1 北方民族大学 计算机科学与工程学院， 宁夏银川75002
2 西安电子科技大学 电子工程学院，陕西西安710071
由于不同的照明条件、复杂的大气环境等因素，相同端元的光谱特征在图像的不同位置呈现出可见的差异，这种现象被称为端元的光谱变异性。在相当大的场景中，端元的变异性可能很大，但在适度的局部同质区内，变异性往往很小。扰动线性混合模型（Perturbed Linear Mixing Model，PLMM）在解混的过程中可以减轻端元变异性造成的不利影响，但是对缩放效应造成的变异性的处理能力较弱。为此，本文改进了扰动线性混合模型，引入了尺度因子以处理缩放效应造成的变异性，并结合超像素分割算法划分局部同质区，然后设计出基于局部同质区共享端元变异性的解混算法（Shared Endmember Variability in Unmixing，SEVU）。与扰动线性混合模型，扩展线性混合模型（Extended Linear Mixing Model，ELMM）等算法相比，所提SEVU算法在合成数据集上平均端元光谱角距离（mean Spectral Angle Distance， mSAD）和丰度均方根误差（abundance Root Mean Square Error， aRMSE）最优，分别为0.085 5和0.056 2；在Jasper Ridge和Cuprite真实数据集上mSAD是最优的，分别为0.060 3和0.100 3。在合成数据集和两个实测数据集上的实验结果验证了SEVU算法的有效性。
高光谱图像 混合像元分解 光谱变异性 扰动线性混合模型 局部同质区 hyperspectral image unmixing spectral variability perturbed linear mixing model local homogeneous region
华东交通大学 智能机电装备创新研究院 水果智能光电检测技术与设备国家与地方联合工程研究中心, 南昌330013
本文旨在探索涌泉蜜桔糖度的最优检测位置和最佳预测模型，以便为蜜桔糖度检测分级提供理论依据。本文利用波长为390.2～981.3 nm的高光谱成像系统对涌泉蜜桔糖度最佳检测位置进行研究，将涌泉蜜桔的花萼、果茎、赤道和全局的光谱信息与其对应部位的糖度结合，建立其预测模型。使用标准正态变量变换（SNV）、多元散射校正（MSC）、基线校准（Baseline）和SG平滑（Savitzkv-Golay）4种预处理方法对不同部位的原始光谱进行预处理，用预处理后的光谱数据建立偏最小二乘回归（PLSR）和最小二乘支持向量机（LSSVM）模型。找出蜜桔不同部位的最佳预处理方式，对经过最佳预处理后的光谱数据采用竞争性自适应重加权算法（CARS）和无信息变量消除法（UVE）进行特征波长筛选。最后，用筛选后的光谱数据建立PLSR和LSSVM模型并进行分析比较。研究结果表明，全局的MSC-CARS-LSSVM模型预测效果最佳，其预测集相关系数Rp=0.955，均方根误差RMSEP=0.395，其次是蜜桔赤道部位的SNV-PLSR模型，其预测集相关系数Rp=0.936，均方根误差RMSEP=0.37。两者预测集相关系数相近，因此可将赤道位置作为蜜桔糖度的最优检测位置。本研究表明根据蜜桔不同部位建立的糖度预测模型的预测效果有所差异，研究最优检测位置和最佳预测模型可以为蜜桔进行糖度检测分级提供理论依据。
涌泉蜜桔 高光谱 糖度 偏最小二乘回归 最小二乘支持向量机 Yongquan honey orange hyperspectral sugar content partial least-squares regression least-squares support vector machine
西安理工大学机械与精密仪器工程学院激光雷达大气遥感研究中心，陕西 西安 710048
以我国高光谱遥感卫星——环境1号卫星为例，开展结合NCEP再分析资料辅助优化的6S 大气校正方法的分析。首先，考虑到高光谱图像缺少标准反射率产品的问题，利用最优化估计方法构建高光谱反射率曲线，并作为标准曲线，用于大气校正结果的验证。其次，基于6S大气校正理论，开展了大气校正的敏感性分析，确定了气溶胶光学厚度的敏感因素以及气溶胶类型、大气模式和大气温湿度对大气校正系数的敏感性。在此基础上，提出了NCEP再分析资料辅助优化的6S大气校正方法，利用NCEP再分析资料提供的大气温湿度廓线、水平能见度反演的550 nm气溶胶光学厚度等数据资料，优化6S模式的输入参数，得到准确的大气校正系数Xa、Xb和Xc，获得大气校正后的不同地物反射光谱曲线。最后，选取西安作为试验区，以水体为例，进行波谱曲线对比，利用标准曲线对校正结果进行精度评价。对比分析结果表明，NCEP再分析资料辅助优化的6S模式校正的地面反射率结果明显优于6S的大气校正结果，与标准曲线具有一致的反射率变化趋势，二者的相关系数达到0.8596，标准差低于0.0685，各波段地面反射率逐像元误差的平均值和标准差接近0.02，反映了利用NCEP辅助数据优化的6S模式对大气校正有着明显的改善作用，可提高6S 大气校正的地物反射率反演精度。
大气光学 高光谱图像 大气校正 6S 气溶胶 NCEP
杭州电子科技大学自动化学院，浙江 杭州 310018
近年来，随着深度学习的发展，基于深度学习的特征提取方法在高光谱图像领域表现出良好的发展前景。提出了一种引入注意力机制的多尺度高光谱图像特征提取方法，包括光谱特征提取网络和空间特征提取网络两个部分，并使用一种得分融合策略进行融合。在光谱特征提取网络中，引入注意力机制来缓解因光谱维数过高导致的梯度消失问题，以提取多尺度的光谱特征。在空间特征提取网络中，引入注意力机制作用于网络主干，使其关注邻域内的重要部分，帮助分支网络提取关键信息。将5种光谱特征提取方法、3种空间特征提取方法以及3种空间-光谱联合特征提取方法在3个数据集上进行对比实验，实验结果表明，所提方法能够稳定、有效地提升高光谱图像的分类准确率。
高光谱图像 长短期记忆网络 注意力机制 特征提取 深度学习 激光与光电子学进展
2024, 61(4): 0437010
杭州电子科技大学自动化学院，浙江 杭州 310018
针对基于卷积自编码进行空-谱联合的高光谱解混方法中，过度引入像元光谱之间的空间相关性导致丰度过于平滑的现象，提出一种结合注意力机制的双流卷积自编码高光谱解混方法（DSCU-Net）。首先，利用双流卷积网络分别提取高光谱图像的空间特征和光谱特征；其次，为了确保空间特征和光谱特征之间的平衡性，引入通道注意力机制对提取到的空间特征进行重加权，并对光谱特征和重加权后的空间特征进行融合；最后，使用融合后的特征进行高光谱图像重构，并将重构结果送入解混网络的主干网络中进行光谱解混。通过最小化两次重构误差进行解混网络的训练。为了验证所提方法的性能，在两个真实数据集上进行实验，并对复杂场景下算法的性能表现进行分析。结果表明，DSCU-Net能够有效减少过度引入空间相关性造成丰度过于平滑的现象，具有更好的解混性能。
遥感 高光谱解混 卷积自编码器 通道注意力机制 双流结构 激光与光电子学进展
2024, 61(4): 0428008
南京林业大学机械电子工程学院，江苏 南京 210037
近红外光谱及成像检测凭借其高效、无损、非接触等优点近年来被广泛应用于农林产品、食品检测等方面。该技术可快速获取样品光谱和图像信息，进而结合化学计量学、机器学习建模等对样品进行品质安全、掺杂掺假、理化指标和产地溯源等方面检测，深受各行各业的认可。但光学仪器使用环境以及被测样品性质具有局限性，光学检测结果易受到各种因素干扰，从而影响检测精度，应当予以消除或削弱。简述了近红外光谱和高光谱成像的检测基本原理，并对国内外近红外光谱及成像技术在检测时受到的影响因素进行总结与归纳，结合国内外研究学者在相关方面的研究内容，重点在温度、光照、水分、曲率变化和湿度等5个方面及相关校正方法的应用进行阐述，对当前存在的部分问题提出总结与建议，以期为相关方向的研究人员提供参考及借鉴。
近红外光谱 高光谱成像 无损检测 化学计量学 影响因素 校正方法 激光与光电子学进展
2024, 61(4): 0400003
中国计量大学光学与电子科技学院，浙江 杭州 310018
塑料因其可塑性与低成本在日常生活与工业中被广泛使用，然而这也带来环境污染与资源浪费等问题，因此塑料分类成为重要研究课题。为验证高光谱成像技术在塑料分类中的可行性，采用近红外高光谱成像技术（NIR-HSI），比较了1100~1650 nm波段数据在9种常见塑料分类中的效果。涵盖K邻近法（K-NN）、支持向量机（SVM）、粒子群算法训练的SVM（PSO-SVM）、遗传算法优化的SVM（GA-SVM）等机器学习方法。通过验证数据筛选模型准确率后，将其应用于高光谱图像，通过可视化分类对比原始图像评估模型效果。结果显示，基于欧氏距离、余弦相似度的K-NN和GA-SVM分类效果最佳，验证数据的精度分别达到96.14%、96.21%和98.67%，在可视化分类上也呈现出良好效果。高光谱成像技术在塑料分选中具有很高的应用价值，只需获取特定塑料的光谱数据并进行适当处理，即可对不同颜色、形状、工艺的同类塑料制品进行有效区分。
近红外高光谱成像 塑料分类 机器学习 可视化分类 激光与光电子学进展
2024, 61(2): 0211031
光子学报
2023, 52(12): 1210002
1 北京空间机电研究所，北京 100094
2 大连海事大学信息科技学院，辽宁大连 116026
为解决无人机高光谱成像仪体积大，探测效率低等问题，提出了一种轻小型多模态高分辨率高光谱成像仪。文中主要介绍了高光谱成像仪光学系统设计，数据采集及实时处理模块。通过切换扫描模式满足光谱特性分析，目标检测等不同领域的探测模式需求。采用低畸变、高通量、紧凑型分光光学系统设计实现无人机平台对光谱成像仪的重量要求和探测精度要求。根据设计需求实现产品的加工同时进行了性能测试，其中，MTF达到 0.19，光谱分辨率 3.5～5.4 nm。通过检测多种流水线中的杂质验证系统对实时目标检测的能力。实现结果表明，系统能够实现每秒 2048 pixel×2048 pixel场景的高精度光谱异常目标探测，探测精度优于87%。
高光谱成像系统 无人机平台 多模态 轻小型 hyperspectral imaging system, UAV platform, multim
海军航空大学航空作战勤务学院，山东 烟台264000
高光谱成像技术源于遥感探测，具有谱图合一的独特优势，在农林、地矿、防伪和环境保护等领域的应用日益广泛。作为高光谱技术最常见和最基本的功能，目标分类在各个高光谱领域的应用均具有至关重要的作用。综述了高光谱目标分类技术的发展现状，分析了高光谱数据的结构特点，归纳了高光谱目标分类的一般流程，并详细阐述了数据读取、图像预处理和目标分类等高光谱目标分类流程的主流方法及其基本原理。结合近年来的典型案例，分析了高光谱目标分类的过程，并对其发展趋势进行了分析和展望。
高光谱 目标分类 图像预处理 特征提取 hyperspectral target classification image preprocessing feature extraction
