO检测模型的RMSEP分别为0.084, 0.024, 0.023和0.184。 结果表明当水泥生料的原材料发生变化或者产地不一时, 不能仅靠修正模型对水泥生料进行检测, 而是需要重新进行近红外光谱建模, 且光谱波段选择也会发生变化。 采用波段挑选法对水泥生料近红外光谱进行波段挑选能够提高检测模型的模型精度。
近红外光谱 水泥生料 波段挑选 检测模型 Near-infrared spectroscopy Cement raw material Band selection Detection model
1 空军航空大学, 长春 130022
2 中国人民解放军 31434部队, 沈阳 110000
为了快速揭露植被伪装, 基于Relief-F算法进行了高光谱波段选择, 将高光谱研究问题转化为多光谱应用问题。首先以常见植物云杉模拟植被伪装目标, 利用HH2地物光谱仪采集实验数据, 然后引入Relief-F算法筛选特征波段子集, 与其它两种常用算法得到的波段子集进行了分类实验。结果表明, 使用Relief-F算法筛选特征波段子集分类精度达96.4%, 高于其它两种算法。该研究对于揭露植被伪装问题是有帮助的。
光谱学 高光谱图像 Relief-F算法 波段选择 植被伪装 伪装揭露 spectroscopy hyperspectral images Relief-F algorithm band selection vegetation camouflage camouflage reveal
燕山大学河北省测试计量技术与仪器重点实验室，河北 秦皇岛 066004
如何从图像中选择出分类效果好的波段组合是高光谱图像分类任务的关键问题。针对上述问题，提出一种基于单波段图像类间可分性和波段间相关性的波段选择算法。根据类间可分性原则，采用单波段图像中各类样本点矩阵的均值和标准差来衡量单波段图像的类间可分性，结合波段间的相关系数来选择出类间可分性好、波段间相关性低的波段组合。最后对所提算法波段选择前后的图像和自适应波段选择算法波段选择后的图像进行支持向量机分类。在Indian Pines和Salinas数据集上的分类结果表明，当波段选择的光谱波段数目为20个，分类训练集为每类地物随机抽取20个样本点时，所提算法的总体分类精度较自适应波段选择算法分别提高了7.34个百分点和2.96个百分点。
遥感 高光谱图像 波段选择 类间可分性 激光与光电子学进展
2022, 59(4): 0428003
